ASD является гетерогенным заболеванием на нескольких уровнях, начиная с клинической точки зрения. Хорошо документировано, что ASD часто сочетается с другими психическими заболеваниями, такими как синдром дефицита внимания/гиперактивности (ADHD, ~28-31%), тревога (~20-56%), депрессия (~ 11-70%), обсессивно-компульсивное расстройство (~7-24%), оппозиционно-вызывающее расстройство (~25-28%), биполярное расстройство (~5-7%) и шизофрения (~2-13%) [5-11]. Эти психиатрические заболевания сопутствуют у 70% пациентов с ASD и оказывают значительное влияние на качество жизни, заболеваемость и смертность [12]. Более того, умственная отсталость является частым сопутствующим заболеванием, хотя ее распространенность остается спорной; хотя в предыдущих эпидемиологических отчетах предполагалось, что у 70% пациентов с ASD имеется сопутствующая умственная отсталость, из-за отсутствия стандартизированных определений но при повышении осведомленности и диагностики это число снизилось до ~30% в последних отчетах [13]. Эпилепсия также встречается часто (10-26% пациентов с ASD), причем ее распространенность связана с пожилым возрастом, более низкими когнитивными способностями, худшим адаптивным и языковым функционированием, историей регресса развития и более тяжелыми симптомами ASD; однако ни один конкретный тип припадков не показывает значительно более высокую распространенность при ASD [14-16]. Дополнительные неврологические особенности, чаще встречающиеся у пациентов с ASD, включают макроцефалию, гидроцефалию, церебральный паралич, мигрень/головные боли и врожденные аномалии. Кроме того, 80% пациентов страдают от нарушений сна, а 46-84% имеют желудочно-кишечные расстройства [17]. Наконец, электронные медицинские карты (EHR) показали, что у взрослых с ASD чаще диагностируются дополнительные нарушения физического состояния здоровья, такие как иммунные заболевания, ожирение или инсульт, по сравнению со взрослыми в общей популяции [18]. Эта неоднородность, связанная как с основными, так и с сопутствующими заболеваниями, отражает неоднородную картину невропатологии при ASD [19].

В соответствии с клинической гетерогенностью, наблюдаемой среди пациентов с диагнозом ASD, генетическая архитектура ASD также очень сложна и изменчива. По оценкам, более 1 000 генов могут вносить вклад в риск развития ASD [20]. Сюда входят гены с высокой пенетрантностью по ASD, которые редко нарушаются в общей популяции и обычно приводят к моногенным состояниям, связанным с ASD, а также гены, способствующие более полигенным формам ASD, в которых аддитивные эффекты, обусловленные общими вариантами, могут быть определяющими [21]. За последние десятилетия был достигнут значительный прогресс в идентификации генов риска развития ASD, при этом большинство открытий генов все еще происходит на основе идентификации повторяющихся de novo мутаций потери функции (LoF) в сильно ограниченных генах, а также на основе некоторых новых открытий путем анализа редких наследуемых вариантов LoF [22]. На сегодняшний день около 100 генов уверенно ассоциированы (коэффициент ложного обнаружения [FDR] менее 0,05) с риском развития ASD (Дополнительная таблица 1) и более 1000 генов (включая первые) демонстрируют подтверждающие доказательства на основе генетических и функциональных данных (https://www.sfari.com). Тем не менее, отдельные гены и варианты, ассоциированные с повышенным риском развития ASD, обычно составляют очень небольшую часть случаев [23]. Примечательно, что гены, сильно ассоциированные с ASD (FDR менее 0,05), не всегда воспроизводятся в крупномасштабных исследованиях секвенирования ASD (рис. 1A, дополнительная таблица 1). Хотя ошибки первого типа и недостаток статистической мощности могут объяснить некоторые из этих расхождений, на это также влияет основная генетическая гетерогенность пациентов с диагнозом ASD и небольшая доля случаев, объясняемых индивидуальными генетическими факторами риска. Следовательно, даже гены, которые, по общему признанию научного сообщества, связаны с риском развития ASD (например, CUL3), не всегда достигают значимости в крупномасштабных исследованиях ассоциаций.



