بررسی مکانیسم‌های زیربنای تفاوت‌های فردی در اختلال طیف اوتیسم با استفاده از یادگیری ماشین


بررسی مکانیسم‌های زیربنای تفاوت‌های فردی در اختلال طیف اوتیسم با استفاده از یادگیری ماشین

اعتبار: دکتر آماندا ام. بوخ

اختلال طیف اوتیسم (ASD) یک اختلال رشدی است که با مشکلات در تعامل با دیگران، رفتارهای تکراری، علایق محدود و سایر علائم مرتبط است که می‌تواند بر عملکرد تحصیلی یا حرفه‌ای تأثیر بگذارد. افراد مبتلا به ASD می توانند علائم مختلفی را نشان دهند که هم در تظاهرات رفتاری و هم از نظر شدت متفاوت است.

در نتیجه، برخی از افراد اوتیستیک اغلب برای تکمیل مطالعات خود، یادگیری مهارت های جدید و داشتن یک زندگی رضایت بخش، به حمایت بسیار بیشتری نسبت به دیگران نیاز دارند. دانشمندان علوم اعصاب چندین دهه است که تنوع بالای ASD را بررسی کرده‌اند، با این امید که این به توسعه استراتژی‌های درمانی مؤثرتر متناسب با تجربیات منحصر به فرد بیماران مختلف کمک کند.

محققان در Weill Cornell Medicine اخیراً از یادگیری ماشینی برای بررسی مکانیسم‌های مولکولی و عصبی استفاده کرده‌اند که می‌تواند زمینه ساز این تفاوت‌ها در میان افراد مبتلا به ASD باشد. مقاله آنها، منتشر شده در علوم اعصاب طبیعت، زیر گروه های مختلف ASD مرتبط با اتصالات عملکردی متمایز در مغز و علائم را شناسایی می کند که می تواند با بیان ژن های مختلف مرتبط با ASD مرتبط باشد.

دکتر لوگان گروسنیک، یکی از نویسندگان ارشد مقاله، “این کار یک مطالعه بعدی بود که توسط اولین نویسنده دکتر آماندا بوخ در حالی که او دانشجوی کارشناسی ارشد در آزمایشگاه به رهبری دکتر کانر لیستون بود، آغاز و رهبری شد.” به Medical Xpress گفت. “این به طور مستقیم از کار قبلی آزمایشگاه لیستون الهام گرفته شد) جایی که ما روش های جدید یادگیری ماشینی (ML) را برای کشف انواع مختلف و نشانگرهای زیستی برای افسردگی معرفی کردیم.”

نویسنده اصلی این مطالعه، دکتر بوخ، توضیح داد: “یک انگیزه کلیدی مطالعه ما این است که یک مانع مهم برای توسعه درمان های ASD این است که معیارهای تشخیصی گسترده هستند. این بدان معناست که تشخیص ASD گروه بزرگ و از نظر فنوتیپی متنوعی از افراد را توصیف می کند. با مکانیسم‌های بیولوژیکی زیربنایی مختلف. برای شخصی‌سازی درمان‌ها برای افراد مبتلا به ASD، درک و در نظر گرفتن این تنوع بیولوژیکی مهم است. شناسایی درمان بهینه زمانی که با همه افراد یکسان رفتار می‌شود، زمانی که هر یک منحصربه‌فرد هستند، دشوار است. ”

هدف اولیه کار اخیر دکتر بوخ، دکتر گروسنیک، دکتر لیستون و همکارانشان بررسی تفاوت‌ها در رفتار و ارتباط مغزی در میان بیماران مبتلا به ASD و ترسیم زیرشاخه‌های مختلف بیولوژیکی این اختلال بود. آنها مطمئن نبودند که آیا این زیرگروه‌ها واقعاً وجود دارند یا خیر، بنابراین از ابزارهای یادگیری ماشین برای تجزیه و تحلیل داده‌های بالینی و جستجوی الگوهای تکرار شونده احتمالی استفاده کردند و یافته‌های خود را در یک گروه مستقل از افراد اوتیسم تکرار کردند.

دکتر گروسنیک گفت: «اگر چنین زیرگروه‌هایی وجود داشت، بعداً می‌خواستیم ببینیم که آیا تفاوت‌های آنها در اتصال مغز ممکن است به تفاوت در بیان ژن در سراسر مغز مرتبط باشد و چه شبکه‌های پروتئینی می‌تواند درگیر باشد».

