.
Uma equipe de pesquisa multiuniversitária coliderada pelo professor de engenharia da Universidade da Virgínia, Gustavo K. Rohde, desenvolveu um sistema que pode detectar marcadores genéticos de autismo em imagens cerebrais com precisão de 89 a 95%.
Suas descobertas sugerem que os médicos podem um dia ver, classificar e tratar o autismo e condições neurológicas relacionadas com este método, sem ter que depender de, ou esperar por, pistas comportamentais. E isso significa que esta medicina verdadeiramente personalizada pode resultar em intervenções mais precoces.
“O autismo é tradicionalmente diagnosticado comportamentalmente, mas tem uma forte base genética. Uma abordagem que prioriza a genética pode transformar a compreensão e o tratamento do autismo”, escreveram os pesquisadores em um artigo publicado em 12 de junho no periódico Avanços da Ciência.
Rohde, professor de engenharia biomédica e elétrica e de computação, colaborou com pesquisadores da Universidade da Califórnia em San Francisco e da Faculdade de Medicina da Universidade Johns Hopkins, incluindo Shinjini Kundu, ex-aluno de doutorado de Rohde e primeiro autor do artigo.
Enquanto trabalhava no laboratório de Rohde, Kundu — agora médico no Hospital Johns Hopkins — ajudou a desenvolver uma técnica de modelagem computacional generativa chamada morfometria baseada em transporte, ou TBM, que está no centro da abordagem da equipe.
Usando uma nova técnica de modelagem matemática, seu sistema revela padrões de estrutura cerebral que preveem variações em certas regiões do código genético do indivíduo — um fenômeno chamado “variações do número de cópias”, no qual segmentos do código são deletados ou duplicados. Essas variações estão ligadas ao autismo.
A TBM permite que os pesquisadores distingam variações biológicas normais na estrutura cerebral daquelas associadas a deleções ou duplicações.
“Algumas variações no número de cópias são conhecidas por estarem associadas ao autismo, mas sua ligação com a morfologia cerebral — em outras palavras, como diferentes tipos de tecidos cerebrais, como a substância cinzenta ou branca, são organizados em nosso cérebro — não é bem conhecida”, disse Rohde. “Descobrir como a CNV se relaciona com a morfologia do tecido cerebral é um primeiro passo importante para entender a base biológica do autismo.”
Como o TBM decifra o código
A morfometria baseada em transporte é diferente de outros modelos de análise de imagem de aprendizado de máquina porque os modelos matemáticos são baseados em transporte de massa — o movimento de moléculas como proteínas, nutrientes e gases para dentro e para fora de células e tecidos. “Morfometria” se refere à medição e quantificação das formas biológicas criadas por esses processos.
A maioria dos métodos de machine learning, disse Rohde, tem pouca ou nenhuma relação com os processos biofísicos que geraram os dados. Eles dependem, em vez disso, do reconhecimento de padrões para identificar anomalias.
Mas a abordagem de Rohde usa equações matemáticas para extrair informações de transporte de massa de imagens médicas, criando novas imagens para visualização e análise posterior.
Em seguida, usando um conjunto diferente de métodos matemáticos, o sistema analisa informações associadas a variações de CNV relacionadas ao autismo de outras variações genéticas “normais” que não levam a doenças ou distúrbios neurológicos — o que os pesquisadores chamam de “fontes confusas de variabilidade”.
Essas fontes anteriormente impediam os pesquisadores de entender a relação “gene-cérebro-comportamento”, limitando efetivamente os prestadores de cuidados a diagnósticos e tratamentos baseados no comportamento.
De acordo com a revista Forbes, 90% dos dados médicos estão na forma de imagens, que não temos meios de desbloquear. Rohde acredita que TBM é a chave mestra.
“Dessa forma, grandes descobertas a partir de quantidades tão grandes de dados podem estar por vir se utilizarmos modelos matemáticos mais apropriados para extrair tais informações.”
Os pesquisadores usaram dados de participantes do Projeto Simons Variation in Individuals, um grupo de indivíduos com variação genética ligada ao autismo.
Os indivíduos do conjunto de controle foram recrutados de outros ambientes clínicos e pareados por idade, sexo, lateralidade e QI não verbal, excluindo aqueles com distúrbios neurológicos relacionados ou históricos familiares.
“Esperamos que as descobertas, a capacidade de identificar mudanças localizadas na morfologia cerebral ligadas a variações no número de cópias, possam apontar para regiões cerebrais e, eventualmente, mecanismos que podem ser aproveitados para terapias”, disse Rohde.
Publicação
A descoberta da ligação gene-cérebro-comportamento no autismo por meio do aprendizado de máquina generativo foi publicada em 12 de junho de 2024, em Avanços da Ciência.
Outros coautores são Haris Sair, da Faculdade de Medicina Johns Hopkins, e Elliott H. Sherr e Pratik Mukherjee, do Departamento de Radiologia da Universidade da Califórnia em São Francisco.
A pesquisa recebeu financiamento da National Science Foundation, dos Institutos Nacionais de Saúde, da Radiological Society of North America e da Simons Variation in Individuals Foundation.
.
