آیا یک بیماری واقعی به نام «خستگی مزمن» داریم؟

این یافته ها که به دلیل شباهت ME/CFS با کووید طولانی می تواند به آن نیز مرتبط باشد، از تحلیل داده های ۲۴۹ فرد به دست آمده است. این داده ها با استفاده از یک پلتفرم هوش مصنوعی جدید تحلیل شده اند که زیست نشانگرهای بیماری را از نمونه های مدفوع، خون و دیگر آزمایش های معمول آزمایشگاهی شناسایی می کند.

دکتر دریا اونوتماز، استاد ایمونولوژی در آزمایشگاه جکسون و یکی از نویسندگان این مطالعه، می گوید: "تحقیق ما با دقت ۹۰ درصد افراد مبتلا به سندرم خستگی مزمن را تشخیص داد. این موضوع بسیار مهم است، زیرا در حال حاضر پزشکان زیست نشانگر قابل اعتمادی برای تشخیص این بیماری ندارند. برخی پزشکان به دلیل نبود نشانگرهای آزمایشگاهی واضح، در واقعی بودن آن به عنوان یک بیماری تردید دارند و گاهی آن را به عوامل روان شناختی نسبت می دهند."

جزئیات بیشتر درباره تحقیق و یافته ها

این پژوهش به رهبری جولیا اوه، میکروبیولوژیست و استاد دانشگاه دوک، با همکاری متخصصان ME/CFS از مرکز بیتمن هورن انجام شده است. جزئیات کامل این تحقیق در مجله Nature Medicine منتشر شده است.

سندرم خستگی مزمن با علائم شدیدی مانند خستگی مداوم، اختلالات خواب، سرگیجه و درد مزمن مشخص می شود که فعالیت های جسمی و ذهنی فرد را به شدت مختل می کند.

کارشناسان اغلب ME/CFS را با کووید طولانی مقایسه می کنند، زیرا هر دو بیماری معمولاً پس از عفونت های ویروسی مانند ویروس اپشتین-بار ایجاد می شوند.

بر اساس گزارش مراکز کنترل و پیشگیری از بیماری آمریکا، در این کشور بین ۸۳۶۰۰۰ تا ۳.۳ میلیون نفر به ME/CFS مبتلا هستند که بسیاری از آنها تشخیص داده نشده اند. این بیماری سالانه بین ۱۸ تا ۵۱ میلیارد دلار به اقتصاد آمریکا به دلیل هزینه های درمانی و کاهش بهره وری آسیب می زند.

به گفته دکتر اونوتماز، تحقیقات قبلی نیز اختلالات ایمنی در ME/CFS را نشان داده بودند. اما این مطالعه جدید با بررسی تعاملات بین میکروبیوم روده، متابولیت های آن و پاسخ های ایمنی، به یافته های قبلی عمق بیشتری بخشیده است. تیم تحقیق توانست این ارتباطات را به ۱۲ دسته از علائم گزارش شده توسط بیماران پیوند دهد.

نقش هوش مصنوعی در تحلیل داده ها

به گفته دکتر اوه، ما علائم بالینی را با فناوری های پیشرفته اومیکس ترکیب کردیم تا زیست نشانگرهای جدیدی برای ME/CFS شناسایی کنیم. این نوع پیوند دادن علائم بسیار حیاتی است، زیرا ME/CFS بیماری بسیار متغیری است و بیماران طیف گسترده ای از علائم را با شدت ها و مدت های متفاوت تجربه می کنند که روش های کنونی قادر به درک کامل این پیچیدگی نیستند.

برای انجام این تحقیق، پژوهشگران داده های جامعی را که از مرکز بیتمن هورن جمع آوری شده بود، تجزیه و تحلیل کردند. روئون شیونگ، یکی از نویسندگان اصلی مطالعه، یک مدل شبکه عصبی عمیق به نام BioMapAI طراحی کرد که اطلاعات ژنومیک میکروبیوم، متابولومیک پلاسما، پروفایل سلول های ایمنی، داده های آزمایش خون و علائم بالینی ۱۵۳ بیمار و ۹۶ فرد سالم را طی چهار سال یکپارچه کرد.

این مدل نشان داد که تحلیل سلول های ایمنی در پیش بینی شدت علائم دقیق ترین است، در حالی که داده های میکروبیوم بهترین پیش بینی کننده اختلالات گوارشی، عاطفی و خواب هستند. همچنین مشخص شد بیمارانی که کمتر از چهار سال بیمار بودند، شبکه های بیولوژیکی مختل شده کمتری نسبت به کسانی داشتند که بیش از ده سال از بیماری شان می گذشت.

