بیماری پارکینسون (PD) دومین بیماری شایع تخریب سلول های عصبی مغز است. پیش بینی می شود در 20 سال آینده تعداد این بیماران در سراسر جهان دو برابر شود.
مکانیسم های سلولی و مولکولی که زمینه ساز پاتوژنز آن می باشند، هنوز نامشخص هستند، گرچه شواهد اخیر نشانگر نقش اختلال عملکرد میتوکندری در شروع بیماری است.
میتوکندری – زیرواحدهای کوچک سلولی که در متابولیسم سلول و تولید انرژی نقش دارند – به طور مداوم و به صورت پویا با یکدیگر در تعامل هستند و شبکه هایی را تغییر می دهند که به عنوان شبکه های متقابل میتوکندری (MINS) شناخته می شوند.
بنابراین محققان در تلاشند تا ارتباط بین اختلالات میتوکندری مشاهده شده در بیماری پارکینسون و هر گونه تغییر در شبکه های متقابل میتوکندری MINS، با هدف تشخیص زودرس و طبقه بندی بیماران پارکینسون را درک کنند.
دکتر فنگ هه، مدیر گروه بیولوژی سیستم های ایمنی، توضیح می دهد:”از آنجا که تجزیه و تحلیل متداول با تمرکز بر میتوکندری ها، بینش رضایت بخشی از بیماری زایی پارکینسون فراهم نکرده است، کار ما با بررسی شبکه های متقابل بین این اندامک ها، یک گام به جلو پیش رفته است“.
دانشمندان با بهره گیری از مهارت کافی در تجزیه و تحلیل شبکه و یادگیری ماشین، یک مجموعه داده بزرگ 700 گیگابایتی از تصاویر میتوکندریایی سه بعدی از سلولهای عصبی روده بزرگ را که از بیماران پارکینسون و افراد سالم و سلولهای عصبی دوپامینرژیک، تجزیه و تحلیل کردند.
آنها دریافتند که ویژگی های خاص ساختار شبکه در شبکه های متقابل میتوکندری MINS بیماران پارکینسون نسبت به گروه کنترل تغییر کرده است. به عنوان مثال، در بیماران پارکینسون، میتوکندری شبکه های فرعی متصلی را ایجاد کرده که به طور کلی بزرگتر از افراد سالم بود.
در راستای این نتیجه، کارایی انتقال و توزیع انرژی و اطلاعات در میان میتوکندری های مختلف در بیماران مبتلا به پارکینسون به طور قابل توجهی کمتر از گروه کنترل بود.”
الگوهای مختلف توپولوژیکی در شبکه های متقابل میتوکندری MINS ممکن است به این معنی باشد که انرژی و اطلاعات احتمالاً در میتوکندری بیماران پارکینسون نسبت به گروه سالم، تولید شده، به اشتراک گذاشته شده و توزیع می شود، که نشان می دهد آنها با آسیب میتوکندری، کمبودها و ایجاد اختلالات تخریب عصبی در ارتباط هستند.”
علاوه بر این، تیم تحقیقاتی دریافتند که این الگوهای مختلف MIN بسیار با نمره بالینی پارکینسون که معمولاً در بیماران استفاده می شود، یعنی مقیاس رتبه بندی بیماری پارکینسون (UPDRS) ارتباط زیادی دارد.
در واقع، هنگام استفاده از روش یادگیری ماشین برای تجزیه و تحلیل این ویژگی های MIN، محققان مشاهده کردند که استفاده از ترکیبی از این ویژگی های شبکه به تنهایی به آنها اجازه می دهد تا بین بیماران پارکینسون و افراد سالم تشخیص دقیق داشته باشند.
“یافته های ما پتانسیل استفاده از ویژگی های خاص شبکه میتوکندری را به عنوان نشانگرهای زیستی جدید جهت تشخیص زودهنگام و طبقه بندی بیماران پارکینسون نشان می دهد، که ممکن است به توسعه یک شاخص سلامت جدید کمک کند.
به عنوان یک گام بعدی، ما بررسی خواهیم کرد که چگونه نتایج ما برای درک بیماریهای مختلف تخریب عصبی دیگر که با اختلال در تنظیم میتوکندری مانند بیماری هانتینگتون و آلزایمر شناخته می شود، می تواند دیدگاه های جدیدی ارائه دهد و کار ما را به عنوان نمونه واقعی از تحقیقات تبدیل می کند.”
“این مطالعه همچنین گام بزرگی به جلو در استفاده از تکنیک های پیشرفته یادگیری ماشین برای کشف تعاملات شبکه پیچیده اندامک های سلولی جهت طبقه بندی بیماری ها محسوب می شود. در واقع، تجزیه و تحلیل داده ها و فن آوری های دیجیتالی نوآورانه یک اولویت اصلی در بسیاری از بخش ها می باشد.”
برای اطلاعات بیشتر به مؤسسه سلامت مغز دانا مراجعه کنید.
منبع:
Massimiliano Zanin et al, Mitochondria interaction networks show altered topological patterns in Parkinson’s disease, npj Systems Biology and Applications (2020). DOI: 10.1038/s41540-020-00156-4