یافته های مطالعه، 6 بیماری عصبی مولد علائم سلولی مشترک و منحصر به فرد دارند.

یک مطالعه نشان داد که چندین بیماری تخریب کننده عصبی فرآیندهای سلولی ناکارآمد مشترک و منحصر به فردی دارند.

شش بیماری نورودژنراتیو که این اشتراک را نشان دادند، عبارتند از: اسکلروز جانبی آمیوتروفیک یا بیماری لو گهریگ، بیماری آلزایمر، آتاکسی فریدریش، زوال عقل فرونتومپورال، بیماری هانتینگتون، و بیماری پارکینسون.

برای مطالعه، منتشر شده در آلزایمر و زوال عقل: مجله انجمن آلزایمر، محققان آنالیز یادگیری ماشینی RNA از نمونه‌های خون را به کار گرفتند. نمونه های خون از یک پایگاه داده در دسترس عموم به نام Gene Expression Omnibus گرفته شد. سپس تیم تحقیقاتی چندین بیماری را برای شناسایی نشانگرهای RNA که در چندین بیماری تخریب کننده عصبی و آنهایی که برای هر اختلال منحصر به فرد هستند، مقایسه کردند.

این مطالعه هشت نقطه مشترک را در شش بیماری تخریب کننده عصبی پیدا کرد. اینها عبارتند از: تنظیم رونویسی، دگرانولاسیون (مرتبط با فرآیند التهاب)، پاسخ ایمنی، سنتز پروتئین، مرگ یا آپوپتوز سلولی، اجزای اسکلت سلولی، یوبیکوئیتیلاسیون/پروتئازوم (بخشی از تخریب پروتئین)، و کمپلکس های میتوکندریایی (نظارت بر مصرف انرژی در سلول ها)، اخبارپزشکی.

این هشت اختلال عملکرد سلولی با آسیب شناسی های قابل شناسایی در مغز برای هر بیماری مرتبط است. علاوه بر این هشت مورد، این مطالعه همچنین نشانگرهای منحصر به فردی را برای هر بیماری پیدا کرد.

به عنوان مثال، رونوشت های مربوط به فرآیندی به نام تنظیم اسپلایسئوزوم فقط در مورد بیماری آلزایمر شناسایی شدند.

به نظر می‌رسد که چندین بیماری تخریب‌کننده عصبی، فرآیندهای سلولی ناکارآمد بنیادی مشابهی را در خود جای داده‌اند. کارول هوسبی، نویسنده اول این مطالعه، محقق مرکز تحقیقات بیماری‌های عصبی ASU-Banner، گفت: تفاوت بین بیماری‌ها ممکن است برای کشف آسیب‌پذیری‌های نوع سلولی منطقه‌ای و اهداف درمانی برای هر بیماری کلیدی باشد.

READ  مقابله با سن در مراقبت های بهداشتی: گفتگو برای بیماران، مراقبان و پزشکان

بر اساس گزارش سازمان ملل متحد، تعداد مرگ و میر جهانی از همه بیماری‌های عصبی در مجموع ممکن است یک میلیارد نفر باشد.

در این زمینه، نیاز به روش‌های جدید تشخیص زودهنگام، درمان‌های بهتر و حتی روش‌های پیشگیری بسیار زیاد است.

رونوشت‌های RNA استخراج‌شده از خون به الگوریتم یادگیری ماشینی معروف به جنگل تصادفی داده می‌شود، که سپس داده‌ها را تجزیه و تحلیل کرده و نتایج را با الگوهای شناخته‌شده مرتبط با مسیرهای بیولوژیکی مرتبط با بیماری مقایسه می‌کند.

سایر اشکال معمول آزمایش اغلب با جزئیات کمتر، پرهزینه، تهاجمی و کار فشرده هستند. در مقابل، تشخیص از طریق خون کامل یک جایگزین کم هزینه است. در تمام مراحل زندگی به راحتی می توان آن را در بیماران جمع آوری کرد.

علاوه بر این، تغییرات در نتیجه خون را می توان ردیابی کرد که می تواند به ردیابی پیشرفت بیماری کمک کند.

این مطالعه این احتمال را باز می کند که تغییرات RNA رایج در چندین بیماری ممکن است بعداً به بیماری های عصبی فردی تبدیل شود. با این حال، مکانیسم پشت این پدیده همچنان یک راز باقی مانده است.