Parkinson’s Disease (PD) is a complex and heterogeneous neurodegenerative disorder that poses significant challenges for personalized medicine due to its diverse pathological mechanisms and predominantly idiopathic nature. Current treatment approaches fail to address the underlying mechanisms of the disease, partly due to the lack of robust systems for identifying patient-specific mechanisms. In this study, we propose a machine learning-based classifier for PD subtypes, leveraging in vitro cellular models and a label-free imaging technique. By introducing chemically induced perturbations in healthy cortical neurons, we generated reproducible and versatile models of key PD pathological features, including mitochondrial dysfunction, lysosomal dysfunction, and protein aggregation. The transformer-based model achieved an exceptional classification accuracy of 96% during training with these chemical models. Furthermore, validation using patient-derived neurons carrying the SNCA triplication mutation underscores its translational relevance and potential for real-world applications. We establish a powerful drug screening paradigm that enables highly efficient, patient-specific therapeutic development by distinguishing the cellular and molecular underpinnings of the disease in individual patients.
파킨슨병은 복잡하고 이질적인 퇴행성 뇌질환으로, 다양한 병리 기전과 특발성으로 인해 환자 개개인에게 최적화된 맞춤의료 실현에 어려움이 있다. 현행 치료 방법은 질병의 근본적인 기전을 해결하지 못하고 도파민 결핍을 보충하기 위한 일률적이고 제한적인 약물 치료에 머물러 있다. 본 연구에서는 파킨슨병 세포 모델과 비표지 이미지를 이용한 파킨슨병의 하위 유형을 분류하는 인공지능 플랫폼을 제시한다. 건강한 유도만능줄기세포에서 유래한 대뇌피질 신경세포에 파킨슨병의 대표적 병리적 특징을 화학적으로 유도하여 미토콘드리아 기능 장애, 리소좀 기능 장애, 단백질 응집 등의 세포 모델을 만들었으며 이를 트랜스포머 기반 기계학습 시스템을 통해 학습하여 96%의 뛰어난 분류 정확도를 달성했다. 또한, 파킨슨병 환자의 체세포에서 유래한 신경세포에서 그 유전적 변형(SNCA)의 병리적 특성에 맞는 하위 유형으로 분류하는 것을 검증했다. 본 연구를 통해 각 환자의 세포 및 분자 기전을 구분하여 환자 맞춤형 치료 개발을 가능하게 하는 강력한 약물 스크리닝 패러다임을 제시하며, 이를 통해 파킨슨병 환자 각각의 병리적 특성에 최적화된 맞춤의료를 제시할 수 있을 것으로 기대한다.
