Подход машинного обучения для понимания метаболомной реакции детей с расстройствами аутистического спектра на лечение медицинским каннабисом

Научные отчеты, том 13, Номер статьи: 13022 (2023) Цитировать эту статью

730 Доступов

25 Альтметрика

Подробности о метриках

Расстройство аутистического спектра (РАС) — это состояние нервного развития, влияющее на поведение, общение, социальное взаимодействие и способности к обучению. Лечение медицинским каннабисом (MC) может уменьшить клинические симптомы у людей с РАС. Биомаркеры, реагирующие на каннабис, представляют собой метаболиты, обнаруженные в слюне, которые изменяются в ответ на лечение MC. Ранее мы показали, что уровни этих биомаркеров у детей с РАС, успешно пролеченных с помощью MC, смещаются в сторону физиологических уровней, обнаруженных у типично развивающихся (TD) детей, и потенциально могут количественно оценить влияние. Здесь мы впервые протестировали возможности методов машинного обучения, примененных к нашему динамическому набору данных с высоким разрешением и богатым набором данных биомаркеров, чувствительных к каннабису, у ограниченного числа детей с РАС до и после лечения MC и группы TD для выявления : (1) биомаркеры, различающие группы РАС и ТД; (2) неканнабиноидные растительные молекулы с синергическим действием; и (3) биомаркеры, связанные с конкретными каннабиноидами. Мы обнаружили: (1) лизофосфатидилэтаноламин может различать группы ASD и TD; (2) новые фитохимические вещества способствуют терапевтическому эффекту лечения MC путем ингибирования ацетилхолинэстеразы; и (3) биомаркеры, связанные с каннабисом, связанные с ТГК и КБД, представляют собой две отдельные группы, тогда как КБГ связан с некоторыми биомаркерами из обеих групп.

Расстройство аутистического спектра (РАС) представляет собой набор гетерогенных состояний нервного развития, которые влияют на социальное взаимодействие и общение с определенными стереотипными моделями поведения1. Это пожизненное заболевание, которое начинается уже в первом или втором триместре беременности и часто сочетается с умственными нарушениями, психическими заболеваниями, нейровоспалениями и/или желудочно-кишечными расстройствами2,3,4,5.

Диагностика и оценка эффективности лечения сложны из-за клинической фенотипической гетерогенности РАС и в настоящее время полагаются исключительно на субъективную оценку педиатров, неврологов или психологов. Таким образом, оценки, полученные с помощью инструментов наблюдательного обследования, несопоставимы среди пациентов и не предоставляют информации о базовой патофизиологии РАС. Поскольку возникновение РАС запускается как генетическими факторами, так и факторами окружающей среды посредством каскада биохимических событий, которые приводят к плейотропным метаболическим нарушениям с высокой вариабельностью среди людей, идентифицировать биомаркеры РАС сложно6. Тот факт, что риск рождения второго ребенка с РАС в 25 раз выше для семей, в которых уже есть ребенок с РАС, по сравнению с семьями с типично развивающимся (ТР) ребенком, убедительно свидетельствует о вовлечении генетических факторов7. Однако генетические биомаркеры, связанные конкретно с РАС, не были идентифицированы и регулярно не использовались для скрининга. Аномальные уровни белков и метаболитов, связанные с окислительным стрессом, воспалением, митохондриальной дисфункцией и иммунной дисрегуляцией, были идентифицированы и охарактеризованы при РАС за последние два десятилетия8. Тем не менее, высокая метаболическая вариабельность среди людей с РАС и сопутствующая патология, связанная с другими расстройствами, ограничивают разработку надежных протеомных и метаболических биомаркеров для диагностики и оценки лечения.

Машинное обучение (МО) — это подобласть искусственного интеллекта (ИИ), в которой различные статистические и вычислительные методы применяются к большим и сложным наборам данных с целью разработки и/или адаптации прогнозных моделей путем имитации человеческих процессов распознавания образов9. ML требует набора обучающих данных, состоящего из точек данных, каждая из которых рассматривается как одно наблюдение из эксперимента, описываемого рядом признаков. Достаточное количество обученных функций позволяет разработать модель, прогнозирующую результат. Методы МО были успешно применены в метаболомических исследованиях для выявления следующих метаболических признаков тяжелых случаев COVID-19, таксономии микробиоты кишечника человека, метаболических изменений во время беременности, гриппозной инфекции, почечно-клеточного рака (точность 88%), диабетических заболеваний. заболевания почек, параганглиомы головы и шеи (точность 99,2%), рак мочевого пузыря на ранней стадии (точность до 95%) и метаболомические признаки подтипов большого депрессивного расстройства10. Чен и соавт.11 объединили нецелевой метаболомический анализ мочи на основе ГХ/МС образцов, собранных у группы детей с РАС и контрольной группы TD, с алгоритмом XGBoost, чтобы идентифицировать 20 потенциальных метаболических биомаркеров для различения групп, которые были сопоставлены с разнообразие метаболических путей.