రోగనిరోధక వ్యవస్థ శరీరం యొక్క స్వంత ఆరోగ్యకరమైన కణాలు మరియు కణజాలాలపై పొరపాటున దాడి చేసే ఆటో ఇమ్యూన్ వ్యాధులు, తరచుగా రోగనిర్ధారణకు ముందు ముందస్తు దశను కలిగి ఉంటాయి, ఇది తేలికపాటి లక్షణాలు లేదా రక్తంలోని కొన్ని ప్రతిరోధకాల ద్వారా వర్గీకరించబడుతుంది. అయితే, కొంతమందిలో, ఈ లక్షణాలు పూర్తి వ్యాధి దశలో ముగిసేలోపు పరిష్కరించవచ్చు.
ఆటో ఇమ్యూన్ వ్యాధి యొక్క పురోగతిని అంచనా వేయడానికి కొత్త పద్ధతిని అభివృద్ధి చేసిన పెన్ స్టేట్ కాలేజ్ ఆఫ్ మెడిసిన్ పరిశోధకుల నేతృత్వంలోని బృందం ప్రకారం, వ్యాధి మార్గంలో ఎవరు అభివృద్ధి చెందవచ్చో తెలుసుకోవడం ముందస్తు రోగ నిర్ధారణ మరియు జోక్యం, మెరుగైన చికిత్స మరియు మెరుగైన వ్యాధి నిర్వహణ కోసం కీలకం. ప్రిలినికల్ లక్షణాలు ఉన్నవారిలో. రిస్క్ ప్రిడిక్షన్ స్కోర్‌తో ముందుకు రావడానికి ఎలక్ట్రానిక్ హెల్త్ రికార్డ్స్ మరియు ఆటో ఇమ్యూన్ డిసీజ్ ఉన్న వ్యక్తుల యొక్క పెద్ద జన్యు అధ్యయనాల నుండి డేటాను విశ్లేషించడానికి బృందం కృత్రిమ మేధస్సు (AI)ని ఉపయోగించింది. ఇప్పటికే ఉన్న మోడళ్లతో పోల్చినప్పుడు, ఈ పద్దతి 25% మరియు 1,000% మధ్య మరింత ఖచ్చితమైనది, దీని లక్షణాలు అధునాతన వ్యాధికి తరలించబడతాయో నిర్ణయించడం.
పరిశోధనా బృందం తమ పరిశోధనలను ఈ వారం (జనవరి 2) జర్నల్‌లో ప్రచురించింది నేచర్ కమ్యూనికేషన్స్.
“మరింత సంబంధిత జనాభాను లక్ష్యంగా చేసుకోవడం ద్వారా — కుటుంబ చరిత్ర ఉన్న వ్యక్తులు లేదా ప్రారంభ లక్షణాలను ఎదుర్కొంటున్న వ్యక్తులు — వ్యాధికి ఎక్కువ ప్రమాదం ఉన్న రోగులను గుర్తించడానికి మేము మెషిన్ లెర్నింగ్‌ని ఉపయోగించవచ్చు మరియు ఆపై పురోగతిని మందగించగల తగిన చికిత్సా విధానాలను గుర్తించవచ్చు. ఈ వ్యాధి చాలా అర్థవంతమైన మరియు చర్య తీసుకోగల సమాచారం” అని ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ అండ్ బయోమెడికల్ ఇన్ఫర్మేటిక్స్ డైరెక్టర్ మరియు పరిశోధన కోసం వైస్ చైర్ అయిన డాజియాంగ్ లియు అన్నారు. పెన్ స్టేట్ కాలేజ్ ఆఫ్ మెడిసిన్ మరియు అధ్యయనం యొక్క సహ-ప్రధాన రచయిత.
నేషనల్ ఇన్స్టిట్యూట్ ఆఫ్ హెల్త్ ప్రకారం, దాదాపు 8% మంది అమెరికన్లు ఆటో ఇమ్యూన్ వ్యాధితో జీవిస్తున్నారు మరియు అత్యధికులు మహిళలు. మీరు వ్యాధిని ఎంత త్వరగా గుర్తించి జోక్యం చేసుకుంటే అంత మంచిదని లియు చెప్పారు, ఎందుకంటే ఒకసారి ఆటో ఇమ్యూన్ వ్యాధులు పురోగమిస్తే, నష్టం కోలుకోలేనిది. ఒక వ్యక్తి రోగనిర్ధారణకు ముందు తరచుగా వ్యాధి సంకేతాలు ఉన్నాయి. ఉదాహరణకు, రుమటాయిడ్ ఆర్థరైటిస్ ఉన్న రోగులలో, లక్షణాలు ప్రారంభమయ్యే ఐదు సంవత్సరాల ముందు రక్తంలో ప్రతిరోధకాలను గుర్తించవచ్చు, పరిశోధకులు వివరించారు.
