从数据到洞察力:机器学习使自闭症的预后生物标志物预测成为可能

科学领域:

• 生物化学和分子生物学
• 神经科学是一个神经科学.
• 遗传学 是一个遗传学.

背景情况:

• 自闭症谱系障碍 (ASD) 影响沟通和社会互动,带来重大社会和科学挑战.
• 目前的ASD诊断方法是主观的,耗时的,突出了客观生物标志物的需要.
• 自闭症的患病率正在增加,估计在2020年,每36名儿童中有1名患有自闭症.

研究的目的:

• 确定自闭症谱系障碍 (ASD) 的新型,可靠的诊断生物标志物.
• 探索microRNAs (miRNAs) 作为非侵入性,具有成本效益的ASD诊断工具的潜力.
• 在ASD患者中研究特定下调 miRNA 的诊断效用.

主要方法:

• 从45名患有自闭症儿童和21名对照儿童的血清样本中分析了微RNA (miRNA) 表达.
• 对372个微RNA (miRNA) 进行了定量分析.
• 机器学习模型,包括K-最近邻居 (KNN),用于诊断分类.

主要成果:

• 在所有ASD患者中,六种特定的miRNAs (miR-19a-3p,miR-361-5p,miR-3613-3p,miR-150-5p,miR-126-3p和miR-499a-5p) 显著下调.
• miR-126-3p显示出作为ASD诊断生物标志物的特殊潜力.
• 机器学习模型在使用miRNA配置文件准确诊断ASD方面表现有前途.

结论:

• 血清中的特定下调的miRNAs可以作为自闭症谱系障碍 (ASD) 的潜在生物标志物.
• miR-126-3p是早期和准确的ASD诊断的一个有希望的候选生物标志物.
• 将miRNA分析与机器学习相结合,为客观的ASD诊断提供了一个强大的方法.