Figure 1. Cross-study inconsistencies across large-scale sequencing and gene expression analysis studies in ASD (A) Number of genes reported to be significantly associated with ASD (FDR < 0.05) across one or more large-scale sequencing studies in ASD [22], [92-94]. The y-axis shows the number of ASD risk genes consistently reported in the studies listed below, with the colors of the bars representing the number of publications that have indicated those genes as implicated in ASD risk. It can be observed from the red bar at the right of the plot, that the same 19 genes have been reported in all studies as significantly associated with ASD, while a total of 33 genes have been identified as ASD risk genes by only one of the studies evaluated (B) Number of genes reported as ASD differentially expressed across the studies analyzed (see Supplementary Information). Only two genes were found to be DE in all 7 studies reviewed, whereas a total of 4572 genes were reported as DE in ASD by only one study, without being replicated in any of the 7 represented in this graph. ASD, autism spectrum disorder; DE, differentially expressed; FDR, False Discovery Rate.

Функциональные геномные анализы показали слияние кластеров генов риска, связанных с ASD и NDD, в широкие молекулярные пути, что способствовало развитию механистических гипотез. Среди них объединяющая теория, предполагающая повышенное соотношение возбуждения и торможения в мозге пациентов с ASD, была впервые описана в 2003 году. Эта гипотеза была поддержана исследованиями, в которых сообщалось о наличии судорог, необычно частых скачков активности и низком уровне гамма-аминомасляной кислоты (GABA) в мозге пациентов с диагнозом ASD. Однако другие исследования представили противоречивые данные, которые продемонстрировали повышенную плотность тормозных интернейронов в посмертной ткани мозга пациентов с ASD, а также гиповозбудимость клеток Пуркинье, полученных от пациентов с туберозным склерозом и ASD. Эти противоречивые результаты свидетельствуют о сосуществовании различных подгрупп пациентов с ASD с противоположной патофизиологией. Фактически, гены, тесно коррелирующие на уровне молекулярных путей, могут приводить к схожим фенотипическим профилям, предрасполагающим к ASD, в то время как мутации в отдаленно связанных генах риска ASD могут приводить к различным или даже противоположным клиническим проявлениям (см. Дополнительную информацию и Дополнительные таблицы 2 и 3). Например, известно, что варианты числа копий (CNVs) вносят вклад в гетерогенность ASD через зеркальные эффекты, которые могут быть вызваны изменением дозировки генов, например, в 7q11.23, 22q11.21, 1q44, 1q21.1 и 16p11.2. В целом, накопленные данные свидетельствуют о существовании подгрупп пациентов с ASD с различной или даже противоположной патофизиологией, что подчеркивает необходимость учета типа и направленности возмущений у разных пациентов для разработки эффективных и безопасных лекарственных методов лечения ASD.

Метаболомика, профилирование метаболитов малых молекул, стала одним из основных направлений в изучении патогенеза ASD. Действительно, метаболом отражает ранее обсуждавшееся взаимодействие между генетическими [24] и экологическими [25] влияниями при ASD, благодаря своей чувствительности к взаимодействию между геномом, микробиомом кишечника, диетой и факторами окружающей среды, и поэтому может предоставить информацию для преодоления разрыва между генотипом и фенотипом [26]. В этом контексте перспективные биомаркеры диагностики ASD (такие как метаболиты) могут сыграть важную роль в ранней диагностике заболевания в младенческом возрасте, что позволит начать раннее вмешательство, которое, как было показано, способствует улучшению поведенческой симптоматики у детей с ASD [27].

