Une approche d'apprentissage automatique pour comprendre la réponse métabolomique des enfants atteints de troubles du spectre autistique au traitement au cannabis médical

Rapports scientifiques volume 13, Numéro d'article : 13022 (2023) Citer cet article

730 accès

25 Altmétrique

Détails des métriques

Le trouble du spectre autistique (TSA) est une condition neurodéveloppementale ayant un impact sur le comportement, la communication, l'interaction sociale et les capacités d'apprentissage. Le traitement au cannabis médical (MC) peut réduire les symptômes cliniques chez les personnes atteintes de TSA. Les biomarqueurs sensibles au cannabis sont des métabolites présents dans la salive qui changent en réponse au traitement MC. Auparavant, nous avions montré les niveaux de ces biomarqueurs chez les enfants atteints de TSA traités avec succès par MC vers les niveaux physiologiques détectés chez les enfants à développement typique (TD), et nous pouvions potentiellement quantifier l'impact. Ici, nous avons testé pour la première fois les capacités des techniques d'apprentissage automatique appliquées à notre ensemble de données dynamiques, haute résolution et riches en fonctionnalités de biomarqueurs sensibles au cannabis provenant d'un nombre limité d'enfants atteints de TSA avant et après un traitement MC et d'un groupe TD pour identifier : (1) biomarqueurs distinguant les groupes TSA et TD ; (2) des molécules végétales non cannabinoïdes ayant des effets synergiques ; et (3) des biomarqueurs associés à des cannabinoïdes spécifiques. Nous avons trouvé : (1) la lysophosphatidyléthanolamine peut faire la distinction entre les groupes TSA et TD ; (2) de nouveaux composés phytochimiques contribuent aux effets thérapeutiques du traitement MC en inhibant l'acétylcholinestérase ; et (3) les biomarqueurs sensibles au cannabis associés au THC et au CBD sont deux groupes distincts, tandis que le CBG est associé à certains biomarqueurs des deux groupes.

Les troubles du spectre autistique (TSA) sont un ensemble de conditions neurodéveloppementales hétérogènes qui affectent l'interaction sociale et la communication avec des modèles de comportement stéréotypés définis1. Il s’agit d’une maladie permanente qui apparaît dès le premier ou le deuxième trimestre et qui accompagne souvent une déficience intellectuelle, des troubles psychiatriques, une neuro-inflammation et/ou des troubles gastro-intestinaux2,3,4,5.

Le diagnostic et l'évaluation de l'efficacité du traitement sont difficiles en raison de l'hétérogénéité phénotypique clinique des TSA et reposent actuellement uniquement sur une évaluation subjective par des pédiatres du développement, des neurologues ou des psychologues. En tant que tels, les scores des outils d’enquête observationnelle ne sont pas comparables entre les patients et ne fournissent pas d’informations sur la physiopathologie sous-jacente des TSA. Étant donné que l’apparition des TSA est déclenchée par des facteurs à la fois génétiques et environnementaux via une cascade d’événements biochimiques conduisant à des anomalies métaboliques pléiotropes avec une grande variabilité entre les individus, il est difficile d’identifier les biomarqueurs des TSA6. Le fait que le risque d’avoir un deuxième enfant atteint de TSA soit 25 fois plus élevé dans les familles ayant déjà un enfant atteint de TSA que dans les familles ayant un enfant au développement typique (TD) suggère fortement l’implication de facteurs génétiques7. Cependant, les biomarqueurs génétiques associés spécifiquement aux TSA n’ont pas été identifiés ni utilisés systématiquement pour le dépistage. Des niveaux anormaux de protéines et de métabolites liés au stress oxydatif, à l’inflammation, au dysfonctionnement mitochondrial et à la dérégulation immunitaire ont été identifiés et caractérisés dans les TSA au cours des deux dernières décennies8. Néanmoins, la forte variabilité métabolique chez les personnes atteintes de TSA et la comorbidité associée à d'autres troubles ont limité le développement de biomarqueurs protéomiques et métaboliques fiables pour le diagnostic et l'évaluation du traitement.

L’apprentissage automatique (ML) est un sous-domaine de l’intelligence artificielle (IA) dans lequel diverses méthodes statistiques et informatiques sont appliquées à des ensembles de données vastes et complexes afin de développer et/ou d’ajuster des modèles prédictifs en imitant les processus humains de reconnaissance de formes9. ML nécessite un ensemble de données de formation composé de points de données, chacun étant considéré comme une seule observation issue d'une expérience décrite par un certain nombre de caractéristiques. Un nombre suffisant de fonctionnalités entraînées permet le développement d'un modèle qui prédit le résultat. Les techniques d'apprentissage automatique ont été appliquées avec succès aux études métabolomique pour identifier les éléments suivants : la signature métabolique des cas graves de COVID-19, la taxonomie du microbiote intestinal humain, les changements métaboliques lors de la grossesse humaine, l'infection grippale, le carcinome rénal (précision de 88 %), le diabète. maladie rénale, paragangliomes de la tête et du cou (précision de 99,2 %), cancer de la vessie à un stade précoce (précision jusqu'à 95 %) et signatures métabolomiques des sous-types de troubles dépressifs majeurs10. Chen et al.11 ont combiné la métabolomique urinaire non ciblée basée sur GC/MS d'échantillons collectés auprès d'un groupe d'enfants atteints de TSA et d'un groupe témoin TD avec l'algorithme XGBoost pour identifier 20 biomarqueurs métaboliques potentiels permettant de distinguer les groupes, qui ont été cartographiés sur un variété de voies métaboliques.