За последнее десятилетие или около того ученые накопили впечатляющий арсенал оружия для решения многогранной и сложной проблемы психических заболеваний: от новых инструментов геномного анализа и технологий нейровизуализации высокого разрешения до создания огромных банков данных пациентов и нового искусственного интеллекта. модели для их анализа.
Тем не менее, несмотря на появление этих сложных инструментов, поиск персонализированного лечения — медицинского подхода, при котором практикующие врачи используют уникальный генетический профиль пациента для адаптации индивидуального лечения — до сих пор не увенчался успехом почти для каждого нервно-психического расстройства.
Эти усилия были фундаментально ограничены отсутствием понимания того, как симптомы отображаются на мозговых цепях , говорит Джон Мюррей, бывший профессор психиатрии и физики в Йельском университете, ныне работающий в Дартмутском колледже.
Однако новая система генеративного моделирования, разработанная в Йельском университете, может помочь нейропсихиатрам лучше прогнозировать взаимосвязь между множественными показаниями нейронов и симптомами пациента, говорят исследователи. Это достижение может помочь нейропсихиатрии «принимать обоснованные решения о том, как разрабатываются и проводятся исследования и клинические испытания, чтобы повысить вероятность сопоставления симптомов с мозговыми цепями», — сказал Алан Антицевич, доцент кафедры психиатрии имени Гленна Х. Гринберга. профессор психологии и один из авторов исследования.
Результаты опубликованы в журнале Communications Biology .
По словам исследователей, проблем с поиском индивидуального лечения нервно-психических заболеваний у пациента множество. Психиатрические состояния очень сложны и затрагивают множество различных областей мозга. И симптомы могут сильно различаться у разных людей.
Хотя появление моделей искусственного интеллекта дало возможность адаптировать новые лекарства к множеству индивидуальных симптомов таких расстройств, как шизофрения, исследования показали, что, хотя математические алгоритмы были способны предсказывать симптомы или результаты пациентов в рамках конкретных клинических испытаний , для которых они были Разработанные, они не сработали для аналогичных групп пациентов, участвовавших в другом исследовании.
В этих расходящихся результатах обвиняют «переоснащение» — или тенденцию моделей искусственного интеллекта находить закономерности активности в небольших объемах данных, которые исчезают при применении к другим группам субъектов.
Чтобы преодолеть эти ограничения, нейробиолог Маркус Хелмер разработал новую статистическую генеративную модель, когда он был постдокторантом в Йельской лаборатории Мюррея. Модель может оценить оптимальный размер наборов данных, необходимых для точной оценки того, как сигналы мозга связаны с поведением разных людей.
В новом исследовании, которое провели исследователи из Йельского и Ноттингемского университетов и использовали модель Хелмера, ученые изучили данные нейровизуализации людей, собранные из двух крупных банков нейровизуализирующих и психометрических данных — из масштабного проекта Human Connectome Project, поддерживаемого Национальными институтами здравоохранения, изучающими структурные и функциональные связи человеческого мозга, и Биобанком Великобритании, который содержит обезличенную генетическую информацию и биологические образцы от полумиллиона участников.
Исследователи обнаружили, что для надежного измерения связи между несколькими нейронными областями и несколькими поведенческими чертами может потребоваться до 10 000 отдельных испытуемых.
Основываясь на этом выводе, исследователи говорят, что Йельская модель обеспечивает критерии, необходимые для установления надежности связи мозга и симптомов, что, в свою очередь, может быть использовано фармацевтическими компаниями для разработки и интерпретации исследований нейровизуализации, направленных на поиск неврологической основы психиатрических симптомов в различных случаях. группы пациентов.
