得益于现代人工智能技术，加州大学戴维斯分校MIND研究所的研究人员最近成功地根据母体自身抗体(即攻击其组织的抗体)的特定模式准确预测了自闭症谱系障碍(ASD)的风险自己的主机。第一作者朱迪·范德沃特教授说：“这项研究的意义是巨大的。” “这是第一次使用机器学习以100%的准确度识别MAR ASD特定模式作为潜在的ASD风险生物标志物。”

在这项研究中，范德沃特(Van de Water)的小组分析了450名自闭症儿童母亲和342名典型发育儿童的母亲的血浆样本。所有样本均来自参与遗传和环境儿童自闭症风险研究的母亲。

机器学习使首次基于蛋白质生物标记物准确评估自闭症风险成为可能。图片：pxhere.com，CC0公共领域

在机器学习的帮助下，研究人员能够开发和验证一项测试，以鉴定与胎儿脑中丰富的八种蛋白质有反应性的ASD特异性母体自身抗体模式。

更具体地说，该算法经历了大约10,000个单独的模式，并确定了与MAR ASD风险最相关的三个模式，即CRMP1 + GDA，CRMP1 + CRMP2和NSE + STIP1。

“例如，如果母亲对CRIMP1和GDA(最常见的模式)具有自身抗体，那么根据当前数据集，她生自闭症孩子的几率是普通人群的31倍。巨大的，”范德沃特说。“几乎没有什么可以为您提供这种类型的风险评估。”

将来，这些孕妇生物标志物可用于高危妇女的孕前检测，因为早期诊断和干预通常在改善ASD儿童的生活质量方面更为有效。

此类测试基于快速准确的ELISA(酶联免疫吸附测定)平台，可以让女性发现孩子患MAR SAD的风险，如果排除这种情况，则意味着她们生孩子的总体风险自闭症的患病率低43%。

Van De Water现在正在研究动物模型，以开发有效的干预措施，以阻断这些母源抗体对胎儿大脑的影响。

“就自闭症的早期风险评估而言，这项研究意义重大，我们希望这项技术将来会在临床上有用。”