Op machine learning gebaseerde voorspellende modellen en subtypering in perifeer bloed van schizofrenie op basis van een machine learning computationeel kader

Waarom bloed kan helpen een complexe geestesstoornis te ontcijferen

Schizofrenie is een ernstige psychische aandoening die denken, emoties en het dagelijks leven kan verstoren, maar artsen vertrouwen nog grotendeels op gedragsobservatie voor de diagnose. Deze studie stelt een eenvoudige maar krachtige vraag: kan een gewoon bloedmonster verborgen biologische patronen blootleggen die helpen schizofrenie eerder op te sporen en patiënten in beter afgestemde behandelgroepen te classificeren?

Op zoek naar aanwijzingen in een buisje bloed

De onderzoekers begonnen met het verzamelen van verschillende reeds bestaande datasets waarin bloed van mensen met schizofrenie en gezonde vrijwilligers al was geanalyseerd op genactiviteit. Elk gen kan worden gezien als een klein schakelaartje dat aan- of uitgezet kan worden. Door duizenden van deze schakelaartjes uit vijf afzonderlijke studies te combineren en technische verschillen te corrigeren, creëerde het team een groots, uniform overzicht van genactiviteit in perifeer bloed. Vervolgens zochten ze naar genen die consequent anders gedroegen bij patiënten vergeleken met controles, met de focus op genen die verband houden met ontsteking, immuunresponsen en hoe cellen vetten en andere moleculen verwerken.

Computers leren een verborgen handtekening te herkennen

Aangezien geen mens gemakkelijk bruikbare patronen over zoveel genen tegelijk kan zien, wendde het team zich tot machine learning, een tak van de informatica waarmee algoritmen van gegevens kunnen leren. Ze testten 12 verschillende machine learning-methoden en vele manieren om deze te combineren, en kozen uiteindelijk een combinatie die de meest informatieve genen selecteerde en daar vervolgens een classifier omheen bouwde. Dit proces leidde tot een compacte set van 16 genen waarvan het gecombineerde activiteitsprofiel betrouwbaar patiënten met schizofrenie kon onderscheiden van gezonde proefpersonen over acht verschillende datasets. De auteurs zetten deze 16-genen "handtekening" vervolgens om in een grafisch scoringsinstrument, een zogenoemde nomogram, dat in principe clinici kan helpen de waarschijnlijkheid te schatten dat een bepaald bloedmonster van iemand met schizofrenie afkomstig is.

Wat de sleutelgenen over het lichaam zeggen

De 16 genen die door het model werden uitgelicht, zijn niet willekeurig. Veel daarvan zijn verbonden met het immuunsysteem, stressresponsen in cellen en de wijze waarop het lichaam vetten en signaalmoleculen verwerkt. Eén gen in het bijzonder, AZI2 genoemd, viel op als centraal in de handtekening. De activiteit ervan hing sterk samen met routes die ontsteking en het gedrag van immuuncellen reguleren, en met hoe cellen reageren op signalen die hen aanzetten tot groei, deling of celdood. Toen het team patronen van afgeleide immuuncellen uit de bloeddata bekeek, vonden ze verschuivingen in meerdere typen witte bloedcellen bij schizofrenie, wat een beeld ondersteunt waarin het immuunsysteem persistent veranderd is bij de aandoening.

Twee biologische varianten van dezelfde diagnose

Het hebben van een diagnostische handtekening is nuttig, maar schizofrenie staat bekend om zijn grote variatie van persoon tot persoon. Om deze diversiteit te onderzoeken, gebruikten de onderzoekers onbewaakte clusteringsmethoden, die monsters groeperen op basis van overeenkomsten zonder te weten wie patiënt is of wat iemands symptomen zijn. Deze methoden splitsten de schizofreniegroep in twee hoofdsubtypen op basis van bloed en vervolgens in fijnere subgroepen. Het ene patroon was sterker verbonden met veranderingen in de stofwisseling, zoals hoe cellen energie en vetten gebruiken, terwijl het andere meer gekoppeld was aan ontsteking en immuunactiviteit. De groepen verschilden ook in sets eiwitten en genroutes gerelateerd aan bloedstolling, signalering in de hersenen en reacties op infectie, wat suggereert dat patiënten met hetzelfde klinische label in feite verschillende onderliggende biologie kunnen hebben.

Wat dit kan betekenen voor toekomstige zorg

Samengevat suggereert dit werk dat een klein panel van genen, gemeten uit een eenvoudige bloedafname, kan helpen bij de ondersteuning van een schizofreniediagnose en, wellicht nog belangrijker, biologisch verschillende subtypen van de ziekte kan onthullen. Hoewel verder onderzoek in grotere, zorgvuldig gevolgde patiëntengroepen nodig is voordat dergelijke hulpmiddelen in de kliniek kunnen worden gebruikt, biedt de studie een routekaart naar meer gepersonaliseerde psychiatrie, waarin behandelbeslissingen niet alleen worden geleid door symptomen maar ook door de moleculaire signalen van het lichaam.

Bronvermelding: Li, Z., Sun, Q., Li, H. et al. Machine learning-based predictive models and subtypes patterns in peripheral blood of schizophrenia based on a machine learning computational framework. Schizophr 12, 46 (2026). https://doi.org/10.1038/s41537-026-00744-z

Trefwoorden: schizofrenie, bloedbiomarkers, machine learning, genexpressie, immuunsysteem