DOI: https://doi.org/10.3389/fmolb.2025.1567199
PMID: https://pubmed.ncbi.nlm.nih.gov/40270591
تاريخ النشر: 2025-04-09
المؤلف: Cemil Çolak وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تستقصي هذه الدراسة الفروق الأيضية بين الأفراد المصابين بمتلازمة داون (T21) والأشخاص الأصحاء (D21) باستخدام نموذج ذكاء اصطناعي قابل للتفسير (XAI) مدمج مع التعلم الآلي (ML). تستخدم الأبحاث مصنفات ML متنوعة، بما في ذلك KTBoost، الذي حقق أعلى دقة تصنيف بنسبة 90.4% ومنطقة تحت المنحنى (AUC) بنسبة 95.9%. كشفت التحليلات الأيضية لعينات بلازما الدم من 316 فردًا من T21 و103 من D21 عن تغييرات ملحوظة في مستويات المستقلبات، مع انخفاض ملحوظ في مستويات فيتامين C، وحمض التاوروليثوكوليك، والسفينغوزين، وبروستاغلاندين A2/B2/J2 في مجموعة T21، بينما كانت مستويات الثيميدين، وحمض التاوروروسوديوكسيكوليك، والسيرين، وحمض النيرفونيك مرتفعة. حدد تحليل SHAP علامات حيوية جديدة محتملة، بما في ذلك L-Citrulline، وكينورينين، وبروستاغلاندين A2/B2/J2، وحمض اليوريك، وبانتوثينات، والتي قد توضح الفيزيولوجيا المرضية لمتلازمة داون.
تشير النتائج إلى أن دمج الأيضيات والذكاء الاصطناعي يمكن أن يعزز القدرات التشخيصية لمتلازمة داون، على الرغم من الحاجة إلى مزيد من التحقق في مجموعات متنوعة. تثير الدراسة تساؤلات حول الطبيعة السببية مقابل التبعية للتغييرات الأيضية الملحوظة، مما يشير إلى أن بعض التغييرات قد تنبع مباشرة من التثلث الصبغي الجيني، بينما قد تكون أخرى استجابات تعويضية. يجب أن تركز الأبحاث المستقبلية على التعاون متعدد المراكز للتحقق الخارجي، والتقييمات الطولية لاستقرار العلامات الحيوية، ودمج البيانات متعددة الأوميات لتعميق فهم الملف الأيضي لمتلازمة داون وتسهيل التطبيقات السريرية.
مقدمة
تناقش مقدمة ورقة البحث متلازمة داون (DS)، وهي اضطراب جيني ناتج عن تثلث الكروموسوم 21، يتميز بالإعاقة الفكرية، وملامح الوجه المميزة، ومجموعة متنوعة من الحالات الصحية الثانوية. مع حدوثها بنسبة تقارب واحد من كل 700 ولادة حية على مستوى العالم، تعتبر DS أكثر الشذوذات الصبغية شيوعًا. لقد تقدمت الدراسات الأيضية الحديثة بشكل كبير في فهم الآليات الجزيئية الكامنة وراء DS، وحددت علامات حيوية محتملة وأوضحت التغيرات الأيضية التي قد تفيد في التشخيص المبكر واستراتيجيات العلاج. تشير النتائج الرئيسية إلى وجود شذوذات في استجابات الإجهاد التأكسدي، وعمليات الأيض الدهني، ومسارات الأحماض الأمينية، والتي ترتبط بالأعراض العصبية وزيادة مخاطر الحالات مثل مرض الزهايمر المبكر ومشاكل القلب والأوعية الدموية.
