一位研究者所创新的数学模型用于分析脑成像，揭示了基因、脑结构与自闭症之间的关系。一个由多所大学组成的合作研究团队，由维吉尼亚大学的工程教授古斯塔沃·K·罗德联合指导，创建了一个能够有效检测与自闭症相关的脑部图像中的遗传标记的系统，达到89%到95%的准确率。
结果表明，在未来，医生可以使用该技术对自闭症及类似神经系统疾病进行诊断、分类和治疗，消除了依赖或等待行为指标的需要。这意味着个性化医疗的潜力可能会导致更早的干预努力。
“虽然自闭症传统上是通过行为评估来识别的，但它具有显著的遗传成分。采用基因优先的方法可能会彻底改变我们理解和治疗自闭症的方式，”研究人员在6月12日发表在《科学进展》杂志上的论文中提到。
罗德是生物医学以及电气和计算机工程的教授，与加州大学旧金山分校和约翰霍普金斯大学医学院的学者团队合作，包括罗德的前博士生以及论文的第一作者辛金尼·坎杜。
坎杜目前是约翰霍普金斯医院的医生，在罗德的实验室期间，她为开发一种称为基于传输的形态测量（TBM）的生成计算建模技术做出了贡献，该技术是该团队方法的基础。
该团队的系统利用独特的数学建模技术，识别与个人基因组特定区域变异相关的脑结构模式，这些方面被称为“拷贝数变异”，即遗传物质的片段可以被删除或复制，这与自闭症相关。
TBM使研究人员能够区分脑结构中的典型生物变异与与基因缺失或重复相关的变异。
“某些拷贝数变异已知与自闭症有关；然而，这些变异与脑形态学——不同类型脑组织（如灰质和白质）是如何组织的——之间的关系仍然基本上未被探索，”罗德表示。“理解CNV如何与脑组织结构相连接，是理解自闭症生物基础的重要第一步。”
了解TBM的机制
基于传输的形态测量不同于其他基于机器学习的图像分析技术，因为它依赖于基于质量传输的数学模型——分子（如蛋白质、营养物质和气体）在细胞和组织内外的流动。“形态测量”一词意味着对这些过程产生的生物形状进行测量和分析。
根据罗德的说法，大多数机器学习技术并未考虑产生数据的生物物理过程，而是专注于识别模式以检测异常。
相反，罗德的方法通过数学方程从医学图像中提取质量传输数据，生成用于可视化和更深入分析的新图像。
接下来，通过采用一套独立的数学技术，该系统从不引起疾病或神经问题的常规遗传变异中隔离与自闭症相关的CNV变异的信息，研究人员将其称为“混淆变异源”。
这些混淆因素此前阻碍了研究人员理解基因、脑结构与行为之间的关系，从而使医疗服务提供者只能依赖基于行为的评估和治疗。
根据《福布斯》杂志，90%的医学信息来自成像，而这一领域仍然被大量未开发。罗德认为，TBM可能是解锁这一数据的关键。
“因此，如果我们应用更合适的数学模型来提取这些信息，将可能会有很多重大发现从如此庞大的数据中涌现，”他解释道。
该团队利用了参与个人变异的西蒙斯项目（Simons Variation in Individuals Project）的数据，该项目包括与自闭症相关的遗传变异的受试者。
对照受试者从各种临床环境招募，并在年龄、性别、惯用手和非语言智商等特征上匹配，同时确保排除那些与之相关的神经疾病或家族历史的人。
“我们希望我们关于识别与拷贝数变异相关的脑结构特定变化的发现，能够揭示可以作为疗法靶点的脑区和机制，”罗德表示。
出版
该研究聚焦于通过生成机器学习探索自闭症中的基因-脑-行为关系的论文，于2024年6月12日发表在《科学进展》上。
其他共同作者包括约翰霍普金斯医学院的哈里斯·赛尔和加州大学旧金山分校放射科的艾略特·H·谢尔和普拉提克·穆克吉。
本研究的资金由国家科学基金会、国家卫生研究院、北美放射学会及西蒙斯个人变异基金提供。