В последнее время все большее внимание привлекает изучение различий в метаболитах между пациентами с NDDs и типично развивающимися людьми (TD). Эта стратегия широко используется при анализе различных образцов (таких как кровь, моча и кал) у пациентов с ASD и здоровых людей [28]. Однако результаты различных исследований, анализирующих изменения метаболитов крови у детей с расстройствами аутистического спектра, редко совпадают (см. Дополнительную информацию). Отсутствие воспроизводимости результатов исследований отчасти объясняется высокой гетерогенностью пациентов с диагнозом ASD.

В последние несколько лет значительные усилия были направлены на транскриптомное профилирование пациентов с ASD с целью выявления ключевых дизрегуляторных генов как в мозге, так и в периферических тканях. Последние исследования были направлены на понимание изменений экспрессии, вовлеченных в патофизиологию нервных клеток, а также на измерение транскриптомных изменений в более легкодоступных тканях, таких как периферическая кровь, для диагностики ASD и разработки вариантов лечения. Как и в генетических и метаболомных исследованиях, гены, о которых сообщалось, что они значительно разрегулированы при ASD (FDR менее 0,05), почти не воспроизводились в различных исследованиях (Рисунок 1B).

Крупные исследования когорт, направленные на выявление общей сигнатуры путем сравнения всех пациентов с ASD как единой группы с контрольной популяцией, указали на несколько путей, нарушающих регуляцию, связанных с развитием и функционированием нервной системы, иммунной системы, а также связанных с окислительным фосфорилированием и синтезом АТФ [29-33]. Однако подобные изменения были связаны и с другими заболеваниями, в частности, у пациентов с другими психическими расстройствами и раком. В двух недавних исследованиях [34], [35] был выявлен сильный общий сигнал между ASD и другими нейрологическими заболеваниями, такими как шизофрения и депрессия, связывающий изменения транскриптомики с общей генетической архитектурой системы центральных нейронов. Эти результаты показывают возможность выявления дисрегуляции экспрессии генов у пациентов с ASD наряду с существующими совпадениями с нарушениями регуляции экспрессии генов, зарегистрированными при других неврологических и иммунных заболеваниях. Они также указывают на недостаток информации о конкретном заболевании для разработки точного лечения ASD.

Сложность клинических, генетических и молекулярных аспектов, лежащих в основе ASD, представляет собой серьезную проблему для поиска лекарств. Об этом свидетельствует отсутствие успеха в определении методов лечения, направленных на устранение основных симптомов ASD (Дополнительная таблица 4, адаптирована из Siafis et al. [36]).

Одной из основных трудностей в разработке лекарств для лечения ASD и NDD является сложность генетических и экологических факторов, вызывающих ранние изменения в развитии мозга, которые могут включать нарушения регуляции и дисбаланс нескольких нейротрансмиттеров центральной нервной системы (ЦНС), таких как серотонин, ацетилхолин, гистамин, дофамин, GABA и глутамат [37]. Нарушения в префронтальной коре и мезолимбической цепи с участием дофамина в качестве ключевого медиатора влияют на поведение и эмоциональную регуляцию, в то время как изменения в других соответствующих системах нейротрансмиссии могут привести к снижению экспрессии GABA-эргических генов и/или усилению глутаминергической сигнализации. Некорректная модуляция этих различных мозговых цепей при ASD приводит к развитию основных симптомов и спектра нескольких сопутствующих заболеваний, таких как депрессия, шизофрения, судороги, бессонница, нарушение поведенческой активности, дефицит внимания и самоповреждения. Фармакологическое воздействие на проявления ASD в настоящее время применено в нескольких клинических исследованиях по поиску потенциальных терапевтических стратегий [37-39]. Хотя утвержденные методы лечения могут помочь облегчить сопутствующие симптомы и сопутствующие заболевания, эти методы не устраняют основные симптомы и могут вызвать ряд побочных эффектов. В этом отношении рисперидон (Risperdal®) и арипипразол (Abilify®) являются единственными препаратами, одобренными Управлением по контролю за продуктами и лекарствами (FDA) для пациентов с ASD. Эти препараты могут быть назначены для уменьшения раздражительности, которая может быть связана с ASD. Другие часто назначаемые препараты включают селективные ингибиторы обратного захвата серотонина (SSRIs), противотревожные препараты или стимуляторы, хотя ни один из них не был одобрен FDA для лечения ASD.

