Uma plataforma de algoritmo de aprendizado profundo para prever diagnósticos e subtipos de autismo

Devido à alta prevalência (1% em Taiwan), comprometimento duradouro, etiologias pouco claras e falta de detecção, prevenção e tratamento biológico eficazes, o transtorno do espectro autista (TEA) foi priorizado para pesquisa de biomarcadores, mecanismos e tratamento . Recentemente, provou-se que o eixo intestino-cérebro, principalmente com modelos animais, é alterado em transtornos psiquiátricos e notadamente no TEA. Com a conquista de longo prazo de PI Gau na pesquisa multidimensional de TEA e nossa descoberta preliminar de microbiota intestinal alterada em ASD e seus irmãos não afetados, propomos este estudo prospectivo de 4 anos em larga escala com design de irmãos e medidas multidimensionais (ambientais, clínica, cognitiva, imagiológica, microbioma intestinal, metaboloma) para estabelecer uma plataforma de algoritmo de aprendizagem profunda para prever ASD e pesquisar potenciais biomarcadores e tratamento probiótico para ASD.

Objetivos Específicos:

1. Demonstrar a análise de perfis metagenômicos com base no microbioma intestinal e metaboloma de pacientes com TEA, irmãos não afetados e controles com desenvolvimento típico (TDC).
2. Investigar fatores ambientais, como histórico de gravidez e nascimento, a partir dos registros médicos e entrevistas da mãe ou dados do seguro nacional de saúde, para o microbioma, metagenômica e anatomia e função do cérebro.
3. Desenvolver uma plataforma de algoritmo de aprendizado profundo usando os fenótipos ambientais, comportamentais/clínicos, endofenótipos neurocognitivos/de imagem e perfis metagenômicos para identificar criadores de microbiota (metagenômica também) e outros preditores para diagnóstico, subtipos e nível de deficiências de TEA.
4. Estabelecer um aplicativo da web baseado em nossa plataforma de algoritmo de aprendizado profundo para uso clínico para auxiliar médicos no diagnóstico de TEA.