Uno studio condotto dal CNR in collaborazione con l’Università di Firenze e l’Azienda Ospedaliera Universitaria Careggi, propone un approccio innovativo basato su metodi di apprendimento automatico (machine learning) topologico per supportare l’individuazione della malattia di Alzheimer.
Nel mondo, secondo i dati dell’Organizzazione Mondiale della Sanità (OMS),oltre 55 milioni di persone convivono con la malattia di Alzheimer (AD) e le altre demenze correlateche sono le principali cause di disabilità e non autosufficienza tra le persone anziane, e in crescita su base giornaliera conprevisioni che supereranno entro il 2050 i 150 milioni di casi.
Attualmente, la diagnosi di AD comporta una sequenza di valutazioni neurologiche, ad esempio quelle basate suicriteridelNational Institute of Aging – Alzheimer’s Association. Tuttavia,una diagnosi conclusiva è ottenibile solo postuma attraverso l’analisi del tessuto cerebrale condotta ex vivo. Pertanto, ilmiglioramento della precisione diagnostica richiede metodologie innovative e mirate che dovrebbero anche soddisfare requisiti aggiuntivi, tra cui bassa invasività ed economicità.
Secondo quanto emerge dalloStudio“Harnessing topological machine learning in Raman spectroscopy: Perspectives for Alzheimer’s disease detection via cerebrospinal fluid analysis”, pubblicato sulJournal of the Franklin Institutee condotto dall’Istituto di scienza e tecnologie dell’informazione del Consiglio nazionale delle ricerche di Pisa (CNR-ISTI), in collaborazione con l’Istituto di fisica applicata del CNR di Firenze (CNR-IFAC), l’Università di Firenzee l’Azienda Ospedaliera Universitaria Careggi(Firenze), l’uso di metodi avanzati di machine learning (ML), applicati ai dati dispettroscopia Raman, una tecnica che analizza le interazioni della luce con le molecole del campione, acquisiti su campioni biologici, permette dirilevare alterazioni biochimiche associate alla malattia di Alzheimer, facilitando così un’individuazione più accurata.
L’innovazione principale risiede nell’aver applicato, per la prima volta, un metodo avanzato per l’analisi e la classificazione dei dati di spettroscopia Raman acquisiti da campioni di liquido cerebrospinale, sfruttando tecniche di apprendimento automatico topologico. Questo approcciocombina il machine learning con la topologia computazionale (TML), una branca della matematica che studia la struttura e la forma dei dati, permettendo diidentificare in modo preciso alterazioni biochimiche che possono segnalare la malattia di Alzheimer.
“Dagli spettri Raman vengono estratte caratteristiche di forma (features topologiche), che vengono poi utilizzate per addestrare algoritmi di machine learning capaci di classificare i dati– ha affermatoMaria Antonietta Pascali, ricercatrice del CNR-ISTI e co-autrice dello Studio –L’ottimizzazione del processo consente di selezionare il miglior modello predittivo, aumentando così l’accuratezza nella distinzione tra Alzheimer e altre patologie del sistema nervoso centrale”.
I risultati sono promettenti, infattiil metodo ha dimostrato prestazioni stabili su diversi dataset. “L’accuratezza dell’86% raggiunta nella classificazione dei campioni di liquido cerebrospinale suggerisce un potenziale importante nel riconoscimento dei soggetti Alzheimerha aggiunto Pascali –Con ulteriori perfezionamenti, questa tecnica potrebbe migliorare le capacità diagnostiche e integrarsi nella pratica clinica. Questa metodologia promette di fornire una chiave di lettura efficace non solo per l’Alzheimer, ma potenzialmente anche per altri casi studio. Le evidenze della ricerca fanno sperare che nel prossimo futuro si possa affinare ulteriormente il metodo anche per fornire delle indicazioni aggiuntive riguardo i meccanismi biochimici alla base dell’insorgenza e dell’aggravarsi di questa malattia”.
Lo studio è stato svolto nell’ambito del ProgettoPRAMA(Proteomics, radiomics and machine learning-integrated strategy for precision medicine of Alzheimer’s), finanziato dallaRegione Toscanae condotto daCNR-IFAC,CNR-ISTI,Università di FirenzeeAzienda Ospedaliera Universitaria Careggi, nei laboratori di ricerca coordinati daPaolo Matteini,Davide Moroni,Fabrizio ChitieBenedetta Nacmias.
In copertina: foto di Anna Shvets su Pexels