Последние исследования показывают, что только часть пациентов будет отвечать на любое лечение, и вероятность того, что один или несколько терапевтических методов лечения будут эффективны для всей популяции ASD, очень мала [40]. Таким образом, парадигма при ASD должна перейти от "универсального" подхода к более персонализированной медицине, в которой идентификация многочисленных "биологий", лежащих в основе ASD, будет ключом к определению молекулярных мишеней, участвующих в патофизиологии конкретных подгрупп пациентов с потенциалом ответа на определенное лечение на основе общей биологии. Кроме того, данные, связанные с неудачей клинических испытаний ASD, могут быть связаны с неоптимальным дизайном исследования и результатами, полученными на основе широких диагностических критериев, а не клинически значимых или ориентированных на пациента критериев. Исторически сложилось так, что клинические испытания кандидатов в лекарственные препараты для лечения ASD включали широкие группы участников, в результате чего не удалось продемонстрировать клиническую пользу среди всех участников исследования [40], [41]. Аналогичным образом, существующие клинические исследования ASD обычно фокусируются на симптомах, наблюдаемых у пациентов ASD, таких как раздражительность, гиперактивность и тревожность в качестве клинических конечных точек, а не на молекулярных механизмах, лежащих в основе этих симптомов [42]. В последнее время все чаще рассматриваются основные симптомы ASD, такие как социальная замкнутость и социальная коммуникация [42]. Однако, несмотря на эти недавние попытки нацелиться на основные дефициты, до сих пор нет существенных доказательств, подтверждающих эффективность медикаментозного лечения этих основных симптомов на популяционном уровне.

В этом контексте в клинических исследованиях, оценивающих D-cycloserine [43] и memantine [44], сообщалось о клинически значимом эффекте в снижении основных симптомов у некоторых подростков и взрослых с ASD. SSRIs также часто назначаются пациентам с синдромом Fragile X для снятия тревоги, раздражительности, улучшения настроения и социальных дефицитов. Полиморфизм пяти генов, вовлеченных в серотониновый путь и его метаболизм, был изучен и значительно коррелировал с улучшением когнитивных и поведенческих показателей у маленьких детей с синдромом Fragile X, получавших sertraline (по сравнению с плацебо), был связан с определенными генотипами BNDF [45]. В целом, различия, наблюдаемые среди пациентов в их поведенческом ответе на лечение, указывают на необходимость полного учета гетерогенности в этиологии, патогенезе и симптоматике пациентов с ASD для успешноq разработки терапии [46].

