هوش مصنوعی اسرار پیری مغز را آشکار می کند

محققان با استفاده از هوش مصنوعی، «سن بافت شناسی» الگوریتمی را توسعه دادند که سن در هنگام مرگ را پیش‌بینی می‌کند و معماهای پیری مغز و اختلالات عصبی را آشکار می‌کند.

اطلاعات کلیدی:

• پیش‌بینی نوآورانه پیری: الگوریتم سن بافت شناسی با تجزیه و تحلیل ترکیب سلولی نمونه‌های بافت مغز انسان، سن مرگ را با دقت متوسط 5.45 سال پیش‌بینی می‌کند.
• سن بافت شناسی و انجمن های عصبی: شتاب سن مبتنی بر سن بافت شناسی ارتباط قوی با اختلالات شناختی، بیماری عروق مغزی، و تجمع پروتئین از نوع آلزایمر نشان می دهد، که از معیارهای شتاب سن فعلی مانند متیلاسیون DNA پیشی می گیرد.
• هوش مصنوعی به عنوان یک ابزار انقلابی: سن بافت شناسی نه تنها یک الگوی جدید برای ارزیابی پیری و تخریب عصبی در نمونه‌های انسانی ارائه می‌کند، بلکه یک معیار قوی و بی‌طرف است که می‌تواند به صورت گسترده در آزمایشگاه‌های تحقیقاتی استفاده شود. و باعث عمیق‌تر شدن در درک از تغییرات سلولی در پایه‌ی بیماری‌های تخریبی گردد.

منبع: مونت سینای

شتاب سن (یا تفاوت بین سن بیولوژیکی و تقویمی) در مغز میتواند بینش هایی را در مورد مکانیسم ها و عملکردهای طبیعی یکی از مهمترین اندام های بدن آشکار کند.

همچنین می تواند تغییرات مرتبط با افزایش سن و کاهش عملکرد را توضیح دهد. و همچنین تغییرات اولیه مربوط به بیماری ها را شناسایی کند که نشان دهنده شروع یک اختلال مغزی است.

محققان مونت سینای می گویند که برای اولین بار از هوش مصنوعی برای توسعه الگوریتمی استفاده کردند که آن را “سن بافت شناسی” می نامند. که سن در هنگام مرگ را بر اساس ترکیب سلولی نمونه های بافت مغز انسان با دقت متوسط 5.45 سال پیش بینی می کند. این ابزار قدرتمند همچنین میتواند مناطق عصبی آناتومیک آسیب پذیر در برابر تغییرات مرتبط با سن را شناسایی کند، که نشانگر بیماریهای شناختی بالقوه است.

چگونه:

محققان مجموعه‌ای از تقریباً 700 تصویر دیجیتالی از اسلایدهای دارای بخش‌های هیپوکامپ انسان از اهداکنندگان مغز مسن را برای توسعه الگوریتم تخمین سن مغز بافت‌شناسی مورد بررسی قرار دادند.

سپس این تیم یک مدل یادگیری ماشینی را آموزش دادند تا سن یک فرد در هنگام مرگ را تنها بر اساس بخش دیجیتالی تخمین بزند. وظیفه ای که انجام آن توسط ناظر انسانی با هیچ درجه ای از دقت غیرممکن است. آنها از تفاوت بین سن پیش بینی شده توسط مدل و سن واقعی برای استخراج میزان شتاب سن در مغز استفاده کردند.

نتایج:

در مقایسه با اندازه‌گیری‌های فعلی شتاب سن (مانند متیلاسیون DNA)، مشاهده شد که شتاب سن مبتنی بر سن بافت شناسی ارتباط قویتری با اختلالات شناختی، بیماری عروق مغزی، و سطوح تجمع پروتئین دژنراتیو (فرسایشی تخریبی) غیرطبیعی از نوع آلزایمر دارد.

