机器学习有助于定义帕金森病的新亚型

　　

威尔康奈尔医学院(Weill Cornell Medicine)的研究人员利用机器学习，根据疾病进展的速度，定义了帕金森病的三种亚型。除了有可能成为重要的诊断和预后工具外，这些亚型还具有不同的驱动基因。如果得到证实，这些标记物也可以为新的和现有的药物靶向这些亚型提供方法。

这项研究发表在7月10日的《npj数字医学》上。

该研究的资深作者、威尔康奈尔医学院人口健康科学系人工智能数字健康研究所(AIDH)创始主任、人口健康科学教授王飞博士说:“帕金森病是高度异质性的，这意味着患有同样疾病的人可能会有非常不同的症状。”“这表明不可能有一种放之四海而皆准的治疗方法。我们可能需要根据患者的疾病亚型考虑定制治疗策略。”

研究人员根据不同的疾病进展模式定义了这些亚型。他们将这些患者命名为缓慢步伐亚型(PD-I，约36%的患者)，以轻度基线严重程度和轻度进展速度命名为中度步伐亚型(PD-M，约51%的患者)，以轻度基线严重程度但以中等速度进展的病例命名为快速步伐亚型(PD-R)，以症状进展速度最快的病例命名为缓慢步伐亚型。

他们能够通过使用基于深度学习的方法来分析来自两个大型数据库的未识别临床记录来识别亚型。他们还通过基于网络的方法分析患者遗传和转录组谱，探索了与每种亚型相关的分子机制。例如，PD-R亚型具有特定途径的激活，例如与神经炎症、氧化应激和代谢相关的途径。研究小组还发现了三种亚型不同的脑成像和脑脊液生物标志物。

这一实验室自2016年以来一直在研究帕金森病，当时该小组参加了迈克尔·j·福克斯基金会(Michael J. Fox Foundation)赞助的帕金森病进展标志物倡议(PPMI)数据挑战。该团队赢得了衍生亚型主题的挑战，并从那时起获得了基金会的资助来继续这项工作。他们采用从PPMI队列中收集的数据作为研究中的主要亚型发展队列，并通过国家神经疾病和中风研究所(NINDS)帕金森病生物标志物计划(PDBP)队列验证。

研究人员利用他们的发现确定了可能的候选药物，这些候选药物可以重新用于靶向不同亚型中所见的特定分子变化。然后，他们使用了两个大规模的真实世界的患者健康记录数据库来证实这些药物可以帮助改善帕金森病的进展。这些数据库，洞察号

位于纽约的临床研究网络和OneFlorida+临床研究联盟都是国家以患者为中心的临床研究网络(PCORnet)的一部分。INSIGHT由Rainu Kaushal博士领导，他是威尔康奈尔医学临床研究高级副院长，也是威尔康奈尔医学和纽约长老会/威尔康奈尔医学中心人口健康科学系主席。

“通过检查这些数据库，我们发现，与不服用二甲双胍的人相比，服用糖尿病药物二甲双胍的人似乎改善了疾病症状，尤其是与认知和跌倒相关的症状，”第一作者Chang Su博士说，他是威尔康奈尔医学院人口健康科学助理教授，也是AIDH的成员。这在PD-R亚型患者中尤其如此，他们最有可能在帕金森病的早期出现认知缺陷。

“我们希望我们的研究能引导其他研究人员在进行像我们这样的研究时，考虑使用不同的数据来源，”王博士说。“我们还认为，转化生物信息学研究人员将能够进一步验证我们的发现，无论是计算上还是实验上。”