使用机器学习探索自闭症谱系障碍个体差异的机制

自闭症谱系障碍(ASD)是一种发育障碍，与与他人互动困难，重复行为，兴趣受限和其他可能影响学业或专业表现的症状有关。被诊断患有ASD的人可能会出现不同的症状，这些症状的行为表现和强度都不同。

因此，一些自闭症患者往往比其他人需要更多的支持来完成学业、学习新技能并过上充实的生活。几十年来，神经科学家一直在研究ASD的高度变异性，希望这将有助于根据不同患者的独特经历制定更有效的治疗策略。

威尔康奈尔医学院的研究人员最近使用机器学习来研究可能造成被诊断患有ASD的个体之间这些差异的分子和神经机制。他们的论文发表在《自然神经科学》上，确定了与大脑和症状学中不同功能连接相关的ASD的不同亚群，这可能与不同ASD相关基因的表达有关。

“这项工作是由第一作者Amanda Buch博士发起和领导的后续研究，当时她是由Conor Liston博士领导的实验室的研究生，”该论文的共同资深作者Logan Grosenick博士告诉Medical Xpress。“它直接受到Liston实验室先前工作的启发)，我们引入了新的机器学习(ML)方法来发现抑郁症的不同亚型和生物标志物。

该研究的主要作者Buch博士解释说：“我们研究的一个关键动机是开发ASD疗法的一个重大障碍是诊断标准很宽泛。这意味着ASD诊断描述了具有不同潜在生物学机制的庞大且表型多样化的人群。为了个性化ASD患者的治疗，了解并考虑这种生物多样性非常重要。当每个人都被视为相同时，当他们每个人都是独一无二的时，很难确定最佳疗法。

Buch博士，Grosenick博士，Liston博士及其同事最近工作的主要目标是检查ASD患者行为和大脑连接的差异，并概述该疾病的生物学不同亚型。他们不确定这些亚型是否真的存在，因此他们使用机器学习工具来分析临床数据并搜索可能的重复模式，并在一组独立的自闭症患者中复制了他们的发现。

“如果存在这样的亚型，我们接下来想看看它们在大脑连接方面的差异是否可能与整个大脑基因表达的差异有关，以及可能涉及哪些蛋白质网络，”Grosenick博士说。

为了进行他们的研究，研究人员依赖于两个公开可用的数据集，其中包含有关被诊断患有ASD的不同个体的行为信息，以及功能性磁共振成像(fMRI)扫描和其他与大脑相关的数据。他们还使用了艾伦人脑图谱和其他过去研究工作收集的基因表达数据。

“使用机器学习，我们发现了ASD背后的可重复的大脑行为维度，并且ASD个体在这个空间中分为四个亚组，”Grosenick博士解释说。“有趣的是，与非ASD对照组不同的大脑连接在每个亚组中都非常不同，这种连接可以通过不同的基因表达模式和个体之间的蛋白质 - 蛋白质相互作用网络来解释。至关重要的是，这些亚组在另一项研究的数据以及生物医学文献的独立文本挖掘分析中得到了有力的复制。

总体而言，该研究小组收集的结果表明，ASD存在不同的健壮亚型，每种亚型都与不同的分子信号通路和神经连接模式有关。到目前为止，研究小组确定了ASD的四个亚组，但进一步的研究可能会揭示更多的亚组。

在未来，这项最近的工作可以提高目前对ASD的理解，同时也有可能指导针对其发现的不同临床亚组的疗法的开发。与此同时，Buch博士，Grosenick博士，Liston博士和他们的同事计划继续在这一领域进行研究，希望更好地了解他们发现的特征模式。

“从技术上讲，机器学习方法为未来将基因，大脑连接和精神病学行为联系起来的研究提供了一个模板，”Grosenick博士补充道。“我们现在计划将这项工作扩展到正在出现的更大，更丰富的ASD数据集(以及其他异质精神病学诊断)，我们正在积极研究改进的ML方法，用于个性化精神病学和这种亚型。

Buch博士对此表示同意并指出：“我们希望我们的方法有朝一日能够为ASD患者提供新的个性化诊断和靶向治疗方法，以及其他神经精神诊断的新方法。