వ్యాధి పురోగతిని అంచనా వేయడంలో సవాలు నమూనా పరిమాణం. నిర్దిష్ట స్వయం ప్రతిరక్షక వ్యాధి ఉన్న వ్యక్తుల జనాభా చాలా తక్కువగా ఉంటుంది. తక్కువ డేటా అందుబాటులో ఉన్నందున, ఖచ్చితమైన మోడల్ మరియు అల్గారిథమ్‌ను అభివృద్ధి చేయడం కష్టం, లియు చెప్పారు.
అంచనా ఖచ్చితత్వాన్ని మెరుగుపరచడానికి, పరిశోధనా బృందం ఒక కొత్త పద్ధతిని అభివృద్ధి చేసింది, దీనిని జన్యు పురోగతి స్కోర్ లేదా GPS అని పిలుస్తారు, ఇది ముందస్తు నుండి వ్యాధి దశల వరకు పురోగతిని ముందే చెప్పడానికి. GPS బదిలీ అభ్యాసం వెనుక ఉన్న ఆలోచనను ప్రభావితం చేస్తుంది — ఒక మోడల్ ఒక పని లేదా డేటాసెట్‌పై శిక్షణ పొందిన మెషీన్ లెర్నింగ్ టెక్నిక్, ఆపై వేరే కానీ సంబంధిత టాస్క్ లేదా డేటాసెట్ కోసం చక్కగా ట్యూన్ చేయబడుతుంది, పెన్‌లోని పబ్లిక్ హెల్త్ సైన్సెస్ అసిస్టెంట్ ప్రొఫెసర్ బిబో జియాంగ్ వివరించారు. స్టేట్ కాలేజ్ ఆఫ్ మెడిసిన్ మరియు అధ్యయనం యొక్క ప్రధాన రచయిత. ఇది చిన్న డేటా నమూనాల నుండి మెరుగైన సమాచారాన్ని సేకరించేందుకు పరిశోధకులను అనుమతిస్తుంది.
ఉదాహరణకు, మెడికల్ ఇమేజింగ్‌లో, కణితి క్యాన్సర్ కాదా లేదా క్యాన్సర్ కాదా అని చెప్పడానికి కృత్రిమ మేధస్సు నమూనాలకు శిక్షణ ఇవ్వవచ్చు. శిక్షణ డేటాసెట్‌ను రూపొందించడానికి, వైద్య నిపుణులు చిత్రాలను ఒక్కొక్కటిగా లేబుల్ చేయాలి, ఇది సమయం ఎక్కువగా ఉంటుంది మరియు అందుబాటులో ఉన్న చిత్రాల సంఖ్యతో పరిమితం చేయబడుతుంది. బదులుగా, బదిలీ లెర్నింగ్ పిల్లులు మరియు కుక్కలు వంటి అనేక, సులభంగా లేబుల్ చిత్రాలను ఉపయోగిస్తుంది మరియు చాలా పెద్ద డేటాసెట్‌ను సృష్టిస్తుంది అని లియు చెప్పారు. పనిని కూడా అవుట్‌సోర్స్ చేయవచ్చు. మోడల్ జంతువుల మధ్య తేడాను నేర్చుకుంటుంది, ఆపై, ప్రాణాంతక మరియు నిరపాయమైన కణితుల మధ్య తేడాను గుర్తించడానికి దానిని శుద్ధి చేయవచ్చు.
“మీరు మొదటి నుండి మోడల్‌కు శిక్షణ ఇవ్వాల్సిన అవసరం లేదు” అని లియు చెప్పారు. “అది పిల్లి లేదా కుక్క కాదా అని నిర్ణయించడానికి మోడల్ ఇమేజ్ నుండి మూలకాలను విభజించే విధానం బదిలీ చేయబడుతుంది. కొంత అనుసరణతో, మీరు సాధారణ కణజాలం యొక్క చిత్రం నుండి కణితి యొక్క చిత్రాన్ని వేరు చేయడానికి మోడల్‌ను మెరుగుపరచవచ్చు.”
