Pesquisadores da Well Cornell Medicine nos EUA identificaram quatro subtipos de transtorno do espectro do autismo (TEA) ligados a vias moleculares distintas no cérebro usando machine learning (aprendizado de máquina). As descobertas foram reveladas em um estudo recente publicado na Nature Neuroscience, que procurou investigar se os mecanismos moleculares poderiam explicar as diferenças individuais no TEA.
“Como muitos diagnósticos neuropsiquiátricos, os indivíduos com transtorno do espectro do autismo experimentam muitos tipos diferentes de dificuldades com interação social, comunicação e comportamentos repetitivos. Os cientistas acreditam que provavelmente existem muitos tipos diferentes de transtorno do espectro do autismo que podem exigir tratamentos diferentes, mas não há consenso sobre como defini-los”, disse o coautor sênior Conor Liston, PhD, médico e professor associado de psiquiatria e neurociência no Feil Family Brain and Mind Research Institute da Weill Cornell Medicine, em um comunicado à imprensa. “Nosso trabalho destaca uma nova abordagem para descobrir subtipos de autismo que podem um dia levar a novas abordagens para diagnóstico e tratamento.”
Para investigar os subtipos de TEA, os pesquisadores basearam-se em trabalhos anteriores de Liston e colegas que usaram machine learning para identificar quatro subtipos biologicamente distintos de depressão, subgrupos que pesquisas posteriores revelaram responder de maneira diferente a várias terapias.
Usando essa abordagem, a equipe de pesquisa procurou explorar se existem subgrupos semelhantes para pacientes com TEA e se diferentes vias gênicas são responsáveis por variações entre esses subgrupos.
Para fazer isso, os pesquisadores integraram dados de neuroimagem com dados de expressão gênica e proteômica, o que permitiu à equipe entender melhor como as variantes de risco interagem nos subgrupos de autismo, já que o TEA é uma condição altamente hereditária associada a centenas de genes diferentes.
“Uma das barreiras para o desenvolvimento de terapias para o autismo é que os critérios de diagnóstico são amplos e, portanto, se aplicam a um grupo grande e fenotipicamente diversificado de pessoas com diferentes mecanismos biológicos subjacentes”, explicou a principal autora Amanda Buch, PhD, pós-doutoranda associada em neurociência em psiquiatria na Weill Cornell Medicine. “Para personalizar terapias para indivíduos com autismo, será importante entender e direcionar essa diversidade biológica. É difícil identificar a terapia ideal quando todos são tratados como iguais, quando cada um é único.”
Os pesquisadores analisaram dados de neuroimagem de 299 pessoas com autismo e 907 pessoas neurotípicas. A partir disso, eles descobriram que certos padrões de conexões cerebrais estavam ligados a traços comportamentais em pessoas com TEA, como habilidade verbal, afeto social e comportamentos repetitivos ou estereotipados.
Esses padrões ajudaram a identificar quatro subgrupos de autismo, que também foram encontrados após a análise de um conjunto de dados separado. Dois dos grupos tinham inteligência verbal acima da média. Destes, um grupo demonstrou déficits graves na comunicação social, mas menos comportamentos repetitivos, enquanto o outro demonstrou comportamentos mais repetitivos e menos comprometimento social.
O subgrupo com maior comprometimento social tinha conexões hiperativas entre as partes do cérebro que processam informações visuais e ajudam a identificar as informações recebidas mais importantes. Por outro lado, essas conexões foram mais fracas no subgrupo com comportamentos mais repetitivos.
Os outros dois grupos tinham deficiências sociais graves e comportamentos repetitivos, mas os indivíduos desses subgrupos também tinham habilidades verbais em extremos opostos do espectro.
Apesar de alguns comportamentos e características semelhantes, os pesquisadores encontraram padrões distintos de conexão cerebral dentro desses subgrupos.
No futuro, a equipe de pesquisa se baseará nessas descobertas e estudará os quatro subgrupos e possíveis tratamentos direcionados a subgrupos em camundongos. Os pesquisadores também estão colaborando com outras equipes que têm acesso a grandes conjuntos de dados humanos para validar e refinar ainda mais a abordagem de machine learning aproveitada neste estudo.