Гетерогенность в плане ответа на лечение была также подчеркнута лекарственными препаратами, направленными на предполагаемый дисбаланс возбуждения против торможения при ASD, о чем сообщалось в испытаниях arbaclofen и bumetanide [47-49]. Арбаклофен, агонист рецепторов GABA-В, был испытан для лечения синдрома Fragile X на основании предыдущих доказательств улучшения поведения в генетических исследованиях на мышиных моделях [43]. В 2017 году VanderWeele и др. сообщили о неубедительных результатах рандомизированного двойного слепого плацебо-контролируемого клинического исследования фазы-2 арбаклофена, назначаемого пациентам с ASD, у которых в анамнезе были судорожные расстройства [47]. Авторы подчеркнули важность сужения целевой популяции для выявления улучшений, ожидаемых только в части гетерогенного спектра аутизма. Последующий анализ балла социализации, сосредоточенный только на последовательных оценках Vineland Adaptive Behavior Scale-II, продемонстрировал значительное улучшение при приеме арбаклофена через 12 недель. Аналогичная попытка была предпринята при повторном применении препарата, используемого для лечения гипертонии, известного как bumetanide, ингибитор Na-K-Cl котранспортера в головном мозге (NKCC1) и почечных NKCC2 хлорид-импортеров, который снижает внутриклеточную концентрацию хлоридов и способствует GABA-эргическому торможению. Эффективность bumetanide оценивалась в соответствующих клинических исследованиях с участием детей с ASD или синдромом Аспергера. Эти исследования продемонстрировали значительное улучшение по шкале оценки детского аутизма (CARS), улучшение Clinical Global Impression (CGI) и повышение шкалы социальной отзывчивости (SRS) по сравнению с плацебо [49]. Однако ответ, основанный на сопутствующих заболеваниях, не мог быть проанализирован из-за довольно маленькой выборки (n менее 100) [49]. Совсем недавно крупнейшее европейское клиническое исследование 3 фазы буметанида для лечения основных симптомов ASD в педиатрической популяции было прекращено из-за недостаточной эффективности. Компания Servier, спонсор исследования, сообщила в пресс-релизе [50], что результаты не показали эффективности буметанида по сравнению с плацебо для лечения общей популяции больных ASD. Основными критериями оценки основных симптомов ASD были изменения в общении и социальном взаимодействии с присутствием стереотипного и повторяющегося поведения. Профессор Ben-Ari, который является президентом компании Neurochlore, первоначально сотрудничавшей с Servier в клинических испытаниях буметанида, заявил, что "гетерогенность ASD, вероятно, делает невозможным предложить единственное лечение для всех аутичных детей".

В целом, эти исследования свидетельствуют о необходимости новых подходов, основанных на данных, для выявления субпопуляций пациентов с диагнозом ASD и определения более надежных конечных точек, учитывающих молекулярные изменения, лежащие в основе этих субпопуляций. Соответственно, мы ожидаем повышения роли анализа социального функционирования, повторяющегося/ограниченного поведения и когнитивных нарушений на основе искусственного интеллекта в сочетании с данными "multi-omics". Параллельно с этим в клинических исследованиях необходимо будет использовать более объективные и измеримые конечные точки, чтобы противостоять высокому эффекту плацебо. Конечные точки, полученные в результате количественных измерений, таких как сигналы ЭЭГ, уровни биомолекул в цельной крови и цереброспинальной жидкости, а также продольные измерения, оценивающие когнитивные, эмоциональные, моторные и сенсорные функции с помощью инструментальной платформы NIH (https://neuroscienceblueprint.nih.gov/resources-tools/blueprint-resources-tools-library/nih-toolbox-assessment-neurological-and), будут играть важную роль в информировании о биологических механизмах, лежащих в основе конкретных моделей поведения.

Вычислительные методы могут помочь улучшить характеристику и классификацию пациентов с диагнозом ASD. Стратификация пациентов на подгруппы, представляющие интерес, является перспективной стратегией для решения проблемы гетерогенности, присущей ASD, и создания более однородных подтипов заболевания; тем не менее, наиболее часто используемые переменные для анализа подтипов, проведенного до сих пор, основаны на оценке поведения [51]. В связи с этим выявление подгрупп пациентов с общим молекулярным фоном будет иметь ключевое значение для разработки целевых и более эффективных методов лечения. За последнее десятилетие было предложено множество подходов, которые включают как подходы с контролируемым обучением, предполагающие обучение моделей для классификации пациентов с ASD в определенные категории, так и подходы без контролируемого обучения, которые объединяют пациентов с ASD в более однородные подгруппы (рис. 2). Это привело к появлению вычислительной психиатрии, направленной на улучшение диагностики путем вычислительного анализа крупномасштабных наборов поведенческих и биологических данных (см. исчерпывающий обзор Jacob и коллег) [52]. Однако основным ограничением этих подходов является то, что вычислительные модели опираются на небольшие объемы выборок по наборам данных пациентов, особенно учитывая биологическую и клиническую гетерогенность.