تسلط الورقة الضوء على تعقيد مسببات DS، مشددة على أن الطرق الإحصائية التقليدية لها قيود في تحديد العلامات الحيوية بسبب الطبيعة المعقدة للشبكات الأيضية. استجابةً لذلك، تقترح الأبحاث استخدام تقنيات التعلم الآلي (ML) لدمج بيانات متعددة الأوميات، مما يعزز اكتشاف العلامات الحيوية ويحسن دقة التشخيص. أظهرت الخوارزميات مثل KTBoost وXGBoost وعدًا في تحليل الملفات الأيضية المعقدة، مما يسهل تحديد علامات حيوية جديدة محددة لـ DS. يهدف دمج التحليل الأيضي الشامل مع حلول الذكاء الاصطناعي القابل للتفسير (XAI) إلى سد الفجوات الموجودة في الأدبيات وتقدم التطبيقات السريرية لتشخيص وإدارة DS.
طرق البحث
تتبع منهجية هذه الدراسة إرشادات STROBE (تعزيز الإبلاغ عن الدراسات الرصدية في علم الأوبئة)، مما يضمن نهجًا منهجيًا لتصميم البحث والإبلاغ عنه. يحدد القسم المواد والأساليب المستخدمة في الدراسة، موضحًا الإجراءات والبروتوكولات المحددة المتبعة للحفاظ على الصرامة وقابلية التكرار.
من خلال التوافق مع إطار عمل STROBE، تؤكد الدراسة على الشفافية في منهجيتها، وهو أمر بالغ الأهمية لمصداقية الأبحاث الرصدية. لا يسهل هذا الالتزام تقييم نتائج الدراسة فحسب، بل يعزز أيضًا إمكانية التكرار في جهود البحث المستقبلية.
النتائج
تكشف نتائج الدراسة عن اختلافات كبيرة في مستويات المستقلبات بين مجموعتي T21 (متلازمة داون) وD21 (التحكم). تم العثور على ما مجموعه 14 مستقلبًا، بما في ذلك فيتامين C، وحمض التاوروليثوكوليك، وبروستاغلاندين A2/B2/J2، كانت مستوياتها منخفضة في مجموعة T21، مع ملاحظة أكبر انخفاضات في حمض التاوروليثوكوليك (1.49 مرة)، والسفينغوزين (1.64 مرة)، وبروستاغلاندين A2/B2/J2 (4.36 مرة). بالمقابل، كانت هناك عدة مستقلبات مثل الثيميدين، وحمض التاوروروسوديوكسيكوليك، والأرجينين مرتفعة بشكل ملحوظ في مجموعة T21، حيث أظهر الثيميدين زيادة ملحوظة بمقدار 12.282 مرة. توضح مخطط البركان ومخطط VIP لنموذج PLS-DA هذه النتائج، مما يبرز أدوار المستقلبات في أداء التصنيف.
أشارت تحليل التعلم الآلي إلى أن نموذج KTBoost تفوق على النماذج الأخرى، محققًا أعلى دقة (90.4%)، ودرجة F1 (93.1%)، وAUC (95.9%). كانت أداء النموذج ذا دلالة إحصائية مقارنة بالآخرين، خاصة في تمييز T21 عن D21. أكدت مصفوفة الارتباك ومنحنيات ROC فعالية النموذج، حيث كان KTBoost قادرًا على التعرف بفعالية على الأنماط الأيضية المعقدة. بالإضافة إلى ذلك، حدد تحليل SHAP مستقبلات رئيسية مثل L-Citrulline وكينورينين كعلامات حيوية محتملة لـ T21، مما يبرز أهميتها في مهمة التصنيف. بشكل عام، تؤكد الدراسة على إمكانية استخدام مستقبلات معينة كعلامات حيوية لمتلازمة داون وفعالية أساليب التعلم الآلي في التحليل الأيضي.
المناقشة
في هذه الدراسة، تم إجراء تحليل شامل للأيضيات لاستكشاف الفروق الأيضية بين الأفراد المصابين بمتلازمة داون (T21) والأشخاص الأصحاء (D21)، باستخدام مصنفات متعددة من التعلم الآلي (ML) المدمجة مع الذكاء الاصطناعي القابل للتفسير (XAI). كشفت النتائج عن تغييرات أيضية كبيرة، بما في ذلك انخفاض مستويات المستقلبات مثل فيتامين C وحمض التاوروليثوكوليك، وزيادة مستويات الثيميدين والأرجينين في مجموعة T21. تشير هذه التغييرات إلى احتمال وجود اضطرابات في المسارات الأيضية المرتبطة بالإجهاد التأكسدي، ومشاكل الجهاز الهضمي، والوظائف العصبية، مما يتماشى مع الأبحاث السابقة حول الاضطرابات الأيضية في متلازمة داون.