این مطالعه نشان داد که مدل سن بافت شناسی یک معیار قابل اعتماد و مستقل برای تعیین سن مغز و درک عواملی است که در طول زمان باعث تخریب عصبی میشود.

چرا تحقیق جالب است:

محققان گفتند که مدل سن بافت شناسی و سایر الگوریتم‌های مشابه بعدی، یک الگوی کاملاً جدید برای ارزیابی پیری و تخریب عصبی در نمونه‌های انسانی است. و می‌تواند به راحتی در آزمایشگاه‌های تحقیقاتی بالینی و ترجمه به کار گرفته شود. علاوه بر این، این رویکرد معیارهای دقیقتر، بیطرفانه و قویتر از تغییرات سلولی زمینه ای بیماریهای دژنراتیو (فرسایشی تخریبی) را ارائه میدهد.

این تیم در مرحله بعدی یک همکاری چند مرکزی برای توسعه یک مجموعه داده بزرگ آماده هوش مصنوعی ایجاد خواهد کرد. که برای توسعه مدل‌های هوش مصنوعی حتی قدرتمندتر که پتانسیل تغییر و ارتقای درک ما از بیماری‌های مغزی را دارند، استفاده می‌شود.

دکتر فارل از مونت سینای درباره این تحقیق گفت: «استفاده از آخرین رویکردهای محاسباتی، مانند هوش مصنوعی، بر روی نمونه‌های بافت انسانی از مجموعه‌های وسیع و متنوع مونت سینای، تغییری در روش ارزیابی بیماری‌های انسانی است. مدل جدید سن بافت شناسی ما تنها نمونه‌ای از روشی است که هوش مصنوعی راه را برای کشف بیشتر مکانیسم‌های پیری و تخریب عصبی هموار می‌کند.

دکتر مارکس مونت سینای درباره این تحقیق گفت: «این مدل دریچه‌هایی را برای مجموعه‌ای از تحلیل‌های جذاب و ضروری باز می‌کند که ما را به درک نهایی مغز پیر و بیماری‌های مغزی مرتبط با سن مانند آلزایمر نزدیک‌تر می‌کند. این اولین باری است که توانستیم عددی را در مورد میزان پیری در مغز در پاتولوژی تعیین کنیم.

با این رویکرد، می‌توانیم ژن‌هایی را کشف کنیم که در برابر پیری مغز محافظت می‌کنند. یا ژن‌هایی که پیری را در مغز بدتر می‌کنند، و همچنین عوامل خطر محیطی که باعث پیری سریع‌تر مغز افراد می‌شوند را کشف کنیم.

خلاصه

تخمین سن هیستوپاتولوژیک مغز از طریق یادگیری چندگانه

درک شتاب سن، عدم تطابق بین سن بیولوژیکی و تقویمی، در مغز می‌تواند بینش‌های مکانیکی را در مورد فیزیولوژی طبیعی آشکار کند. و همچنین عوامل پاتولوژیک کاهش عملکرد مرتبط با سن را روشن کند و تغییرات اولیه بیماری را در زمینه آلزایمر و سایر اختلالات شناسایی کند.

در اینجا، ما از مجموعه‌ای از بخش‌های هیپوکامپ پس از مرگ دیجیتالی شده انسان برای ایجاد یک مدل تخمین سن مغز بافت‌شناسی استفاده کردیم.

مدل ما سن مغز را با میانگین خطای مطلق 0.22 ± 5.45 سال پیش بینی کرد. با وزن توجه مربوط به مناطق عصبی آناتومیکی آسیب پذیر به تغییرات مرتبط با سن. ما دریافتیم که شتاب سن هیستوپاتولوژیک مغز با پیامدهای بالینی و پاتولوژیک ارتباط قابل توجهی دارد که با معیارهای مبتنی بر اپی ژنتیک یافت نشد.

نتایج ما نشان می‌دهد که سن هیستوپاتولوژیک مغز یک معیار قدرتمند و مستقل برای درک عواملی است که به پیری مغز کمک می‌کنند.