医療大麻治療に対する自閉症スペクトラム障害の子供のメタボロミクス反応を理解するための機械学習アプローチ

Scientific Reports volume 13、記事番号: 13022 (2023) この記事を引用

730 アクセス

25 オルトメトリック

メトリクスの詳細

自閉症スペクトラム障害 (ASD) は、行動、コミュニケーション、社会的交流、学習能力に影響を与える神経発達状態です。 医療大麻 (MC) 治療は、ASD 患者の臨床症状を軽減することができます。 大麻反応性バイオマーカーは、MC治療に反応して変化する唾液に含まれる代謝産物です。 以前に我々は、MCによる治療が成功したASDの小児におけるこれらのバイオマーカーのレベルが、定型発達（TD）の小児で検出される生理学的レベルにシフトすることを示し、潜在的にその影響を定量化できる可能性がある。 ここでは、MC治療前後の限られた数のASD児とTDグループを識別するための大麻反応性バイオマーカーの動的で高解像度の豊富な特徴データセットに適用された機械学習技術の機能を初めてテストしました。 : (1) ASD グループと TD グループを区別するバイオマーカー。 (2) 相乗効果のある非カンナビノイド植物分子。 (3) 特定のカンナビノイドに関連するバイオマーカー。 (1) リゾホスファチジルエタノールアミンは ASD グループと TD グループを区別できることを発見しました。 (2) 新しい植物化学物質は、アセチルコリンエステラーゼの阻害により MC 治療の治療効果に貢献します。 (3) THC および CBD 関連の大麻反応性バイオマーカーは 2 つの異なるグループですが、CBG は両方のグループの一部のバイオマーカーと関連しています。

自閉症スペクトラム障害（ASD）は、定義された常同的な行動パターンにより社会的相互作用やコミュニケーションに影響を与える、一連の不均一な神経発達状態です1。 これは生涯にわたる疾患であり、早ければ妊娠第 1 期または第 2 期に発症し、知的障害、精神疾患、神経炎症、胃腸障害を併発することがよくあります 2,3,4,5。

ASD の臨床表現型の不均一性により、診断と治療効果の評価は困難であり、現在は発達小児科医、神経内科医、または心理学者による主観的な評価のみに依存しています。 そのため、観察調査ツールのスコアは患者間で比較できず、ASD の根底にある病態生理学に関する情報は得られません。 ASD の発症は、個人間のばらつきが大きい多面発現性代謝異常を引き起こす生化学的事象のカスケードを介して、遺伝的要因と環境要因の両方によって引き起こされるため、ASD バイオマーカーを特定することは困難です6。 ASD の 2 人目の子供が生まれるリスクは、定型発達 (TD) の子供がいる家族と比較して、すでに ASD の子供がいる家族では 25 倍高いという事実は、遺伝的要因の関与を強く示唆しています 7。 しかし、特に ASD に関連する遺伝的バイオマーカーは同定されておらず、スクリーニングに日常的に使用されていません。 過去 20 年間に、酸化ストレス、炎症、ミトコンドリア機能不全、免疫調節不全に関連するタンパク質と代謝物の異常なレベルが、ASD において特定され、特徴付けられてきました8。 それにもかかわらず、ASD患者間の代謝変動が大きいことや、他の障害に関連する併存症があるため、診断や治療評価のための信頼できるプロテオミクスおよび代謝バイオマーカーの開発は限られています。

機械学習 (ML) は人工知能 (AI) のサブフィールドであり、人間のパターン認識プロセスを模倣して予測モデルを開発および/または適合させるために、さまざまな統計的および計算的手法が大規模で複雑なデータセットに適用されます9。 ML では、データ ポイントで構成されるトレーニング データセットが必要です。各データ ポイントは、特徴の数によって記述される実験からの単一の観測値と見なされます。 十分な数のトレーニングされた特徴があれば、出力を予測するモデルの開発が可能になります。 ML 技術はメタボロミクス研究に適用され、以下を特定するために成功しています: 重症の COVID-19 症例の代謝サイン、ヒトの腸内微生物叢の分類、ヒトの妊娠における代謝変化、インフルエンザ感染、腎細胞癌 (精度 88%)、糖尿病腎臓病、頭頸部傍神経節腫（精度 99.2%）、早期膀胱がん（精度最大 95%）、および大うつ病性障害サブタイプのメタボロミクス特徴10。 Chen ら 11 は、ASD の小児グループと TD 対照グループから収集したサンプルの GC/MS ベースの非ターゲット尿メタボロミクスと XGBoost アルゴリズムを組み合わせて、グループ間を区別するための 20 個の潜在的な代謝バイオマーカーを特定しました。さまざまな代謝経路。