Figure 2. Schematic representation of precision medicine in NDDs using systems biology and computational data analysis. Multi-omics and clinical data are integrated and enriched using systems biology based multimodal data analysis. Machine learning models including both unsupervised & supervised models are used to identify the genetic and clinical characteristics underlying specific patient subgroups leading to patient stratification, biomarker, and drug discovery. NDD, neurodevelopmental disorders.

Учитывая трудности, связанные с диагностикой ASD с помощью наблюдения и оценки поведения, клинические диагностические данные для ASD полагаются на различные стандартизированные инструменты психологической оценки, такие как Autism Diagnostic Interview-Revised, Autism Diagnostic Observation Schedule (ADOS), SRS и CARS. Дети с подозрением на ASD обычно оцениваются с точки зрения развития, с привлечением нескольких различных информаторов (например, родителей и учителей, если это применимо). При такой оценке учитывается текущее поведение ребенка и история развития, чтобы измерить социальные и коммуникативные способности. Данные, собранные в ходе таких поведенческих оценок и наблюдения в форме опросников или перечня клинических критериев, часто носят категорический характер. Более того, собранная информация не дает представления о генетических и молекулярных нарушениях, лежащих в основе поведенческих и наблюдаемых характеристик, не позволяя должным образом оценить количественные характеристики, относящиеся к состоянию заболевания.

В этом контексте одно из первых исследований с использованием классификатора машинного обучения (ML) на общих данных ADOS показало, что 8 из 29 пунктов опросника достаточно для классификации пациентов с аутизмом с высокими показателями чувствительности и специфичности, что может помочь сократить время постановки диагноза [53] и уменьшить время клинической оценки. Недавний обзор литературы по ML-подходам для классификации ASD с использованием поведенческих данных (рассмотрено 22 исследования) показал, что даже если очень хорошие показатели были достигнуты с помощью ML-моделей, нет доказательств их пригодности к клиническому использованию [54]. В целом, состоятельность и обобщаемость этих моделей, основанных на поведенческих данных небольших когорт, требуют дальнейших исследований. С другой стороны, в одном из исследований было высказано предположение, что вычислительные методы, основанные на более количественных и биологически информативных характеристиках, таких как УЗИ и биологические измерения во время беременности, могут обеспечить ранний прогноз ASD, что позволит проводить ранние поведенческие вмешательства, которые могут эффективно ослабить последствия развития ASD [55]. Тем не менее, такие проблемы, как несоответствие хранилищ данных, ограничения, присущие инструментам клинической оценки, которые рассматривают ASD как общую диагностическую категорию, и чрезмерная подгонка обучающих данных остаются потенциальными препятствиями для улучшения этих моделей.

Инструменты клинической оценки, используемые для классификации ASD в моделях ML, также применялись при анализе данных нейровизуализации, учитывая накапливающиеся доказательства, свидетельствующие о потенциальной полезности нейровизуализации для выявления атипичной организации мозга при ASD. Эти изменения могут происходить либо на структурном уровне, например, изменения толщины коры, площади поверхности или объема мозга у пациентов с CNV в определенных регионах риска аутизма в геноме, включая 7q11.23, 22q11.21, 1q44, 1q21.1 и 16p11.2 [56-58], либо в нарушениях связности, выявленных методами функциональной нейровизуализации. Недавнее исследование с использованием функциональной магнитно-резонансной томографии (МРТ) у детей в возрасте 6 месяцев с высоким семейным риском развития ASD позволило предсказать результаты диагностики в возрасте 2 лет (специфичность: 100%, чувствительность: 81,8%) [59]. В параллельном исследовании алгоритм глубокого обучения на базе данных МРТ детей с высоким риском в возрасте 6-12 месяцев смог предсказать начало аутизма в течение 24 месяцев (специфичность: 95%, чувствительность: 88%) [60]. При условии решения ряда трудностей, таких как уменьшение объема выборки, стандартизация методов визуализации или вопросы межцентровой достоверности, дальнейшее повторение этих исследований в будущем может привести к разработке надежных биомаркеров визуализации. Интересно отметить, что в двух исследованиях предпринимались попытки использовать данные нейровизуализации для отличия ADHD от аутизма благодаря клиническому совпадению и генетическому дублированию этих двух заболеваний [12], [61], [62]. Это послужило причиной появления исследований, направленных на выявление однородных подгрупп ASD на основе характеристик нейровизуализации, также известных как нейросубтипирование. Результаты первых попыток подтверждают целесообразность и потенциальную полезность нейросубтипирования, несмотря на некоторые технические ограничения [63], [64].

