Uma abordagem de aprendizado de máquina para compreender a resposta metabolômica de crianças com transtorno do espectro do autismo ao tratamento com cannabis medicinal

Scientific Reports volume 13, Artigo número: 13022 (2023) Citar este artigo

730 acessos

25 Altmétrico

Detalhes das métricas

O transtorno do espectro do autismo (TEA) é uma condição de neurodesenvolvimento que afeta o comportamento, a comunicação, a interação social e as habilidades de aprendizagem. O tratamento com cannabis medicinal (MC) pode reduzir os sintomas clínicos em indivíduos com TEA. Biomarcadores responsivos à cannabis são metabólitos encontrados na saliva que mudam em resposta ao tratamento com MC. Anteriormente, mostramos os níveis desses biomarcadores em crianças com TEA tratadas com sucesso com mudança de MC em direção aos níveis fisiológicos detectados em crianças com desenvolvimento típico (DT), e potencialmente podemos quantificar o impacto. Aqui, testamos pela primeira vez as capacidades das técnicas de aprendizado de máquina aplicadas ao nosso conjunto de dados dinâmico, de alta resolução e rico em recursos de biomarcadores responsivos à cannabis de um número limitado de crianças com TEA antes e depois do tratamento MC e um grupo TD para identificar : (1) biomarcadores que distinguem grupos de TEA e DT; (2) moléculas vegetais não canabinóides com efeitos sinérgicos; e (3) biomarcadores associados a canabinóides específicos. Descobrimos: (1) a lisofosfatidiletanolamina pode distinguir entre os grupos ASD e DT; (2) novos fitoquímicos contribuem para os efeitos terapêuticos do tratamento com MC pela inibição da acetilcolinesterase; e (3) os biomarcadores responsivos à cannabis associados ao THC e ao CBD são dois grupos distintos, enquanto o CBG está associado a alguns biomarcadores de ambos os grupos.

O transtorno do espectro do autismo (TEA) é um conjunto de condições heterogêneas de neurodesenvolvimento que afetam a interação social e a comunicação com padrões de comportamento estereotipados definidos1. É uma condição vitalícia, com início já no primeiro ou segundo trimestre, que muitas vezes ocorre simultaneamente com deficiências intelectuais, condições psiquiátricas, neuroinflamação e/ou distúrbios gastrointestinais2,3,4,5.

O diagnóstico e a avaliação da eficácia do tratamento são desafiadores devido à heterogeneidade fenotípica clínica do TEA e atualmente dependem apenas da avaliação subjetiva por pediatras do desenvolvimento, neurologistas ou psicólogos. Como tal, as pontuações das ferramentas de pesquisa observacional não são comparáveis ​​entre os pacientes e não fornecem informações sobre a fisiopatologia subjacente do TEA. Como o início do TEA é desencadeado por fatores genéticos e ambientais por meio de uma cascata de eventos bioquímicos que leva a anormalidades metabólicas pleiotrópicas com alta variabilidade entre os indivíduos, é um desafio identificar biomarcadores de TEA6. O fato de o risco de ter um segundo filho com TEA ser 25 vezes maior para famílias que já têm um filho com TEA em comparação com famílias com um filho com desenvolvimento típico (DT) sugere fortemente o envolvimento de fatores genéticos7. No entanto, biomarcadores genéticos associados especificamente ao TEA não foram identificados ou utilizados rotineiramente para triagem. Níveis anormais de proteínas e metabólitos relacionados ao estresse oxidativo, inflamação, disfunção mitocondrial e desregulação imunológica foram identificados e caracterizados no TEA nas últimas duas décadas8. No entanto, a alta variabilidade metabólica entre indivíduos com TEA e a comorbidade associada a outros transtornos limitaram o desenvolvimento de biomarcadores proteômicos e metabólicos confiáveis ​​para diagnóstico e avaliação do tratamento.

O aprendizado de máquina (ML) é um subcampo da inteligência artificial (IA) no qual uma variedade de métodos estatísticos e computacionais são aplicados a conjuntos de dados grandes e complexos, a fim de desenvolver e/ou ajustar modelos preditivos, imitando processos humanos de reconhecimento de padrões9. O ML requer um conjunto de dados de treinamento que consiste em pontos de dados, cada um considerado como uma única observação de um experimento descrito por um número de recursos. Um número suficiente de recursos treinados permite o desenvolvimento de um modelo que prevê a saída. As técnicas de ML foram aplicadas com sucesso a estudos metabolômicos para identificar o seguinte: a assinatura metabólica de casos graves de COVID-19, a taxonomia da microbiota intestinal humana, alterações metabólicas na gravidez humana, infecção por influenza, carcinoma de células renais (88% de precisão), diabetes doença renal, paragangliomas de cabeça e pescoço (99,2% de precisão), câncer de bexiga em estágio inicial (até 95% de precisão) e as assinaturas metabolômicas dos subtipos de transtorno depressivo maior10. Chen et al.11 combinaram metabolômica de urina não direcionada baseada em GC/MS de amostras coletadas de um grupo de crianças com TEA e um grupo controle de DT com o algoritmo XGBoost para identificar 20 potenciais biomarcadores metabólicos para distinguir entre os grupos, que foram mapeados para um variedade de vias metabólicas.