简单来说,人工智能起到了放大镜的作用,能在各种数据构建的“数字地图”中找到“异类”。
用于识别导致自闭症的分子网络的独立信息源。A.通过对发育中的人类大脑RNA-seq数据进行聚类分析,鉴定出神经发育共同调控的外显子。B.男性和女性之间的差异表达。C.在WES数据中检测到的3531个自闭症患者个体。D.用于鉴定LGD(基因破坏)变异的各种基因模型。E.信息流被整合。 F,G.使用大型EHR(电子健康记录)数据和大量健康声明健康数据对血脂异常导致的非综合征性ASD进行验证用于识别导致自闭症的分子网络的独立信息源。A.通过对发育中的人类大脑RNA-seq数据进行聚类分析,鉴定出神经发育共同调控的外显子。B.男性和女性之间的差异表达。C.在WES数据中检测到的3531个自闭症患者个体。D.用于鉴定LGD(基因破坏)变异的各种基因模型。E.信息流被整合。 F,G.使用大型EHR(电子健康记录)数据和大量健康声明健康数据对血脂异常导致的非综合征性ASD进行验证自闭症被认为是在产前大脑发育过程中产生的,且受每个个体内多个基因组变异的驱动,于是研究人员对人类早期大脑发育过程中的基因外显子簇进行了研究。
由于在自闭症患者中男女性别比例为4:1,因此研究人员对在产前神经发育过程中表达与性别差异相关的基因外显子簇进行了重点研究。
其次,团队通过美国国家心理健康所(NIMH)的数据,对多发自闭症病例家庭和单发自闭症病例家庭的自闭症患儿基因突变进行筛查。
该研究的共同第一作者Yuan Luo表示,这项研究好比大海捞针,因为数百种基因的数千种变异是自闭症的发病基础,其中只有不到1%的家庭患有这种变异。因此他们通过多维数据叠加绘制了这张自闭症地图,而基因筛查的过程则为研究提供了“放大镜”。
通过基因筛查,研究团队提出自闭症与血脂异常相关这一假说。他们比较了自闭症患者儿童、患者家属以及没有亲属关系的匹配对照者的血脂谱,发现自闭症患者儿童的血脂谱明显超出正常生理范围。
接下来,研究人员在包含34003107个人的医疗保险索赔数据库中检查了80714名自闭症患者的血脂异常患病率,并反复抽样了与年龄、性别、居住地相匹配的无关对照,发现自闭症患者的血脂异常诊断率极高,这进一步表明自闭症与血脂异常有紧密联系。
同时,研究结果显示,父母血脂异常与孩子的自闭症患病概率相关。研究人员对比了自闭症患者及其未患病兄弟姐妹的血脂异常诊断,发现有家族血脂异常史的儿童自闭症患病率更高。
这种以血脂异常为特征的自闭症亚型不仅与一种罕见的ASD综合征型相一致,而且与哺乳动物大脑发育过程中与血脂异常基因相关的神经功能有关。研究称,相较于没有血脂异常的自闭症患者,患有血脂异常的自闭症患者更容易表现出癫痫、睡眠障碍和注意缺陷多动障碍等临床特征,这表明血脂异常可能会导致神经发育变化。
Yuan Luo称,以血脂异常为特征的自闭症亚型是第一个基于多维数据、由AI驱动的精准医学识别的自闭症亚型,该自闭症亚型具有独特的分子特征和发病机制。他表示:“地图和放大镜的方法展示了一种使用多种数据模式来对自闭症进行分型的一般化方法,它也为许多其他基因复杂的疾病提供了有针对性的临床试验信息。”
©Gocent Security Information Technology Co., Ltd. 版权所有
|本站支持