การแบ่งกลุ่มย่อยตามลักษณะทางคลินิกรูปแบบใหม่โดยอาศัยปัญญาประดิษฐ์ ร่วมกับการวิเคราะห์โอมิกส์แบบบูรณาการหลายระดับ เพื่อระบุกลุ่มตัวแทนสารบ่งชี้ทางชีวภาพสำหรับภาวะออทิซึมสเปกตรัม

Abstract

โรคออทิซึมสเปกตรัมเป็นความผิดปกติเกี่ยวกับพัฒนาการในช่วงเริ่มแรกของระบบประสาทและสมองซึ่งมีอาการทางคลินิกที่หลากหลายมาก ปัจจุบันยังไม่มีสารบ่งชี้เพื่อช่วยในการวินิจฉัยและแบ่งผู้ป่วยเป็นกลุ่มย่อย แต่การวินิจฉัยที่รวดเร็วเป็นสิ่งสำคัญที่จะช่วยให้ผู้ป่วยออทิซึมสเปกตรัมสามารถได้รับการเรียนรู้และพัฒนาพฤติกรรมที่จำเป็นในการดำรงชีวิตได้ การวินิจฉัยโรคออทิซึมสเปกตรัมตามมาตรฐานสากลใช้แบบสอบถามที่มีความซับซ้อนและใช้เวลามาก ซึ่งในปัจจุบันมีการนำเอาเทคโนโลยีปัญญาประดิษฐ์มาประยุกต์ใช้ในการวิเคราะห์ข้อมูลขนาดใหญ่ที่มีความซับซ้อน อย่างไรก็ตามการนำเอาปัญญาประดิษฐ์มาใช้วิเคราะห์อาการทางคลินิกของผู้ป่วยออทิซึมสเปกตรัมยังไม่แพร่หลายนัก ในการศึกษานี้ผู้วิจัยต้องการนำเอาปัญญาประดิษฐ์มาใช้แบ่งผู้ป่วยออทิซึมสเปกตรัมจำนวน 85 ราย ออกเป็นกลุ่มย่อยตามอาการทางคลินิกจากข้อมูลแบบทดสอบในการวินิจฉัยผู้ป่วยออทิซึมสเปกตรัม ADI-R จำนวน 123 ข้อ จากนั้นได้ทำการสร้างโมเดลในการจัดกลุ่มและเปรียบเทียบประสิทธิภาพรวมถึงจำนวนข้อคำถามที่ใช้ในแต่ละโมเดล นอกจากนี้ผู้วิจัยได้ศึกษาหาสารบ่งชี้ทางชีวภาพที่เป็นตัวแทนของโรคออทิซึมสเปกตรัมกลุ่มย่อยจากลักษณะอาการทางคลินิกโดยอาศัยการบูรณาการโอมิกส์หลายระดับ จึงได้ดำเนินการวิเคราะห์รูปแบบทรานสคริปโตม และวิเคราะห์รูปแบบโปรตีโอมของผู้ป่วยออทิซึมสเปกตรัมโดยใช้เซลล์เพาะเลี้ยงชนิดลิมโฟบลาสต์เป็นต้นแบบ โดยใช้เทคนิคการแยกโปรตีนด้วยกระแสไฟฟ้า 2 มิติ (2D-GE) จากนั้นจะทำการระบุโปรตีนด้วยเทคนิค LC-MS/MS เพื่อหาโปรตีนที่ถูกรบกวนการทำงานอย่างมีนัยสำคัญ และบูรณาการข้อมูลเพื่อศึกษาความสอดคล้องและสัมพันธ์กันระหว่างการแสดงออกของโปรตีนและยีน และทำการยืนยันระดับการแสดงออกที่ผิดปกติไปของยีนด้วยเทคนิค Real-time qPCR และโปรตีนด้วยเทคนิค Western blot ในการศึกษาครั้งนี้จากผลการวิเคราะห์ข้อมูลลักษณะอาการทางคลินิกของผู้ป่วยออทิซึมสเปกตรัมจากแบบทดสอบ ADI-R 123 ข้อ พบว่าวิธี K-means clustering ที่แบ่งผู้ป่วยออกเป็น 4 กลุ่มย่อยนั้นให้ประสิทธิภาพในการแบ่งดีที่สุด และเมื่อทำการสร้างโมเดลในการจัดกลุ่มผู้ป่วยตามผลการแบ่งกลุ่มดังกล่าว พบว่าอัลกอริทึม Random forest ที่มีจำนวนต้นไม้ 10 ต้น โดยกระบวนการคัดเลือกข้อมูลแบบ Forward selection ให้ผลการทำนายถูกต้องมากที่สุด (100%) โดยใช้ข้อคำถาม ADI-R เพียง 5 ข้อ ในการแบ่งผู้ป่วยออกเป็นกลุ่มย่อย และจากการวิเคราะห์รูปแบบโปรตีโอมจากเซลล์เพาะเลี้ยงชนิดลิมโฟบลาสต์ของผู้ป่วยออทิซึมสเปกตรัมและออทิซึมสเปกตรัมกลุ่มย่อยด้วยเทคนิค 2D-GE ผู้วิจัยได้ทำการคัดเลือกจุดโปรตีนที่มีการแสดงออกผิดปกติอย่างมีนัยสำคัญและมีค่าสัดส่วนความเข้มแตกต่างกันอย่างน้อยสองเท่ามา 19 จุด เพื่อทำการระบุชนิดของโปรตีนด้วยเทคนิค LC-MS/MS โดยพบว่าจากโปรตีนทั้งหมด HNRNPA2B1 มีระดับการแสดงออกเพิ่มขึ้นในผู้ป่วยออทิซึมสเปกตรัมกลุ่มย่อยที่ไม่มีความผิดปกติด้านภาษารุนแรง โดยที่โปรตีน HNRNPA2B1 MDH2 DLD และ MSN มีระดับการแสดงออกลดลงในผู้ป่วยออทิซึมสเปกตรัมกลุ่มย่อยที่มีความผิดปกติด้านภาษารุนแรง ดังนั้นจากการศึกษาวิจัยในครั้งนี้ได้แสดงให้เห็นว่าการใช้เทคโนโลยีปัญญาประดิษฐ์ในการแบ่งผู้ป่วยออทิซึมสเปกตรัมออกเป็นกลุ่มย่อยตามลักษณะอาการทางคลินิกนั้น สามารถลดความหลากหลายตามลักษณะอาการที่แสดงออกของโรคออทิซึมสเปกตรัมในการวิเคราะห์รูปแบบทรานสคริปโตมและโปรตีโอม รวมถึงการค้นหาโปรตีนที่จำเพาะต่อผู้ป่วยออทิซึมสเปกตรัมกลุ่มย่อย ได้อย่างมีประสิทธิภาพมากขึ้น ซึ่งโปรตีนเหล่านี้อาจใช้เป็นโปรตีนบ่งชี้ในการศึกษาเชิงลึกในประชากรผู้ป่วย เพื่อพัฒนาเป็นสารบ่งชีทางชีวภาพ (Biomarker) หรือศึกษากลไกพยาธิสภาพในระดับชีวโมเลกุลของโรคออทิซึมสเปกตรัมได้ต่อไปในอนาคต