חיזוי מחלת האלצהיימר באמצעות למידה עמוקה ובחירת תכונות ברה-יונות מבוססת XAI מנתוני ביטוי גנים בדם

מדוע מחקר זה חשוב

מחלת האלצהיימר גורעת לאט לאט מזיכרון האנשים ומעצמאותם, ובכל זאת הבדיקות המדויקות ביותר כיום דורשות לעתים סריקות מוח או ניקורי שדרה היקרים, פולשניים וקשים לחזרה. מחקר זה חוקר אלטרנטיבה שפחות פולשנית: שימוש בדיקת דם פשוטה ובניתוח ממוחשב מתקדם כדי לזהות דפוסים בפעילות גנים המצביעים על אלצהיימר, ובכך לפתח אבחון מוקדם ונגיש יותר.

בדיקת דם במקום סריקת מוח

המחברים מתמקדים בשינויים קטנים באופן שבו גנים נדלקים או כבים בתאי הדם. שבבים מודרניים במעבדה יכולים למדוד את פעילותם של אלפי גנים בבת אחת, ולייצר טבלת מספרים עצומה לכל אדם. האתגר הוא שיש הרבה מדידות גנים יותר ממספר המטופלים, מה שעלול להטעות בקלות מודלים ממוחשבים. כדי להתגבר על כך, החוקרים שילבו שלוש קבוצות נתונים ציבוריות גדולות של דגימות דם מאנשים עם אלצהיימר ומתרומות בריאות, ובנו משאב משולב עם מעל שנים-עשר אלף גנים משותפים שנמדדו במאות פרטים.

ללמד מחשבים לזהות סימני אזהרה מפתח

במקום לבקש מהאלגוריתם לעבד את כל שנים-עשר אלף הגנים, הקבוצה לימדה אותו תחילה לבחור קבוצה קטנה יותר של גנים בעלי מידע רב במיוחד. הם השוו מספר שיטות לביצוע זה, כולל בדיקות סטטיסטיות פשוטות, שיטות שמסירות גנים פחות שימושיים שלב אחר שלב, ושיטות שמבנות את הבחירה ישירות לתוך המודל. כלי 'בחירת התכונות' הללו צמצמו את הרשימה למאות או מעט יותר מאלף גנים שהבדילו בצורה הטובה ביותר בין מטופלים לבין קבוצות ביקורת בריאות. מערכי הגנים המצומצמים עזרו למנוע מהמודלים לזכור רעש ושיפרו את ביצועיהם על נתונים שלא נראו קודם.

להבין את תיבת השחורה

כדי להימנע מאמון עיוור בתחזית של תיבת שחורה, השתמשו החוקרים בטכניקות של בינה מלאכותית ברה-יונות כדי להבין אילו גנים חשובים וכיצד הם משפיעים על כל החלטה. שיטה בשם SHAP, שאולה מתורת המשחקים, מתייגת את התרומה של כל גן לתוצאה הסופית עבור כל אדם. באמצעות יישום השיטה על המודלים בעלי הביצועים הטובים ביותר, המחברים הדגימו קבוצת ליבה של גנים שבה דפוסי הפעילות נטו בעקביות לכיוון סיווג של אלצהיימר או בריאות. רבים מהגנים הללו כבר נקשרו לבריאות המוח או לתפקוד המערכת החיסונית, מה שמעניק אמינות ביולוגית לפעולת המודל הפנימית.

הגברת הכוח עם מטופלים סינתטיים

אפילו לאחר מיזוג קבוצות הנתונים, מספר דגימות הדם האמיות נותר מתון. כדי לחזק את המודלים שלהם, המחברים אימנו סוג מיוחד של רשת עצבית, הנקראת GAN (רשת מתחרה מייצרת), ליצירת פרופילי גנים סינתטיים ריאליסטיים המזכירים את אלה של מטופלים אמיתיים. דגימות מלאכותיות אלו נוספו רק לנתוני האימון, ולא למבדקי המבחן, כך שבדיקות הביצועים נשארו כנות. עם מאגר אימונים מוגבר זה וגנים שנבחרו בקפידה, רשת עצבית עמוקה הצליחה לזהות מקרי אלצהיימר בדיוק כולל של כ־91% ודייקנות של 95%, כלומר מספר מועט מאוד של אנשים בריאים סווגו בטעות כחולים במחלה.

מה משמעות הממצאים עבור המטופלים

עבודה זו מציעה כי בדיקת דם עתידית לאלצהיימר, מונעת על ידי אלגוריתמים חכמים שבוחרים ומסבירים אותות גנים מרכזיים, יכולה להשלים או אפילו להפחית את התלות בסריקות יקרות ובהליכים פולשניים. אף על פי שדרושה עוד ולידציה על קבוצות מטופלים עצמאיות ובהשליטה טוב יותר של הבדלים בין שיטות מעבדה, המחקר מראה כי שילוב מספר מערכי נתונים, קיצוץ מידע שאינו מועיל ופתיחת 'תיבת השחורה' של הבינה המלאכותית יכולים לקרב אותנו לבדיקת דם מעשית וביררת־מחדל לאבחון מוקדם ונוח יותר של אלצהיימר.

ציטוט: Hariharan, J., Jothi, R. Alzheimer’s disease prediction using deep learning and XAI based interpretable feature selection from blood gene expression data. Sci Rep 16, 8022 (2026). https://doi.org/10.1038/s41598-026-35260-8

מילות מפתח: אבחון אלצהיימר, סמנים ביולוגיים בדם, ביטוי גנים, למידה עמוקה, בינה מלאכותית ברה-יונות (Explainable AI)