లార్జ్ కేస్-కంట్రోల్ జీనోమ్-వైడ్ అసోసియేషన్ స్టడీస్ (GWAS) నుండి డేటాపై GPS శిక్షణనిస్తుంది, ఇది మానవ జన్యుశాస్త్ర పరిశోధనలో ఒక ప్రసిద్ధ విధానం, ఇది లేని వారి నుండి నిర్దిష్ట స్వయం ప్రతిరక్షక వ్యాధి ఉన్నవారిలో జన్యుపరమైన తేడాలను గుర్తించడం మరియు సంభావ్య ప్రమాద కారకాలను గుర్తించడం. ఇది ఎలక్ట్రానిక్ హెల్త్ రికార్డ్-ఆధారిత బయోబ్యాంక్‌ల నుండి డేటాను కూడా పొందుపరుస్తుంది, ఇందులో జన్యు వైవిధ్యాలు, ల్యాబ్ పరీక్షలు మరియు క్లినికల్ డయాగ్నసిస్‌లతో సహా రోగుల గురించి గొప్ప సమాచారం ఉంటుంది. ఈ డేటా ప్రిలినికల్ దశల్లో ఉన్న వ్యక్తులను గుర్తించడంలో సహాయపడుతుంది మరియు ప్రిలినికల్ నుండి వ్యాధి దశకు పురోగతి యొక్క దశలను వర్గీకరించవచ్చు. రెండు మూలాల నుండి డేటా GPS మోడల్‌ను మెరుగుపరచడానికి ఏకీకృతం చేయబడుతుంది, వ్యాధి యొక్క వాస్తవ అభివృద్ధికి సంబంధించిన కారకాలను కలుపుతుంది.
“పెద్ద కేస్-కంట్రోల్ అధ్యయనాలు మరియు బయోబ్యాంక్‌లను ఏకీకృతం చేయడం వల్ల కేస్-కంట్రోల్ అధ్యయనాల యొక్క పెద్ద నమూనా పరిమాణాలు మరియు మెరుగైన అంచనా ఖచ్చితత్వం నుండి బలాలు అరువు తెచ్చుకున్నాయి” అని లియు చెప్పారు, అధిక GPS స్కోర్‌లు ఉన్న వ్యక్తులు ప్రిలినికల్ నుండి వ్యాధి దశలకు పురోగమించే ప్రమాదం ఎక్కువగా ఉందని వివరించారు.
రుమటాయిడ్ ఆర్థరైటిస్ మరియు లూపస్ యొక్క పురోగతిని అంచనా వేయడానికి బృందం వాండర్‌బిల్ట్ విశ్వవిద్యాలయ బయోబ్యాంక్ నుండి వాస్తవ-ప్రపంచ డేటాను ఉపయోగించింది మరియు నేషనల్ ఇన్‌స్టిట్యూట్స్ ఆఫ్ హెల్త్ యొక్క ఆరోగ్య డేటా చొరవ అయిన ఆల్ ఆఫ్ అస్ బయోబ్యాంక్ నుండి డేటాతో GPS రిస్క్ స్కోర్‌లను ధృవీకరించింది. బయోబ్యాంక్ లేదా కేస్-కంట్రోల్ శాంపిల్స్‌పై మాత్రమే ఆధారపడే 20 ఇతర మోడళ్ల కంటే మరియు ఇతర పద్ధతుల ద్వారా బయోబ్యాంక్ మరియు కేస్-కంట్రోల్ నమూనాలను కలపడం కంటే GPS వ్యాధి పురోగతిని బాగా అంచనా వేసింది.
GPS ఉపయోగించి వ్యాధి పురోగతి యొక్క ఖచ్చితమైన అంచనా ముందస్తు జోక్యాలను, లక్ష్య పర్యవేక్షణ మరియు వ్యక్తిగతీకరించిన చికిత్స నిర్ణయాలను ప్రారంభించగలదు, ఇది మెరుగైన రోగి ఫలితాలకు దారితీస్తుందని లియు చెప్పారు. కొత్త చికిత్సల నుండి ఎక్కువగా ప్రయోజనం పొందే వ్యక్తులను గుర్తించడం ద్వారా ఇది క్లినికల్ ట్రయల్ డిజైన్ మరియు రిక్రూట్‌మెంట్‌ను మెరుగుపరుస్తుంది. ఈ అధ్యయనం స్వయం ప్రతిరక్షక పరిస్థితులపై దృష్టి కేంద్రీకరించినప్పటికీ, ఇతర వ్యాధి రకాలను అధ్యయనం చేయడానికి ఇదే విధమైన ఫ్రేమ్‌వర్క్‌ను ఉపయోగించవచ్చని పరిశోధకులు తెలిపారు.