من بين مصنفات ML المستخدمة، أظهر KTBoost أعلى مقاييس الأداء، محققًا دقة بنسبة 90.4% ومنطقة تحت المنحنى (AUC) بنسبة 95.9%. استخدمت الدراسة SHapley Additive exPlanations (SHAP) لتعزيز قابلية تفسير النموذج، محددةً المستقلبات الرئيسية مثل L-Citrulline وكينورينين كعلامات حيوية مهمة لتمييز T21 عن D21. ترتبط هذه المستقلبات بعمليات بيولوجية حيوية حاسمة، بما في ذلك إشارات أكسيد النيتريك ومسارات الالتهاب، والتي قد تسهم في المظاهر السريرية المرصودة في متلازمة داون. لا يحسن دمج XAI مع الأيضيات دقة التشخيص فحسب، بل يوفر أيضًا رؤى حول الفيزيولوجيا المرضية الكامنة، مما يمهد الطريق للتدخلات العلاجية المحتملة التي تستهدف الاضطرابات الأيضية في متلازمة داون. يجب أن تركز الأبحاث المستقبلية على الدراسات الطولية للتحقق من هذه النتائج واستكشاف استراتيجيات العلاج الشخصية بناءً على العلامات الحيوية المحددة.
DOI: https://doi.org/10.3389/fmolb.2025.1567199
PMID: https://pubmed.ncbi.nlm.nih.gov/40270591
Publication Date: 2025-04-09
Author(s): Cemil Çolak et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
This study investigates metabolic differences between individuals with Down syndrome (T21) and healthy controls (D21) using an explainable artificial intelligence (XAI) model integrated with machine learning (ML). The research employs various ML classifiers, including KTBoost, which achieved the highest classification accuracy of 90.4% and an area under the curve (AUC) of 95.9%. Metabolomic analyses of blood plasma samples from 316 T21 and 103 D21 individuals revealed significant alterations in metabolite levels, with notable downregulation of vitamin C, taurolithocholic acid, sphingosine, and prostaglandin A2/B2/J2 in the T21 group, while thymidine, tau-roursodeoxycholic acid, serine, and nervonic acid were elevated. SHAP analysis identified potential novel biomarkers, including L-Citrulline, Kynurenine, Prostaglandin A2/B2/J2, Urate, and Pantothenate, which may elucidate the pathophysiology of Down syndrome.
The findings suggest that the combination of metabolomics and AI can enhance diagnostic capabilities for Down syndrome, although further validation in diverse cohorts is necessary. The study raises questions about the causal versus consequential nature of the observed metabolic changes, indicating that some alterations may stem directly from genetic trisomies, while others could be compensatory responses. Future research should focus on multicenter collaborations for external validation, longitudinal assessments of biomarker stability, and integration with multi-omics data to deepen the understanding of Down syndrome’s metabolic profile and facilitate clinical applications.
Introduction
The introduction of the research paper discusses Down syndrome (DS), a genetic disorder resulting from trisomy of chromosome 21, characterized by intellectual disability, distinctive facial features, and various secondary health conditions. With an incidence of approximately one in 700 live births globally, DS is the most prevalent chromosomal abnormality. Recent metabolomic studies have significantly advanced the understanding of the molecular mechanisms underlying DS, identifying potential biomarkers and elucidating metabolic alterations that may inform early diagnosis and treatment strategies. Key findings indicate abnormalities in oxidative stress responses, lipid metabolism, and amino acid pathways, which are linked to neurological symptoms and increased risks of conditions such as early-onset Alzheimer’s disease and cardiovascular issues.
