Aperçu: G.M.
Le
" trouble du spectre de l'autisme" (TSA) est un vaste ensemble de
troubles développementaux avec divers symptômes et degrés d'incapacité.
Actuellement,
les TSA sont principalement diagnostiqués avec des outils
psychométriques, souvent incapables de fournir un diagnostic précoce et
fiable. Récemment, des méthodes biochimiques ont été explorées pour répondre à ce dernier besoin. Par
exemple, une augmentation de la prédisposition aux TSA a été associée à
des anomalies des métabolites dans le métabolisme du carbone
mono-dépendant des folates (FOCM) et la transsulfuration (TS).
Des
métabolites multiples dans les voies FOCM / TS ont été mesurés, et des
outils d'analyse statistique ont été utilisés pour identifier certains
métabolites étroitement apparentés aux TSA. La
principale difficulté de ces études biochimiques provient:
(i) de la
détermination inefficace des métabolites les plus importants et
(ii) de
la compréhension de la relation entre ces métabolites et les TSA.
Cet
article présente une nouvelle méthode basée sur les résultats obtenus
dans la modélisation de Support Vector Machine (SVM) combinée à
l'analyse de sensibilité de la représentation de modèle à haute
dimension (HDMR). La
nouvelle méthode identifie de manière efficace et efficiente les
principaux métabolites responsables dans les voies FOCM / TS, classe
leur importance et découvre leurs modes d'action indépendants et
corrélatifs sur les TSA.
Une
telle information est utile non seulement pour jeter les bases d'une
interprétation pathologique, mais aussi pour fournir un diagnostic
précoce et fiable, conduisant idéalement à un traitement complet
subséquent des TSA. Avec
seulement quelques dizaines de passages du modèle SVM, la nouvelle
méthode peut identifier les combinaisons des métabolites les plus
importants dans les voies FOCM / TS qui conduisent à des TSA. Les efforts antérieurs pour trouver ces métabolites ont nécessité des
centaines de milliers de séries de modèles avec les mêmes données.
PLoS One. 2018 Feb 15;13(2):e0192867. doi: 10.1371/journal.pone.0192867. eCollection 2018.
High efficiency classification of children with autism spectrum disorder
Author information
- 1
- Department of Chemistry, Princeton University, Princeton, New Jersey 08544, United States of America.
- 2
- Peddie School, Hightstown, New Jersey 08520, United States of America.
Abstract
Autism spectrum disorder
(ASD) is a wide-ranging collection of developmental diseases with
varying symptoms and degrees of disability. Currently, ASD is diagnosed
mainly with psychometric tools, often unable to provide an early and
reliable diagnosis. Recently, biochemical methods are being explored as a
means to meet the latter need. For example, an increased predisposition
to ASD has been associated with abnormalities of metabolites in
folate-dependent one carbon metabolism (FOCM) and transsulfuration (TS).
Multiple metabolites in the FOCM/TS pathways have been measured, and
statistical analysis tools employed to identify certain metabolites that
are closely related to ASD. The prime difficulty in such biochemical
studies comes from (i) inefficient determination of which metabolites
are most important and (ii) understanding how these metabolites are
collectively related to ASD. This paper presents a new method based on
scores produced in Support Vector Machine (SVM) modeling combined with
High Dimensional Model Representation (HDMR) sensitivity analysis. The
new method effectively and efficiently identifies the key causative
metabolites in FOCM/TS pathways, ranks their importance, and discovers
their independent and correlative action patterns upon ASD. Such
information is valuable not only for providing a foundation for a
pathological interpretation but also for potentially providing an early,
reliable diagnosis ideally leading to a subsequent comprehensive
treatment of ASD. With only tens of SVM model runs, the new method can
identify the combinations of the most important metabolites in the
FOCM/TS pathways that lead to ASD. Previous efforts to find these
metabolites required hundreds of thousands of model runs with the same
data.
- PMID:29447214
- DOI:10.1371/journal.pone.0192867
Aucun commentaire:
Enregistrer un commentaire