这项由波士顿儿童医院神经学家Michela Fagiolini博士和博士后Pietro Artoni博士领导的研究揭示了一种机器学习算法,该算法可以发现瞳孔扩张异常,预测小鼠模型中的自闭症谱系障碍(ASD)。这进一步表明,该算法可以准确检测女孩是否患有Rett综合征,这是一种遗传性疾病,从6到18个月大开始损害认知、感觉、运动和自主功能,以及类似自闭症的行为。
Fagiolini及其同事希望该系统不仅能为Rett综合征,而且能为ASD提供早期预警信号。在未来,他们相信它也可以用来监测患者对治疗的反应;目前,一项临床试验正在测试药物氯胺酮治疗Rett综合征,并计划进行基因治疗试验。法吉奥利尼说:“我们希望能够从定量、客观和对细微变化敏感的角度读出大脑中正在发生的事情。”。“更广泛地说,我们缺少能够反映大脑活动、易于量化且不存在偏见的生物标志物。机器可以测量生物标志物,而不受对患者行为的主观解释的影响。”
孤独症患者的觉醒改变
Fagiolini和Artoni与波士顿儿童医院的Takao Hensch博士和Charles Nelson博士密切合作,从自闭症谱系的人改变了行为状态的想法开始。先前的证据表明,参与觉醒的大脑胆碱能回路尤其受到干扰,觉醒的改变会影响自发的瞳孔扩张/收缩和心率。
Fagiolini的团队在波士顿儿童F.M.Kirby神经生物学中心IRCN的支持下,开始测量几种ASD小鼠模型的瞳孔波动,包括导致Rett综合征或CDKL5紊乱的突变小鼠,以及BTBR小鼠。研究小组发现,甚至在动物开始出现自闭症样症状之前,自发的瞳孔扩张和收缩就已经发生了改变。
此外,在缺乏MeCP2的小鼠中,该基因在Rett综合征中发生突变,仅在胆碱能脑回路中恢复了该基因的正常拷贝,从而防止了瞳孔异常和行为症状的发生。
女孩Rett综合征的预测
为了系统地将观察到的唤醒变化与胆碱能系统联系起来,研究小组利用了Hensch的一项早期发现:缺乏LYNX1蛋白的小鼠表现出增强的胆碱能信号。基于对这些老鼠大约60小时的观察,研究人员“训练”了一种深度学习算法来识别异常的瞳孔模式。同样的算法准确地估计了BTBR、CDKL5和MeCP2缺陷小鼠的胆碱能功能障碍。
研究小组随后将该算法应用于35名患有Rett综合征的年轻女孩和40名典型的对照组。他们没有测量女孩的瞳孔(因为患者可能会烦躁不安),而是用心率波动来测量唤醒。尽管如此,该算法还是成功地识别了患有Rett的女孩,在出生后第一年和第二年的准确率为80%。“这两种生物标记物的波动方式相似,因为它们是自主觉醒活动的代表,”阿托尼说。Fagiolini和Artoni发现,自主觉醒是大脑的一种特性,在不同的物种中都得到了很好的保护,是发育轨迹改变的有力指标。
婴儿生物标志物?
在之前与Nelson的一项研究中,Fagiolini表明视觉诱发电位(一种脑内视觉处理的EEG测量值)也可以作为Rett综合征的潜在生物标记物。她相信,这些生物标志物结合起来,可以为婴儿和学步儿童提供强大但负担得起的筛查工具,警告即将出现的神经发育问题,并帮助跟踪他们的发育或治疗进展。Fagiolini说:“如果我们有非侵入性且易于评估的生物标记物,即使是新生儿或非语言患者也可以在多个时间点进行监测。”。
资料来源:波士顿儿童医院