به گزارش سیناپرس همدان، در یک تحلیل گذشته‌نگر بزرگ با استفاده از اندازه‌گیری هزاران پروتئین پلاسما در جمعیت‌های رویداد اولیه و ثانویه، دانشمندان ژنتیک deCODE و همکارانش از ایالات متحده، دانمارک و ایسلند، در JAMA گزارش دادند که چگونه از هوش مصنوعی برای ایجاد امتیاز برای پروتئین های سرم خون برای پیش‌بینی رویدادهای اصلی بیماری‌های قلبی عروقی آترواسکلروتیک (ASCVD) استفاده کردند.
این مطالعه بر اساس یک مجموعه داده بزرگ شامل بیش از 13500 ایسلندی که قبل از نمونه گیری پلاسما ASCVD عمده را تجربه نکرده بودند و بیش از 6000 شرکت کننده در کارآزمایی FOURIER که قبل از نمونه گیری پلاسما دچار ASCVD شده بودند. همه این نمونه ها دارای اندازه گیری سطوح حدود 5000 پروتئین پلاسما بودند که با پلتفرم SomaScan اندازه گیری شدند.
امتیاز خطر پروتئین، که صرفاً بر اساس داده‌های پروتئومیکس از یک نمونه پلاسما است، رویدادهای ASCVD را در غیاب اطلاعات در مورد سابقه پزشکی و عوامل خطر به خوبی پیش‌بینی می‌کند. بخش بزرگی از خطری که پروتئین‌ها به دست می‌آورند نیز توسط عوامل خطر شناخته‌شده گرفته می‌شود، با این حال، امتیاز پروتئین خطر بیشتری را به همراه دارد.
علاوه بر این، امتیاز خطر پروتئین یک معیار پویا است و به همین دلیل بر خلاف برخی از عوامل خطر کلاسیک که تغییر ناپذیر هستند، مانند سابقه خانوادگی و رویدادهای قبلی ASCVD، پتانسیل تغییر در درمان را دارد. این ویژگی پویای امتیازهای ریسک پروتئین، افزایش و کاهش سطح پروتئین‌ها به عنوان تابعی از زمان ورود و خروج از رویدادها، آن را برای پیش‌بینی زمان‌بندی رویدادها مناسب می‌سازد.
در نتیجه، امتیاز خطر پروتئین می تواند به ابزار مهمی در کارآزمایی های بالینی برای به دست آوردن ارزیابی اولیه از اثربخشی مداخله درمانی یا نظارت بر خطر تبدیل شود.
ما معتقدیم که در امتیاز ریسک پروتئومی، ممکن است نشانگر زیستی داشته باشیم که به جهان اجازه می دهد کارآزمایی های بالینی کوتاه تری را با شرکت کنندگان کمتر انجام دهد. این امر توسعه داروهای جدید را ارزان تر می کند و آنها را زودتر برای کسانی که به آنها نیاز دارند در دسترس قرار می دهد. کری استفانسون، مدیر عامل genetics deCODE و یکی از محققین ارشد این مطالعه گفت: علاوه بر این، در عمل بالینی ممکن است امکان پیشگیری موثرتر از ASCVD فراهم شود.
منبع: JAMA
مترجم: کیانوش کرمی