En dyp læringsalgoritmeplattform for å forutsi autismediagnose og undertyper

På grunn av den høye prevalensen (1 % i Taiwan), langvarig svekkelse, uklare etiologier og mangel på effektiv påvisning, forebygging og biologisk behandling, har autismespekterforstyrrelser (ASD) blitt prioritert for forskning på biomarkører, mekanismer og behandling. . Nylig har det vist seg at tarm-hjerne-aksen, hovedsakelig med dyremodeller, er endret ved psykiatriske lidelser og spesielt ved ASD. Med PI Gaus langsiktige prestasjoner innen ASD multidimensjonal forskning og vårt foreløpige funn av endret tarmmikrobiota i ASD og deres upåvirkede søsken, foreslår vi denne 4-årige prospektive storskala studien med søskendesign og multidimensjonale mål (miljø, klinisk, kognitiv, avbildning, tarmmikrobiom, metabolom) for å etablere en dyp læringsalgoritmeplattform for å forutsi ASD og søke etter potensielle biomarkører og probiotisk behandling for ASD.

Spesifikke mål:

1. For å demonstrere metagenomikkprofilanalyse basert på tarmmikrobiomet og metabolomet til ASD-pasienter, upåvirkede søsken og typisk utviklende kontroller (TDC).
2. For å undersøke miljøfaktorer som graviditet og fødselshistorie fra morens medisinske journaler og intervjuer eller nasjonale helseforsikringsdata, for mikrobiomet, metagenomikk og hjernens anatomi og funksjon.
3. Å utvikle en dyp læringsalgoritmeplattform ved å bruke de miljømessige, atferdsmessige/kliniske fenotypene, nevrokognitive/bildeendofenotyper og metagenomiske profiler for å identifisere mikrobiota (også metagenomikk)-produsenter og andre prediktorer for ASD-diagnose, undertyper og nivå av svekkelser.
4. Å etablere en nettapplikasjon basert på vår dyplæringsalgoritmeplattform for klinisk bruk for å hjelpe leger med å diagnostisere ASD.