研究人员使用机器学习来识别自闭症血液生物标志物

利用机器学习工具来分析数百种蛋白质，UT Southwestern研究人员已经确定了一组血液中的生物标志物，可能导致初期诊断自闭症谱系障碍（ASD）的儿童，而且又更快的疗法。

在今天发表的一项研究中据报道，鉴定强烈预测ASD的九种血清蛋白普罗斯一体。

早期的诊断，其次是迅速治疗支持和干预，可能对患有美国自闭症的59例儿童的1次诊断产生重大影响。德维特德国，博士表示，能够识别自闭症频谱的儿童，这是德维特德语，博士学位，博士学位，博士学位，博士，博士，博士，博士学位，博士，博士，博士，博士。

目前，在美国诊断为ASD的儿童的平均年龄是4岁。4岁之前的诊断意味着孩子更有可能获得有效，基于证据的待遇，例如针对核心ASD症状的疗法，包括不灵活的行为和缺乏沟通或社交技能。

已经研究了许多基于血液的生物标志物候选者，包括神经递质，细胞因子和线粒体功能障碍，氧化应激和甲基化受损的标记。但是，鉴于ASD的患病率，使用机器学习融合人口统计和临床数据分析中可以更有源地检查疾病状态和症状严重程度。

对于该研究，血清样本来自76名男孩，典型的男孩和78名典型的男孩，所有年龄在18个月至8年里，都被检查到8年。

与典型发展的男孩相比，生物标志物组中的所有9个蛋白在亚丁的男孩中有显着差异。研究人员发现，九个血清蛋白中的每一个与症状严重性相关。

使用Somalogic检查超过1,100个蛋白质蛋白质分析平台。用三种计算方法确定九种蛋白的面板是最佳预测ASD。然后，研究人员使用机器学习方法评估了生物标志物面板的质量。未来的研究需要完全验证现在的研究结果。

“对孩子的显着影响越大，比血液高或低生物标志物是，“德国人说。”理想情况下，将使用血液生物标志物识别孩子的一天，因为有冒险造成ASD和治疗的风险，可以立即开始。这会有所帮助孩子培养技能以优化他们的沟通和学习。“

该研究中的儿童由Laura Hewitson，Ph.D.，摩根·德文州招聘在德克萨斯州奥斯汀的奥斯汀的多学科治疗中心，并使用独特的临床护理，研究和教育进一步了解亚育植物及相关发育障碍。Hewitson指出，“我们之前可以识别自闭症的儿童，了解我们可以获得提供支持和治疗的方法，以提高他们的生活质量。”

---

---