“మేము తక్కువ ప్రాతినిధ్యం లేని జనాభా గురించి మాట్లాడేటప్పుడు, ఇది కేవలం జాతి గురించి మాత్రమే కాదు. ఇది వైద్య సాహిత్యంలో తక్కువగా అధ్యయనం చేయబడిన రోగుల సమూహం కూడా కావచ్చు, ఎందుకంటే వారు సాధారణ డేటా సెట్‌లలో కొద్ది భాగాన్ని మాత్రమే కలిగి ఉంటారు. AI మరియు బదిలీ అభ్యాసం మాకు సహాయపడతాయి. ఈ జనాభాను అధ్యయనం చేయండి మరియు ఆరోగ్య అసమానతలను తగ్గించడంలో సహాయపడండి” అని లియు చెప్పారు. “ఈ పని ఆటో ఇమ్యూన్ వ్యాధిలో పెన్ స్టేట్ యొక్క సమగ్ర పరిశోధన కార్యక్రమం యొక్క బలాన్ని ప్రతిబింబిస్తుంది.”
లియు మరియు జియాంగ్ — బయోకెమిస్ట్రీ మరియు మాలిక్యులర్ బయాలజీ ప్రొఫెసర్ లారా కారెల్‌తో పాటు అధ్యయన సహ రచయితలు; గాలెన్ ఫౌల్కే, డెర్మటాలజీ అసోసియేట్ ప్రొఫెసర్; రుమటాలజీలో నాన్సీ ఒల్సేన్, హెచ్. థామస్ మరియు డోరతీ విల్లిట్స్ హాలోవెల్ చైర్ — ఆటో ఇమ్యూన్ వర్కింగ్ గ్రూప్‌ను ఏర్పాటు చేశారు మరియు దాదాపు ఒక దశాబ్దం పాటు సహకరించారు. వారు వినూత్నమైన క్లినికల్ ట్రయల్స్‌కు నాయకత్వం వహిస్తారు, ఆటో ఇమ్యూన్ వ్యాధుల యొక్క జీవ విధానాలను అర్థం చేసుకోవడానికి పరిశోధన అధ్యయనాలు చేస్తారు మరియు ఆటో ఇమ్యూన్ వ్యాధులకు సంబంధించిన వివిధ సమస్యలను పరిష్కరించడానికి AI పద్ధతులను అభివృద్ధి చేస్తారు.
పెన్ స్టేట్ నుండి బయోఇన్ఫర్మేటిక్స్ మరియు జెనోమిక్స్‌లో డాక్టరేట్ పొందిన చెన్ వాంగ్ మరియు MD/PhD మెడికల్ సైంటిస్ట్ ట్రైనింగ్ ప్రోగ్రామ్‌లో జాయింట్ డిగ్రీ విద్యార్థి హావెల్ మార్కస్ ఈ అధ్యయనానికి సహ-మొదటి రచయితలు. కాగితంపై ఇతర పెన్ స్టేట్ రచయితలు: అవంతిక R. దివాద్కర్, గ్రాడ్యుయేట్ విద్యార్థి; చచ్రిత్ ఖున్శ్రీరక్షకుల్, అధ్యయనం సమయంలో MD/PhD మెడికల్ సైంటిస్ట్ ట్రైనింగ్ ప్రోగ్రామ్ నుండి పట్టభద్రుడయ్యాడు; మరియు జింగ్యాన్ వాంగ్, అధ్యయనం సమయంలో పెన్ స్టేట్ కాలేజ్ ఆఫ్ మెడిసిన్‌లో రీసెర్చ్ అసిస్టెంట్‌గా ఉన్నారు.
ఇతర సహాయకులలో బింగ్‌షాన్ లి, మాలిక్యులర్ ఫిజియాలజీ మరియు బయోఫిజిక్స్ ప్రొఫెసర్ మరియు వాండర్‌బిల్ట్ యూనివర్శిటీ స్కూల్ ఆఫ్ మెడిసిన్ నుండి జెనెటిక్ మెడిసిన్‌లో రీసెర్చ్ అసిస్టెంట్ ప్రొఫెసర్ జువ్ జాంగ్ ఉన్నారు; మరియు Xiaowei Zhan, యూనివర్శిటీ ఆఫ్ టెక్సాస్ సౌత్ వెస్ట్రన్ మెడికల్ సెంటర్‌లో పబ్లిక్ హెల్త్ అసోసియేట్ ప్రొఫెసర్.
నేషనల్ ఇన్స్టిట్యూట్ ఆఫ్ హెల్త్ నుండి నిధులు, నేషనల్ ఇన్స్టిట్యూట్ ఆఫ్ అలెర్జీ అండ్ ఇన్ఫెక్షియస్ డిసీజెస్ ఆఫీస్ ఆఫ్ డేటా సైన్స్ మరియు ఎమర్జింగ్ టెక్నాలజీస్ ఈ పరిశోధనకు మద్దతు ఇచ్చాయి.