برای انجام مطالعه خود، محققان به دو مجموعه داده در دسترس عموم که حاوی اطلاعاتی در مورد رفتار افراد مختلف مبتلا به ASD هستند، و همچنین اسکن‌های تصویربرداری تشدید مغناطیسی عملکردی (fMRI) و سایر داده‌های مرتبط با مغز تکیه کردند. آنها همچنین از داده های بیان ژنی که توسط اطلس مغز انسان آلن و سایر تلاش های تحقیقاتی گذشته جمع آوری شده بود استفاده کردند.

دکتر گروسنیک توضیح داد: “با استفاده از یادگیری ماشین، ما ابعاد رفتار مغزی قابل تکراری را که در زمینه ASD وجود دارد، کشف کردیم، و افراد ASD در این فضا به چهار زیر گروه تقسیم شدند.” جالب اینجاست که اتصال مغزی که با کنترل‌های غیرASD متفاوت بود در هر زیرگروه کاملاً متفاوت بود و این ارتباط با الگوهای بیان ژنی و شبکه‌های تعامل پروتئین-پروتئین در افراد مختلف توضیح داده شد. مطالعه، و همچنین در یک تحلیل متن کاوی مستقل از ادبیات زیست پزشکی.”

به طور کلی، یافته‌های جمع‌آوری‌شده توسط این تیم از محققین نشان می‌دهد که انواع مختلفی از ASD وجود دارد که هر کدام با مسیرهای سیگنالینگ مولکولی متمایز و الگوهای اتصال عصبی مرتبط هستند. این تیم تاکنون چهار زیر گروه از ASD را شناسایی کرده‌اند، اما مطالعات بیشتر می‌تواند گروه‌های دیگری را نیز آشکار کند.

در آینده، این کار اخیر می‌تواند درک فعلی ASD را بهبود بخشد، در حالی که به طور بالقوه توسعه درمان‌هایی را با هدف قرار دادن زیرگروه‌های بالینی متفاوتی که کشف کرده است هدایت می‌کند. در همین حال، دکتر Buch، دکتر Grosenick، دکتر Liston و همکارانشان قصد دارند تحقیقات خود را در این زمینه ادامه دهند، به این امید که الگوهای مشخصه ای را که کشف کرده اند بهتر درک کنند.

دکتر گروسنیک افزود: «از لحاظ فنی، رویکرد یادگیری ماشینی الگویی برای مطالعات آینده در ارتباط بین ژن‌ها، اتصال مغز و رفتار در روانپزشکی فراهم می‌کند». ما اکنون قصد داریم این کار را به مجموعه داده‌های ASD حتی بزرگ‌تر و غنی‌تر که در حال ظهور هستند (و همچنین سایر تشخیص‌های روانپزشکی ناهمگن) گسترش دهیم و به طور فعال روی روش‌های بهبودیافته ML برای روانپزشکی شخصی و زیرمجموعه‌سازی از این نوع کار می‌کنیم.

دکتر بوخ موافق بود و خاطرنشان کرد: “امیدواریم رویکرد ما روزی به رویکردهای جدید و شخصی سازی شده برای تشخیص و درمان های هدفمند برای افراد مبتلا به ASD و همچنین رویکردهای جدید برای سایر تشخیص های عصبی روانی منجر شود.”

اطلاعات بیشتر:
آماندا ام. بوخ و همکاران، مکانیسم‌های مولکولی و سطح شبکه که تفاوت‌های فردی در اختلال طیف اوتیسم را توضیح می‌دهند، علوم اعصاب طبیعت (2023). DOI: 10.1038/s41593-023-01259-x

© 2023 Science X Network

نقل قول: بررسی مکانیسم‌های زیربنای تفاوت‌های فردی در اختلال طیف اوتیسم با استفاده از یادگیری ماشین (2023، 20 آوریل) در 20 آوریل 2023 از https://medicalxpress.com/news/2023-04-exploring-mechanisms-underpinning-individual-differences.html بازیابی شده است.

این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به غیر از هرگونه معامله منصفانه به منظور مطالعه یا تحقیق خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوای مذکور فقط به هدف اطلاع رسانی ایجاد شده است.