11 juin 2017

Détection automatisée des porteurs de prémutation X fragile basée sur des phénotypes de calcul linguistique et cognitive

Aperçu: G.M.
Des millions de personnes à l'échelle mondiale sont à risque élevé de troubles neurodégénératifs, d'infertilité ou d'avoir des enfants handicapés à la suite de la prémutation X Fragile(FX), une anomalie génétique dans FMR1 qui est sous-diagnostiquée, la plupart des porteurs ne connaissent pas leur état.
Dans une approche novatrice du phénotypage, l'équipe a utilisé des enregistrements audio et des profils cognitifs évalués via des questionnaires auto-administrés sur 200 femmes. Des méthodes d'apprentissage par machine ont été développées pour discriminer les porteurs de prématuration FX des mères d'enfants avec un diagnostic de "troubles du spectre de l'autisme", le groupe témoin. 
En utilisant des forêts d'arbres décisionnels, les porteurs de prématuration FX pourraient être identifiés de manière automatisée avec une haute précision et un rappel (score 0,81 F1). Les phénotypes linguistiques et cognitifs hautement associés aux porteurs de prématuration FX étaient une dysfluidité élevée du langage, une faible capacité à organiser du matériel et une faible auto-surveillance. Le cadre de la recherche définit les bases de stratégies de phénotypage computationnel pour présélectionner de grandes populations pour cette variante génétique avec des coûts nominaux. 


Sci Rep. 2017 Jun 1;7(1):2674. doi: 10.1038/s41598-017-02682-4.

Automated screening for Fragile X premutation carriers based on linguistic and cognitive computational phenotypes

Author information

1
Waisman Center, University of Wisconsin-Madison, Madison, WI, USA.
2
Wisconsin Institute for Discovery, University of Wisconsin-Madison, Madison, WI, USA.
3
Department of Biomedical Engineering, University of Wisconsin-Madison, Madison, WI, USA.
4
Waisman Center, University of Wisconsin-Madison, Madison, WI, USA. marsha.mailick@wisc.edu.
5
Waisman Center, University of Wisconsin-Madison, Madison, WI, USA. audra.sterling@wisc.edu.
6
Department of Communication Sciences and Disorders, University of Wisconsin-Madison, Madison, WI, USA. audra.sterling@wisc.edu.
7
Department of Social Work, University of Wisconsin-Madison, Madison, WI, USA.
8
Waisman Center, University of Wisconsin-Madison, Madison, WI, USA. ksaha@wisc.edu.
9
Wisconsin Institute for Discovery, University of Wisconsin-Madison, Madison, WI, USA. ksaha@wisc.edu.
10
Department of Biomedical Engineering, University of Wisconsin-Madison, Madison, WI, USA. ksaha@wisc.edu.

Abstract

Millions of people globally are at high risk for neurodegenerative disorders, infertility or having children with a disability as a result of the Fragile X (FX) premutation, a genetic abnormality in FMR1 that is underdiagnosed. Despite the high prevalence of the FX premutation and its effect on public health and family planning, most FX premutation carriers are unaware of their condition. Since genetic testing for the premutation is resource intensive, it is not practical to screen individuals for FX premutation status using genetic testing. In a novel approach to phenotyping, we have utilized audio recordings and cognitive profiling assessed via self-administered questionnaires on 200 females. Machine-learning methods were developed to discriminate FX premutation carriers from mothers of children with autism spectrum disorders, the comparison group. By using a random forest classifier, FX premutation carriers could be identified in an automated fashion with high precision and recall (0.81 F1 score). Linguistic and cognitive phenotypes that were highly associated with FX premutation carriers were high language dysfluency, poor ability to organize material, and low self-monitoring. Our framework sets the foundation for computational phenotyping strategies to pre-screen large populations for this genetic variant with nominal costs.
PMID:28572606
PMCID:PMC5454004
DOI:10.1038/s41598-017-02682-4

Aucun commentaire: