研究人员使用机器学习来识别自闭症的血液生物标记

UT西南大学的研究人员利用机器学习工具分析了数百种蛋白质，在血液中确定了一组生物标记物，可以帮助儿童更早地诊断出自闭症谱系障碍(ASD)，进而更快地提供更有效的治疗。

在今天发表的一项研究中，9种血清蛋白的鉴定强烈预测自闭症谱系障碍《公共科学图书馆•综合》。

更早的诊断，再加上及时的治疗支持和干预，可能会对美国每59个被诊断为自闭症的儿童中就有1个产生重大影响。德克萨斯大学西南分校的精神病学教授德怀特·德曼博士是这项研究的资深作者，他说，在儿童蹒跚学步的时候就能识别出自闭症谱系的儿童，这可能会产生很大的不同。

目前，美国自闭症患儿的平均年龄为4岁。在4岁之前诊断意味着孩子更有可能得到有效的、循证治疗，比如针对ASD核心症状的治疗，包括死板的行为和缺乏沟通或社交技能。

许多基于血液的生物标志物已经被研究，包括神经递质、细胞因子和线粒体功能障碍、氧化应激和甲基化受损的标志物。然而，鉴于ASD的流行，使用机器学习结合人口统计学和临床数据进入分析可以更有力地检查疾病状态和症状严重程度。

在这项研究中，研究人员检查了76名ASD男孩和78名正常发育男孩的血清样本，他们的年龄都在18个月至8岁之间。

与正常发育的男孩相比，自闭症谱系障碍男孩的生物标记面板中的所有9种蛋白质都显著不同。研究人员发现，这九种血清蛋白中的每一种都与症状的严重程度相关。

使用SomaLogic检测了超过1100种蛋白质蛋白质分析平台。用三种计算方法，一组9种蛋白质被确定为预测自闭症谱系障碍的最佳方法。研究人员随后使用机器学习方法评估了生物标记面板的质量。需要未来的研究来充分验证目前的发现。

“孩子受到的影响越明显，血液浓度就会高于或低于正常水平生物标志物是,”德国人说。“理想情况下，总有一天，一个孩子会被血液生物标记识别为有患自闭症谱系障碍的风险，并且可以立即开始治疗。”这将有助于孩子发展技能以优化他们的沟通和学习。”

研究的孩子被劳拉款,博士和摩根Devlin在约翰逊儿童健康与发展中心,德克萨斯州奥斯汀市的一个多学科治疗中心,使用临床护理的一个独特的组合,研究和教育,进一步的理解自闭症及相关发展障碍。Hewitson指出，“我们越早发现自闭症儿童，就越能了解如何提供支持和治疗，从而提高他们的生活质量。”

---

---