Resumo:
Pesquisadores da Universidade de Virginia criaram um sistema que encontra sinais genéticos de autismo em imagens do cérebro com 89-95% de precisão. Chamado de morfometria baseada em transporte 3D (TBM), essa técnica utiliza inteligência artificial em imagens de ressonância magnética e baseada em modelos de como a massa cerebral é distribuída, se oferece uma maneira mais personalizada de tratar o autismo, focando nos sinais genéticos em vez de apenas em comportamentos. O método usa imagens para identificar padrões no cérebro que estão ligados a variações genéticas associadas ao autismo. Isso pode ajudar a diagnosticar e tratar o autismo mais cedo.
O Transtorno do Espectro Autista (TEA) é uma condição que afeta a forma como as pessoas interagem com outras, se comunicam e se comportam, sendo muitas vezes marcada por padrões repetitivos de comportamento.
As causas do autismo são uma mistura de fatores genéticos (que passam de pais para filhos) e fatores ambientais (influências do ambiente ao longo da vida). O diagnóstico de TEA hoje é feito principalmente observando o comportamento ao longo do desenvolvimento do individuo.
Sabemos que o autismo tem uma base genética muito forte, com até 90% de chance de ser herdado. Isso significa que, muitas vezes, ele é passado de pais para filhos. Por isso, entender melhor os genes envolvidos pode ajudar os médicos a identificar diferentes tipos de autismo, descobrir suas causas e criar tratamentos mais específicos para cada pessoa.
Mesmo com a importância dos genes, menos da metade das pessoas com autismo faz testes genéticos, segundo os pesquisadores.
Em uma pesquisa recente publicada na revista Science Advances, uma equipe liderada pelo professor Gustavo K. Rohde, da Universidade da Virgínia, desenvolveu um sistema que pode encontrar marcadores genéticos (pistas) do autismo em imagens do cérebro. Eles conseguiram isso com uma precisão de 89% a 95%.
Para o estudo, usaram imagens de ressonância magnética de pessoas que têm variações genéticas relacionadas ao autismo, comparando-as com um grupo de controle, ou seja, pessoas sem essas variações genéticas.
Para garantir que os grupos fossem parecidos em outros aspectos, os participantes do grupo de controle foram escolhidos com base em idade, sexo, uso preferido da mão (lateralidade) e QI não verbal. Além disso, foram excluídas pessoas com distúrbios neurológicos relacionados ou com histórico familiar de problemas semelhantes.
A técnica usada no estudo chama-se "morfometria baseada em transporte" (MBT). Ela utiliza modelos matemáticos para encontrar padrões específicos no cérebro que estão relacionados a diferenças genéticas chamadas CNVs (variações no número de cópias).
Essas CNVs ocorrem quando partes do DNA são duplicadas ou excluídas, o que pode afetar o desenvolvimento cerebral. O MBT ajuda a distinguir variações normais no cérebro daquelas associadas a essas mudanças genéticas.
Recentemente, os cientistas identificaram mais de 200 genes ligados ao autismo, sendo que algumas dessas CNVs representam um risco importante. Essas variações genéticas podem surgir como novas mutações durante a formação dos óvulos e espermatozoides, ou podem ser herdadas dos pais.
Um exemplo importante é uma variação na região cromossômica 16p11.2, que está ligada a mudanças no tamanho e formato do cérebro, além de como as substâncias cinzenta e branca são organizadas. Essa região abriga 29 genes e está relacionada a transtornos do neurodesenvolvimento, como o autismo.
O uso da técnica MBT permite que os cientistas vejam como essas variações genéticas afetam o cérebro e, possivelmente, o comportamento. O estudo mostrou que diferentes padrões cerebrais no autismo podem ser influenciados por essas variações.
A descoberta abre caminho para explorar novas relações entre genes, cérebro e comportamento, não apenas no autismo, mas também em outros distúrbios neurológicos.
Além disso, essa técnica pode ajudar a criar tratamentos mais personalizados, levando a uma medicina de precisão para o autismo. E isso significa que esta medicina verdadeiramente personalizada pode resultar em intervenções mais precoces.
Imagens geradas por TBM mostrando mudanças espacialmente difusas associadas a CNV 16p11.2. As imagens 3D geradas por TBM descrevem as mudanças físicas na densidade da substancia branca (WM) e da substância cinzenta (GM). Vermelho indica aumento relativo na densidade do tecido, enquanto azul representa diminuição relativa. Essas descobertas revelam crescimento excessivo difuso do tecido em portadores de deleção e crescimento insuficiente do tecido em portadores de duplicação em comparação aos controles, conforme destacado pelas setas pretas em regiões selecionadas. DOI: 10.1126/sciadv.adl5307
"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 alavancados para terapias", disse Rohde.
LEIA MAIS:
Discovering the gene-brain-behavior link in autism via generative machine learning
Shinjini Kundu, Haris Sair, Elliot H. Sherr, Pratik Mukherjee and Gustavo K. Rohde
SCIENCE ADVANCES, 12 Jun 2024, Vol 10, Issue 24, DOI: 10.1126/sciadv.adl5307
Abstract:
Autism is traditionally diagnosed behaviorally but has a strong genetic basis. A genetics-first approach could transform understanding and treatment of autism. However, isolating the gene-brain-behavior relationship from confounding sources of variability is a challenge. We demonstrate a novel technique, 3D transport-based morphometry (TBM), to extract the structural brain changes linked to genetic copy number variation (CNV) at the 16p11.2 region. We identified two distinct endophenotypes. In data from the Simons Variation in Individuals Project, detection of these endophenotypes enabled 89 to 95% test accuracy in predicting 16p11.2 CNV from brain images alone. Then, TBM enabled direct visualization of the endophenotypes driving accurate prediction, revealing dose-dependent brain changes among deletion and duplication carriers. These endophenotypes are sensitive to articulation disorders and explain a portion of the intelligence quotient variability. Genetic stratification combined with TBM could reveal new brain endophenotypes in many neurodevelopmental disorders, accelerating precision medicine, and understanding of human neurodiversity.
Comments