تشخیص افتراقی اختلال دوقطبی و افسردگی اساسی با ویژگیهای ملانکولیک میتواند دشوار باشد؛ نشانههای این دو اختلال همپوشانی دارند و نشانگر زیستی تثبیتشدهای برای تفکیک آنها وجود ندارد. مطالعهای تازه در Journal of Affective Disorders بررسی کرده است که آیا ترکیب پروتئینهای پلاسما با یادگیری ماشین میتواند این دو گروه را از هم جدا کند. بهترین مدل در نمونهٔ کوچک پژوهش AUC برابر ۰٫۹۰۵ داشت؛ عددی امیدوارکننده که هنوز به معنی آماده بودن آزمون برای تشخیص بالینی نیست.
پژوهش شامل ۶۷ نفر بود: ۲۳ نفر با اختلال دوقطبی، ۲۰ نفر با افسردگی اساسیِ دارای ویژگیهای ملانکولیک و ۲۴ فرد سالم. پژوهشگران بیان پروتئینهای پلاسما را با پنل عصبی Olink Target 96 و روش Proximity Extension Assay یا PEA سنجیدند. سپس پنج الگوریتم یادگیری ماشین را برای سه مسئلهٔ طبقهبندی آزمودند: دوقطبی در برابر افسردگی، دوقطبی در برابر گروه سالم و افسردگی در برابر گروه سالم.
تحلیل پروتئومیک ۲۱ پروتئین با بیان متفاوت میان گروه دوقطبی و افسردگی، ۱۸ پروتئین میان دوقطبی و گروه سالم، و هفت پروتئین میان افسردگی و گروه سالم شناسایی کرد. پژوهشگران مدلها را با سه مجموعه ویژگی آموزش دادند: همهٔ پروتئینها، ۲۰ پروتئین با بیشترین اطلاعات و پنج پروتئین منتخب.
برای تفکیک دوقطبی از افسردگی ملانکولیک، الگوریتم جنگل تصادفی با پنج پروتئین LXN، HAGH، MATN3، PLXNB1 و CTSC بهترین عملکرد را داشت و به AUC برابر ۰٫۹۰۵ رسید. AUC نشان میدهد مدل تا چه اندازه میتواند دو گروه را از هم رتبهبندی کند؛ این شاخص با دقت تشخیص در یک درمانگاه واقعی یا اثبات وجود یک نشانگر اختصاصی یکسان نیست. تحلیل اهمیت ویژگیها نیز به پروتئینهای مرتبط با فرایندهای رشد عصبی، تنظیم ایمنی و سازماندهی ماتریکس خارجسلولی اشاره کرد.
محدودیت اصلی، اندازهٔ بسیار کوچک گروههاست. وقتی تنها ۲۰ بیمار افسرده و ۲۳ بیمار دوقطبی در تحلیل وجود دارند، انتخاب چند پروتئین و یک الگوریتم برتر میتواند به ویژگیهای همین نمونه حساس باشد. برای تبدیل این نتیجه به ابزار بالینی، باید همان امضا در گروههای بزرگتر، مستقل و متنوع تکرار شود و مشخص شود که در موقعیت واقعی، در کنار مصاحبه و سابقهٔ بالینی، چه ارزش افزودهای دارد.
پس خبر اصلی کشف «آزمایش خون تشخیصی» نیست. این مطالعه یک مسیر پژوهشی را نشان میدهد: استفاده از یادگیری ماشین برای یافتن الگو در دادههای پروتئومیکِ پیچیده. نتیجه میتواند به پژوهش روانپزشکی دقیق کمک کند، اما فاصلهٔ آن تا تصمیمگیری روزمره برای مراجعان همچنان زیاد است.
منبع: Karacicek B, Ozturk B, Arioz BI, et al. Machine learning-assisted plasma PEA proteomics enables differential diagnosis of melancholic depression and bipolar disorder. Journal of Affective Disorders. انتشار آنلاین: ۹ سپتامبر ۲۰۲۶. رکورد PubMed.
