Een systeem van kunstmatige intelligentie (AI) op basis van machinaal leren kan de geschiedenis van infecties en ziekten van het immuunsysteem van een persoon ontcijferen. Dit is een potentieel nauwkeurig diagnostisch hulpmiddel voor auto-immuunziekten, virale infecties en vaccinreacties.
Dit blijkt uit een nieuwe studie onder leiding van Stanford University (VS) die is gepubliceerd in het tijdschrift Science. Het presenteert de ontwikkeling van Machine Learning for Immunological Diagnosis (Mal-ID), een interpretatieraamwerk dat het mogelijk maakt om meerdere ziekten tegelijkertijd te herkennen of een ziekte nauwkeurig te testen.
Een klinische diagnose omvat meestal een lichamelijk onderzoek, de medische voorgeschiedenis van de patiënt en verschillende laboratoriumtests en beeldvormende onderzoeken. Dit is een langdurig proces dat vaak wordt bemoeilijkt door verkeerde diagnoses en onduidelijke systemen. Er wordt echter beperkt gebruik gemaakt van de gegevens van het menselijk immuunsysteem met betrekking tot de blootstelling van de patiënt aan receptorgecodeerde antigenen (BCR) en T-celantigenen (TCR).
BCR- en TCR-receptoren veranderen in reactie op ziekteverwekkers, vaccins en andere antigene prikkels. De sequentiebepaling van BCR’s en TCR’s zou een hulpmiddel kunnen zijn voor uitgebreide diagnose, waardoor het mogelijk wordt om tegelijkertijd infectieziekten, auto-immuunziekten en immuungemedieerde ziekten op te sporen in één enkele test. Het is echter nog niet duidelijk in hoeverre deze sequencing alleen in staat is om ziekten betrouwbaar en uitgebreid te classificeren.
De resultaten tonen aan dat het systeem in staat was om effectief zes verschillende ziektetoestanden te onderscheiden in 550 gekoppelde BCR- en TCR-monsters met een uitzonderlijk hoge classificatienauwkeurigheid. Deze pilotstudie toont aan dat immuunreceptorsequencinggegevens “een reeks pathologische toestanden kunnen onderscheiden en biologische inzichten kunnen verschaffen zonder de noodzaak van voorkennis van de antigeenspecifieke receptorpatronen”, schrijven de auteurs in hun artikel.
Het model was ook in staat om onderscheid te maken tussen Covid-19, HIV, lupus, type 1 diabetes en gezonde personen, wat het potentieel als krachtig diagnostisch hulpmiddel onderstreept, hoewel de aanpak nog verder ontwikkeld moet worden. Bovendien, aldus de wetenschappers, “met verdere validatie en uitbreiding, zou Mal-ID kunnen leiden tot klinische hulpmiddelen die gebruik maken van de uitgebreide informatie in immuunreceptorpopulaties voor medische diagnose”.
Bron: Agentschappen
