Un approccio di apprendimento automatico per comprendere la risposta metabolomica dei bambini con disturbo dello spettro autistico al trattamento con cannabis terapeutica

Rapporti scientifici volume 13, numero articolo: 13022 (2023) Citare questo articolo

730 accessi

25 Altmetrico

Dettagli sulle metriche

Il disturbo dello spettro autistico (ASD) è una condizione dello sviluppo neurologico che influisce sul comportamento, sulla comunicazione, sull’interazione sociale e sulle capacità di apprendimento. Il trattamento con cannabis medica (MC) può ridurre i sintomi clinici nei soggetti con ASD. I biomarcatori sensibili alla cannabis sono metaboliti presenti nella saliva che cambiano in risposta al trattamento con MC. In precedenza abbiamo mostrato livelli di questi biomarcatori nei bambini con ASD trattati con successo con spostamento MC verso i livelli fisiologici rilevati nei bambini con sviluppo tipico (TD) e potenzialmente possiamo quantificarne l'impatto. Qui, abbiamo testato per la prima volta le capacità delle tecniche di apprendimento automatico applicate al nostro set di dati dinamico, ad alta risoluzione e ricco di funzionalità di biomarcatori sensibili alla cannabis da un numero limitato di bambini con ASD prima e dopo il trattamento MC e un gruppo TD per identificare : (1) biomarcatori che distinguono i gruppi ASD e TD; (2) molecole vegetali non cannabinoidi con effetti sinergici; e (3) biomarcatori associati a cannabinoidi specifici. Abbiamo trovato: (1) la lisofosfatidiletanolamina può distinguere tra gruppi ASD e TD; (2) nuovi fitochimici contribuiscono agli effetti terapeutici del trattamento MC mediante l'inibizione dell'acetilcolinesterasi; e (3) i biomarcatori sensibili alla cannabis associati al THC e al CBD sono due gruppi distinti, mentre il CBG è associato ad alcuni biomarcatori di entrambi i gruppi.

Il disturbo dello spettro autistico (ASD) è un insieme di condizioni eterogenee dello sviluppo neurologico che influenzano l'interazione sociale e la comunicazione con modelli di comportamento stereotipati definiti1. È una condizione permanente con esordio già nel primo o nel secondo trimestre che spesso è concomitante con disabilità intellettive, condizioni psichiatriche, neuroinfiammazione e/o disturbi gastrointestinali2,3,4,5.

La diagnosi e la valutazione dell’efficacia del trattamento sono difficili a causa dell’eterogeneità fenotipica clinica dell’ASD e attualmente si basano esclusivamente sulla valutazione soggettiva da parte di pediatri, neurologi o psicologi dello sviluppo. Pertanto, i punteggi degli strumenti di indagine osservativa non sono confrontabili tra i pazienti e non forniscono informazioni riguardanti la fisiopatologia sottostante dell’ASD. Poiché l’insorgenza dell’ASD è innescata da fattori sia genetici che ambientali attraverso una cascata di eventi biochimici che portano ad anomalie metaboliche pleiotropiche con elevata variabilità tra gli individui, è difficile identificare i biomarcatori dell’ASD6. Il fatto che il rischio di avere un secondo figlio con ASD sia 25 volte più alto per le famiglie che hanno già un bambino con ASD rispetto alle famiglie con un bambino con sviluppo tipico (TD) suggerisce fortemente il coinvolgimento di fattori genetici7. Tuttavia, i biomarcatori genetici associati specificamente all’ASD non sono stati identificati né utilizzati di routine per lo screening. Livelli anormali di proteine ​​e metaboliti correlati allo stress ossidativo, all’infiammazione, alla disfunzione mitocondriale e alla disregolazione immunitaria sono stati identificati e caratterizzati nell’ASD negli ultimi due decenni8. Tuttavia, l’elevata variabilità metabolica tra gli individui con ASD e la comorbilità associata ad altri disturbi hanno limitato lo sviluppo di biomarcatori proteomici e metabolici affidabili per la diagnosi e la valutazione del trattamento.

L'apprendimento automatico (ML) è un sottocampo dell'intelligenza artificiale (AI) in cui una varietà di metodi statistici e computazionali vengono applicati a set di dati grandi e complessi al fine di sviluppare e/o adattare modelli predittivi imitando i processi di riconoscimento dei modelli umani9. Il ML richiede un set di dati di addestramento costituito da punti dati, ciascuno considerato come una singola osservazione di un esperimento descritto da un numero di funzionalità. Un numero sufficiente di funzionalità addestrate consente lo sviluppo di un modello che prevede l'output. Le tecniche ML sono state applicate con successo agli studi di metabolomica per identificare quanto segue: la firma metabolica dei casi gravi di COVID-19, la tassonomia del microbiota intestinale umano, i cambiamenti metabolici nella gravidanza umana, l’infezione influenzale, il carcinoma a cellule renali (accuratezza dell’88%), malattie renali, paragangliomi della testa e del collo (precisione del 99,2%), cancro della vescica in stadio iniziale (precisione fino al 95%) e firme metabolomiche dei sottotipi di disturbo depressivo maggiore10. Chen et al.11 hanno combinato la metabolomica urinaria non mirata basata su GC/MS di campioni raccolti da un gruppo di bambini con ASD e un gruppo di controllo TD con l'algoritmo XGBoost per identificare 20 potenziali biomarcatori metabolici per distinguere tra i gruppi, che sono stati mappati su un varietà di vie metaboliche.