دکتر اونوتماز در این باره می گوید: "داده های ما نشان می دهد که این اختلالات بیولوژیکی با گذشت زمان عمیق تر می شوند. این بدان معنا نیست که ME/CFS طولانی مدت قابل درمان نیست، اما ممکن است چالش برانگیزتر باشد."

عدم تعادل بیولوژیکی در بیماران

این تحقیق شامل ۹۶ فرد سالم همسن و همجنس بود که تعاملات متعادلی در میکروبیوم-متابولیت-ایمنی خود نشان دادند. در مقابل، بیماران ME/CFS اختلالات قابل توجهی داشتند که با خستگی، درد، مشکلات تنظیم عاطفی و اختلالات خواب مرتبط بود.

بیماران ME/CFS همچنین سطوح پایین تری از بوتیرات (یک اسید چرب مفید در روده) و سایر مواد مغذی ضروری برای متابولیسم و کنترل التهاب داشتند. سطوح بالای تریپتوفان و بنزوات در آنها نیز نشان دهنده عدم تعادل میکروبی بود. همچنین، پاسخ های التهابی شدید، به ویژه در سلول های MAIT که به سلامت میکروبی روده حساس هستند، مشاهده شد.

به گفته دکتر اونوتماز، سلول های MAIT سلامت روده را به عملکردهای ایمنی گسترده تر پیوند می زنند و اختلال در آنها در کنار مسیرهای بوتیرات و تریپتوفان که معمولاً ضدالتهابی هستند، نشان دهنده یک عدم تعادل عمیق است.

مجموعه داده ای قابل استفاده و عملیاتی

به گفته نویسندگان این مطالعه، اگرچه این یافته ها نیاز به تأیید بیشتری دارند، اما درک دانشمندان از سندرم خستگی مزمن (ME/CFS) را به طور قابل توجهی پیش برده و فرضیه های واضح تری برای تحقیقات آینده فراهم می کنند.

به گفته دکتر اوه، از آنجایی که مدل های حیوانی نمی توانند به طور کامل اختلالات پیچیده عصبی، فیزیولوژیکی و ایمنی مشاهده شده در ME/CFS را بازتاب دهند، مطالعه مستقیم روی انسان ها برای شناسایی عوامل قابل تغییر و توسعه درمان های هدفمند حیاتی خواهد بود.

او افزود: "میکروبیوم و متابولوم پویا هستند. این بدان معناست که ممکن است بتوانیم از طریق رژیم غذایی، سبک زندگی یا درمان های هدفمند به روش هایی مداخله کنیم که داده های ژنومی به تنهایی قادر به ارائه آن نیستند."

تأیید نتایج و درک عمیق تر

پلتفرم هوش مصنوعی BioMapAI در مجموعه های داده خارجی نیز به دقتی در حدود ۸۰ درصد دست یافت که زیست نشانگرهای کلیدی شناسایی شده در گروه اصلی را تأیید کرد. به گفته نویسندگان، این ثبات در داده های متنوع بسیار چشمگیر بود.

دکتر اوه توضیح داد: "با وجود روش های مختلف جمع آوری داده، نشانه های مشترک بیماری در اسیدهای چرب، نشانگرهای ایمنی و متابولیت ها پدیدار شدند. این به ما می گوید که این نتایج تصادفی نیستند، بلکه یک اختلال بیولوژیکی واقعی در حال وقوع است."

هدف آینده: پزشکی دقیق

پژوهشگران قصد دارند مجموعه داده های خود را به صورت گسترده از طریق BioMapAI به اشتراک بگذارند. این ابزار از تحلیل علائم و بیماری های متنوع پشتیبانی کرده و داده های مولتی اومیکس را که شبیه سازی آنها در مدل های حیوانی دشوار است، به طور مؤثری یکپارچه می سازد.

دکتر اوه در پایان گفت: "هدف ما این است که یک نقشه دقیق از نحوه تعامل سیستم ایمنی با باکتری های روده و مواد شیمیایی تولیدی آنها بسازیم. با اتصال این نقاط به یکدیگر، می توانیم بفهمیم چه چیزی باعث این بیماری می شود و راه را برای پزشکی واقعاً دقیق که مدت ها دور از دسترس بوده، هموار کنیم."

نویسندگان دیگری که در این مطالعه مشارکت داشتند عبارتند از: الیزابت آیکن، رایان کالدول، لینا کوژایا، و کورتنی گانتر از آزمایشگاه جکسون، و سوزان دی. ورنون و لوسیندا بیتمن از مرکز بیتمن هورن.

تأمین مالی این پژوهش از طریق کمک مالی موسسه ملی سلامت (NIH) به شماره ۱U۵۴NS۱۰۵۵۳۹ انجام شده است.