The paper highlights the complexity of DS pathogenesis, emphasizing that traditional statistical methods have limitations in identifying biomarkers due to the intricate nature of metabolic networks. In response, the research proposes the use of machine learning (ML) techniques to integrate multi-omics data, enhancing the discovery of biomarkers and improving diagnostic accuracy. Algorithms such as KTBoost and XGBoost have shown promise in analyzing complex metabolic profiles, facilitating the identification of novel biomarkers specific to DS. The integration of extensive metabolomic analysis with explainable artificial intelligence (XAI) solutions aims to bridge existing gaps in the literature and advance clinical applications for DS diagnosis and management.
Methods
The methodology of this study adheres to the STROBE (Strengthening the Reporting of Observational Studies in Epidemiology) guidelines, ensuring a systematic approach to the research design and reporting. The section outlines the materials and methods utilized in the study, detailing the specific procedures and protocols followed to maintain rigor and reproducibility.
By aligning with the STROBE framework, the study emphasizes transparency in its methodology, which is crucial for the credibility of observational research. This adherence not only facilitates the evaluation of the study’s findings but also enhances the potential for replication in future research endeavors.
Results
The results of the study reveal significant differences in metabolite levels between the T21 (Down syndrome) and D21 (control) groups. A total of 14 metabolites, including Vitamin C, taurolithocholic acid, and prostaglandin A2/B2/J2, were found to be downregulated in the T21 group, with the most notable decreases being observed for taurolithocholic acid (1.49-fold), sphingosine (1.64-fold), and prostaglandin A2/B2/J2 (4.36-fold). Conversely, several metabolites such as thymidine, tauroursodeoxycholic acid, and arginine were significantly upregulated in the T21 group, with thymidine showing a remarkable 12.282-fold increase. The volcano plot and PLS-DA model VIP plot further illustrate these findings, highlighting the metabolites’ roles in classification performance.
The machine learning analysis indicated that the KTBoost model outperformed other models, achieving the highest accuracy (90.4%), F1 score (93.1%), and AUC (95.9%). The model’s performance was statistically significant compared to others, particularly in distinguishing T21 from D21. The confusion matrix and ROC curves confirmed the model’s efficacy, with KTBoost effectively recognizing complex metabolic patterns. Additionally, the SHAP analysis identified key metabolites such as L-Citrulline and Kynurenin as potential biomarkers for T21, emphasizing their importance in the classification task. Overall, the study underscores the potential of specific metabolites as biomarkers for Down syndrome and the effectiveness of machine learning approaches in metabolic profiling.
Discussion
In this study, a comprehensive metabolomics analysis was conducted to explore metabolic differences between individuals with Down syndrome (T21) and healthy controls (D21), utilizing various machine learning (ML) classifiers integrated with explainable artificial intelligence (XAI). The findings revealed significant metabolic alterations, including the downregulation of metabolites such as vitamin C and taurolithocholic acid, and the upregulation of thymidine and arginine in the T21 group. These changes suggest potential disruptions in metabolic pathways associated with oxidative stress, gastrointestinal issues, and neurological functions, aligning with previous research on metabolic disturbances in Down syndrome.
Among the ML classifiers employed, KTBoost demonstrated the highest performance metrics, achieving an accuracy of 90.4% and an area under the curve (AUC) of 95.9%. The study utilized SHapley Additive exPlanations (SHAP) to enhance model interpretability, identifying key metabolites such as L-Citrulline and Kynurenine as significant biomarkers for distinguishing T21 from D21. These metabolites are linked to critical biological processes, including nitric oxide signaling and inflammatory pathways, which may contribute to the clinical manifestations observed in Down syndrome. The integration of XAI with metabolomics not only improves diagnostic accuracy but also provides insights into the underlying pathophysiology, paving the way for potential therapeutic interventions targeting metabolic dysregulations in Down syndrome. Future research should focus on longitudinal studies to validate these findings and explore personalized treatment strategies based on identified biomarkers.