Физики Томского госуниверситета вместе с сотрудниками НИИ психического здоровья Томского НИМЦ разработали новый подход к диагностике депрессии; они выявляют характерные биомаркеры в крови и слюне пациентов, которые помогают диагностировать болезнь. Об этом сообщает пресс-служба вуза.
По словам молодого ученого лаборатории лазерного молекулярного имиджинга и машинного обучения ТГУ Алисы Самариновой, сейчас диагностика депрессии построена, в первую очередь, на оценке поведенческих особенностей, которые анализирует врач, однако дифференциация униполярной и биполярной депрессии остается достаточно сложной задачей.
Для своего исследования ученым потребовалось, в первую очередь, найти биологические маркеры, типичные для каждого из типов депрессии, присутствующие уже на ранней стадии заболевания. В частности, биофизики обнаружили специфическое изменение уровня холестерина, гуанина, который очень зависим от деятельности головного мозга, серотонина, фенилананина, участвующего в синтезе тироксина – гормона щитовидной железы и оказывающего стимулирующее действие на центральную нервную систему, а также ряда других химических соединений.
В качестве инструмента для поиска «биометок» ученые используют один из методов спектроскопии – метод комбинационного рассеяния света, позволяющий анализировать химические вещества в пробах слюны или крови, взятых у пациента.
«Этот подход поможет не только своевременно выявлять униполярную и биполярную депрессию, но и контролировать эффективность лечения, оценивать ее в динамике. В настоящее время мы работаем над составлением классификатора, подробным описанием информативных показателей. Чтобы избежать погрешности в диагностике, необходимо выявить не только сами биомаркеры, но и характерные сочетания, свойственные для интересующих нас видов аффективных расстройств», – говорит Алиса Самаринова.
В будущем ученые проведут корреляцию своих данных с результатами, полученными специалистами НИИ с использованием традиционных методов. На завершающем этапе проекта классификатор будет использован для машинного обучения компьютерной модели, что позволит автоматизировать процесс диагностики. Новый подход будет служить вспомогательным инструментом для специалистов в области психиатрии.
