Science子刊破解了自闭症的密码，使神经分化的大脑可见

UVA教授的脑成像分析数学建模方法揭示了基因、大脑结构和自闭症之间的联系。

　　

由弗吉尼亚大学工程学教授Gustavo K. Rohde共同领导的多所大学研究小组开发了一种系统，可以在大脑图像中发现自闭症的遗传标记，准确率为89%至95%。

他们的研究结果表明，医生有一天可能会用这种方法来观察、分类和治疗自闭症和相关的神经系统疾病，而不必依赖或等待行为线索。这意味着这种真正的个性化医疗可能会导致早期干预。

“自闭症传统上是行为诊断，但有很强的遗传基础。研究人员发表在《科学进展》杂志上的一篇论文中写道:“遗传学优先的方法可以改变对自闭症的理解和治疗。”

Rohde是生物医学、电子和计算机工程教授，他与来自加州大学旧金山分校和约翰霍普金斯大学医学院的研究人员合作，其中包括Rohde的前博士生、论文的第一作者Shinjini Kundu。

在Rohde的实验室工作期间，Kundu帮助开发了一种称为基于运输的形态测量法(TBM)的生成计算机建模技术，这是该团队方法的核心。

利用一种新颖的数学建模技术，他们的系统揭示了大脑结构模式，预测了个体遗传密码某些区域的变化——这种现象被称为“拷贝数变异”，在这种现象中，密码的片段被删除或复制。这些变异与自闭症有关。

TBM使研究人员能够区分大脑结构的正常生物变异与那些与缺失或重复相关的生物变异。

“已知一些拷贝数变异与自闭症有关，但它们与大脑形态的联系——换句话说，不同类型的脑组织，如灰质或白质，在我们的大脑中是如何排列的——还不为人所知，找出CNV与脑组织形态的关系是了解自闭症生物学基础的重要第一步。”

TBM Cracks如何破解密码

基于传输的形态测量学与其他机器学习图像分析模型不同，因为数学模型是基于质量传输的——蛋白质、营养物质和气体等分子进出细胞和组织的运动。“形态计量学”指的是测量和量化由这些过程产生的生物形态。

Rohde说，大多数机器学习方法与产生数据的生物物理过程几乎没有关系。相反，他们依靠识别模式来识别异常。

但是Rohde的方法使用数学方程从医学图像中提取质量传递信息，创建新的图像用于可视化和进一步分析。

然后，使用一套不同的数学方法，该系统从其他不会导致疾病或神经紊乱的“正常”遗传变异中解析出与自闭症相关的CNV变异相关的信息——研究人员称之为“变异的混杂来源”。

这些来源以前阻碍了研究人员理解“基因-大脑-行为”的关系，有效地限制了护理提供者基于行为的诊断和治疗。

据《福布斯》杂志报道，90%的医疗数据是以成像的形式存在的，而我们没有办法解锁这些数据。罗德认为掘进机是万能钥匙。

“因此，如果我们利用更合适的数学模型来提取这些信息，那么从如此大量的数据中可能会有重大发现。”

研究人员使用了西蒙斯个体变异项目参与者的数据，该项目是一组患有自闭症相关基因变异的受试者。

对照组受试者从其他临床机构招募，年龄、性别、惯用手和非语言智商相匹配，同时排除了相关神经疾病或家族史的受试者。

“我们希望这些发现，能够识别与拷贝数变化相关的局部大脑形态变化，可以指出大脑区域和最终可以用于治疗的机制，”Rohde说。