Nat Med:人工智能新技能,协助筛查自闭症
2020/08/14
首次使用最先进的一种AI 算法:图聚类算法,将自闭症的生物医学和临床医疗大数据整合在一起,确定确定了以血脂异常为特征的自闭症亚型。

在中国,6-12岁儿童自闭症发病率为0.7%。据估计,美国每54名儿童中就有1名自闭症患儿。目前,自闭症诊断仅依据症状来诊断,并要与亚斯伯格综合征、待分类的广泛性发展障碍等鉴别。但仅根据临床症状很难将他们区分开。最近的基因组研究表明,自闭症谱系障碍(ASD)的临床异质性与遗传异质性有关。

美国的精确医学提出,“当多个分子指标与常规的临床、组织学和实验室结果相结合时,可帮助我们对疾病进行更精准的描述和分类”。精准医疗可以充分利用数据的多样性,除了生物医学数据的绝对大小之外,可对多种数据模式进行分层,能够识别具病理生理相似的患者亚组。

2020年8月10日,美国哈佛医学院生物医学信息学系Isaac S. Kohane和麻省理工学院计算机科学与人工智能实验室Peter Szolovits课题组研究人员在Nature Medicine在线发表题为A multidimensional precision medicine approach identifies an autism subtype characterized by dyslipidemia的研究性论文。研究人员首次使用最先进的一种AI 算法:图聚类算法,将自闭症的生物医学和临床医疗大数据整合在一起,确定确定了以血脂异常为特征的自闭症亚型


DOI:10.1038/s41591-020-1007-0

首先,研究人员招募了42例ASD患者(23例男性,19例女性),采集了其中26例大脑区域的524个样本,并通过国家精神卫生研究所数据档案馆的国家自闭症研究数据库收集了来自1704个家庭的3531个人的WES数据集。随后,整合其家族完整外显子组序列(WESS)、神经发育表达模式、电子健康记录(EHR)和医疗保健声明的大型数据集。并检查了调节神经发育、性别差异表达、ASD分离的有害突变,来确定遗传的、可能的基因破坏(LGD)变体,即无义突变、移码突变和剪接位点突变,同时严格控制多重假设检验。从而确定了33相关的外显子蔟。


识别ASD分子网络的信息来源

随后,研究人员对这些外显子簇进行功能富集分析,发现了未报道过的分子聚合,即脂质调节。例如,研究低密度脂蛋白受体基因5个外显子(19p13.2)的小簇携带ASD分离的有害突变。预测这些突变会改变低密度脂蛋白、胆固醇和甘油三酯水平。研究人员还检查了80,714名确诊ASD患者中血脂异常的患病率,结果表明ASD患者中血脂异常显著增高,包括总胆固醇、HDL、LDL和甘油三酯。


ASD患者中血脂异常显著增高

最后,研究人员在小鼠上验证血脂异常与ASD的关系。简单来说,通过挖掘小鼠基因组信息学数据库,根据孟德尔人类遗传纲要,将所有与ASD和血脂异常相关基因的靶向突变的小鼠表型进行聚类分析。结果表明,血脂异常的小鼠模型存在社会和神经系统异常,并且ASD小鼠同样存在血脂稳态和生长异常

总的来说,研究人员通过结合自闭症患儿和他们兄弟姐妹的全外显子测序数据,自闭症患儿的家庭谱系数据,百万人群的电子医疗病历数据和千万人群的健康保险数据,动物模型数据确定了以血脂异常为特征的自闭症亚型。该研究对自闭症的早期筛查和干预意义重大,提示我们常规的血脂化验可有助于筛查新生儿自闭症的风险,并为自闭症的早期干预提供了新的方向

参考文献:

[1] https://doi.org/10.1038/s41591-020-1007-0

查看更多
发表评论 我在frontend\modules\comment\widgets\views\文件夹下面 test