Associação entre variantes genéticas e perfil clínico multidimensional de doentes com perturbação do espetro do autismo: uma abordagem integrativa

Asif, Muhammad; Couto, Francisco; Vicente, Astrid M.

http://hdl.handle.net/10400.18/5590

Use this identifier to reference this record.

Name:	Description:	Size:	Format:
Boletim_Epidemiologico_Observacoes_N22_2018_artigo9.pdf		984.78 KB	Adobe PDF	Download

Send Feedback

Authors

Asif, Muhammad

Couto, Francisco

Vicente, Astrid M.

Abstract(s)

A complexidade genética e clínica que caracterizam a per turbação do espetro do autismo (PEA) têm limitado o desenvolvimento de biomarcadores que permitam um diagnóstico precoce e um prognóstico fiável, assim como uma abordagem personalizada para a inter venção terapêutica. Neste estudo pretendeu-se desenvolver uma abordagem integrativa para predição da apresentação clínica baseada em informação de variantes genéticas (Copy Number Variants, CNVs), com aplicação clínica no diagnóstico e prognóstico na PEA. Para tal, técnicas de aprendizagem automática (machine learning) foram aplicadas a dados clínicos e genéticos de 2446 doentes com PEA, recrutados no âmbito do consórcio Autism Genome Project. Análise de clustering de dados clínicos multidimensionais definiu, nesta população, dois subgrupos de pacientes com per fis clínicos diferindo significativamente em termos de capacidade verbal, nível cognitivo, gravidade da doença e compor tamento adaptativo. A análise dos CNVs que afetam especificamente genes do cérebro, nos mesmos indivíduos, identificou 15 processos biológicos enriquecidos em genes alterados. A aplicação de um algoritmo de machine learning para classificação dos doentes com apresentação clínica mais disfuncional, com base nos processos biológicos alterados, mostrou que correlações entre fenótipo clínico e biologia subjacente são possíveis na PEA e que, para grupos populacionais com dados informativos, existe um poder preditivo razoável. Para implementação deste conceito na prática clínica serão necessários estudos mais alargados com dados clínicos e genómicos mais completos.

The genetic and clinical complexity that characterize Autism Spectrum Disorder (ASD) has hindered the development of biomarkers for early diagnosis and reliable prognosis, as well as a personalized to therapeutic inter vention. This study aimed to develop an integrative approach for clinical presentation prediction based on Copy Number Variants (CNVs), with clinical application for diagnosis and prognosis of ASD. For this purpose, machine learning techniques were applied to a dataset of 2446 patients with ASD, recruited by the Autism Genome Project. Clustering analysis of multidimensional clinical data allowed the definition of two patient subgroups in this population, with clinical profiles dif fering significantly in verbal ability, cognitive level, disease severity and adaptive behavior. In the same subjects, analysis of CNVs specifically af fecting brain-expressed genes identified 15 biological processes enriched for the disrupted genes. A machine learning algorithm was trained and tested to classif y patients with more dysfunctional clinical presentation based on altered biological processes. The results showed that correlations between clinical phenotype and underlying biology can be established in ASD and that, for datasets with suf ficiently informative data, there is a reasonable predictive power. Fur ther studies with more complete clinical and genomic data are needed to implement this concept in clinical practice.