แนวทางใหม่ที่ใช้ปัญญาประดิษฐ์ (AI) แสดงวิธีการใช้จุลินทรีย์ในร่างกายและโมเลกุลในเซลล์เพื่อทำนายผลลัพธ์ด้านสุขภาพของมนุษย์ ตามที่ นักวิจัย ของ Penn State College of Medicine และ University of Texas Southwestern Medical Center พวกเขากล่าวว่าสามารถปรับปรุงความแม่นยำในการทำนายการพัฒนาของโรคของมนุษย์ เช่น โรคลำไส้อักเสบและโรคเบาหวาน
ไมโครไบโอมของมนุษย์ประกอบด้วยจุลินทรีย์หลายล้านล้านชนิด เช่น เชื้อราและแบคทีเรียที่อาศัยอยู่ในร่างกาย ซึ่งมักจะอยู่ในลำไส้ และส่งผลกระทบต่อสุขภาพโดยรวม สิ่งมีชีวิตเหล่านี้พร้อมกับเมตาโบโลม หรือโมเลกุลที่พบในเซลล์และเนื้อเยื่อ มีผลกระทบสำคัญต่อการวิจัยทางการแพทย์
การศึกษาปัจจุบันเสนอให้เรียนรู้คุณลักษณะที่เป็นประโยชน์จากชุดข้อมูลที่วัดทั้งไมโครไบโอมและเมตาโบโลม และใช้สิ่งเหล่านี้เพื่อปรับปรุงความแม่นยำในการทำนายความเสี่ยงอย่างมากในชุดข้อมูลที่วัดเฉพาะไมโครไบโอมเท่านั้น ผลการวิจัยนำเสนอการเรียนรู้ทางสถิติและวิธีการที่อิงกับ AI และไม่รุกรานโดยใช้ไมโครไบโอมในลำไส้ที่สามารถระบุบุคคลที่มีความเสี่ยงสูงต่อโรคได้
จนถึงปัจจุบัน เนื่องจากข้อจำกัดด้านต้นทุน การศึกษาเพียงไม่กี่ชิ้นจึงวัดทั้งข้อมูลไมโครไบโอมและเมตาโบโลม การศึกษาส่วนใหญ่วัดเฉพาะข้อมูลไมโครไบโอมโดยไม่รวมข้อมูลเกี่ยวกับเมตาโบโลม ซึ่งจำกัดประโยชน์ในการทำนายความเสี่ยงของโรค นักวิจัยกล่าวว่าการรวม microbiome และ metabolome เข้าด้วยกันสามารถช่วยในการทำนายผลลัพธ์ของโรคได้แม่นยำยิ่งขึ้นและนำไปสู่ความเข้าใจที่ดีขึ้นเกี่ยวกับกลไกการเกิดโรค
Dajiang Liu ผู้เขียนนำร่วม ศาสตราจารย์และรองประธานฝ่ายวิจัย ด้านวิทยาศาสตร์สาธารณสุข และ ชีวเคมีและอณูชีววิทยากล่าวว่า “แนวทางการเรียนรู้เชิงลึกและไม่รุกรานมีศักยภาพมหาศาลในการปรับปรุงการวินิจฉัยและการทำนายความเสี่ยงสำหรับโรคของ มนุษย์ และผู้อำนวยการชั่วคราวของโครงการริเริ่ม AI ของ Penn State College of Medicine “เมื่อรวมกับเทคโนโลยีที่มีปริมาณงานสูง เช่น การจัดลำดับดีเอ็นเอ จะนำเสนอวิธีการที่ประหยัดต้นทุนซึ่งช่วยระบุผู้ป่วยที่มีความเสี่ยงและยาที่แม่นยำได้อย่างรวดเร็ว”
นักวิทยาศาสตร์ได้เสนอกรอบการสร้างแบบจำลองเชิงบูรณาการแบบใหม่ที่เรียกว่ากรอบการเรียนรู้แบบเปรียบเทียบภายใต้การดูแลของไมโครไบโอม (MB-SupCon) การใช้วิธีการใหม่นี้ พวกเขาได้ศึกษาข้อมูลไมโครไบโอมในลำไส้และเมตาโบโลมในตัวอย่างอุจจาระจากผู้ป่วย 720 คน เพื่อทำนายปัจจัยที่เกี่ยวข้องกับโรคเบาหวานประเภท 2
นักวิจัยกล่าวว่า MB-SupCon มีประสิทธิภาพเหนือกว่าวิธีการเรียนรู้ด้วยเครื่องที่มีอยู่ และได้รับการพิสูจน์ว่ามีความแม่นยำสูงในการทำนายสถานะการดื้อต่ออินซูลินของผู้ป่วย (84%) เพศ (78%) และเชื้อชาติ (80%)
เมื่อผู้วิจัยใช้ MB-SupCon ในการศึกษาโรคลำไส้อักเสบขนาดใหญ่ พวกเขาสังเกตเห็นข้อดีที่คล้ายคลึงกัน นักวิจัยกล่าวว่าวิธีการที่ไม่รุกรานและคุ้มค่านี้สามารถใช้ในวงกว้างเพื่อช่วยทำนายผลลัพธ์ด้านสุขภาพในการศึกษาโรคต่างๆ
“ไมโครไบโอมของมนุษย์เป็นปัจจัยเสี่ยงหลักที่ปรับเปลี่ยนได้สำหรับโรคในมนุษย์” Xiaowei Zhan หัวหน้าทีมวิจัย สมาชิกของ ศูนย์การแพทย์ตะวันตกเฉียงใต้ของมหาวิทยาลัยเท็กซัสกล่าว “แนวทางของเราช่วยระบุแบคทีเรียที่ส่งผลต่อความเสี่ยงต่อโรค การปรับเปลี่ยนแบคทีเรียเหล่านี้อาจเป็นแนวทางใหม่ที่มีคุณค่าในการรักษาความผิดปกติของมนุษย์ที่ไม่เคยรักษาได้ง่ายๆ มาก่อน”
นักวิจัย Sen Yang, Shidan Wang, Ruichen Rong, Jiwoong Kim, Bo Li, Andrew Y. Koh และ Guanghua Xiao จากศูนย์การแพทย์ตะวันตกเฉียงใต้ของมหาวิทยาลัยเท็กซัส; Yiqing Wang จาก Southern Methodist University; และ Qiwei Li จาก University of Texas at Dallas มีส่วนร่วมในการวิจัยครั้งนี้
นักวิจัยประกาศว่าไม่มีความขัดแย้งทางผลประโยชน์หรือเงินทุนเฉพาะสำหรับการวิจัยนี้