Гетерогенность остается фундаментальной проблемой для характеристики пациентов с ASD, поскольку некоторые биологические маркеры могут быть обнаружены только в подгруппе пациентов, даже если существуют общие черты клинического уровня, проявляющиеся во всех подгруппах пациентов. Соответственно, в нескольких отчетах зафиксирована стратификация пациентов на подгруппы с помощью вычислительных методов, применяемых к клиническим данным. Например, Feczko et al.. [65] попытались определить и охарактеризовать когнитивные подтипы в популяции ASD с помощью функциональной модели классификации Random Forest ML, которая выявила 3 подгруппы ASD и 4 подгруппы TD с различными поведенческими профилями в когорте из 47 детей с диагнозом ASD и 58 детей с TD. В другом исследовании Narita et al [66] провели кластерное исследование геномной ассоциации на основе 712 пробандов и 354 контрольных групп и выявили 65 хромосомных локусов, представляющих интерес, причем некоторые из этих локусов были расположены внутри или рядом с ранее зарегистрированными генами-кандидатами в гены ASD. Эти результаты свидетельствуют о том, что кластеризация может успешно выявлять подгруппы с однородной этиологией заболевания. Более того, Luo et al. [67] смогли найти подгруппу пациентов с аутизмом, связанным с дислипидемией, используя многомерный подход прецизионной медицины, в котором были объединены медицинские требования, EHR, семейные цельноэкзомные последовательности и паттерны экспрессии генов нейрального развития. В последние несколько лет появляются и другие приложения, например, основанные на глубоком обучении [68], которые могут широко использоваться для прогнозирования персонализированного лекарственного ответа и оптимизации подбора и дозирования лекарств с использованием знаний, извлеченных из больших и сложных молекулярных, эпидемиологических, клинических и демографических наборов данных [69]. Однако зачастую методы, основанные на глубоком обучении, требуют больших объемов выборки и не имеют механистической интерпретации в отношении применимости их в клинических условиях. Учитывая высокую гетерогенность ASD, потребуются дальнейшие исследования для подтверждения ранее охарактеризованных подгрупп ASD и связанных с ними терапевтических последствий. Тем не менее, интеграция и использование различных вычислительных методов предоставит ценные возможности для расширения области применимости каждого метода и более тщательного использования информации, поступающей из различных источников.

Основанные на omics-методы, становятся все более популярными для обработки данных больших когорт в целях прецизионной медицины, что обусловлено успешным их применением на пациентах с раком, как для выявления подтипов заболевания, так и для определения наиболее подходящего лечения [70-72]. В последнее время все больше и больше инициатив по широкому кругу различных заболеваний [73-76] направлены на применение в прецизионной медицины с особым акцентом на интеграцию омических данных с клинической информацией из электронных медицинских карт и глубокое фенотипирование пациентов. Эти исследования подтверждают существование эндофенотипов (т.е. промежуточных фенотипов, соответствующих биологическим процессам), связанных с генетическими и молекулярными изменениями, лежащими в основе патологии заболевания [77], помимо нервно-психических состояний. Что еще более важно, эндофенотипы демонстрируют, как интеграция и обработка данных может выявить повторяющиеся подгруппы пациентов, что позволит улучшить диагностику и персонализировать лечение, в том числе и при NDDs.

Использование эндофенотипирования для определения лучших альтернатив лечения привлекло интерес в последние несколько лет [73]. Используя инструменты сетевой медицины [78-80], в многочисленных исследованиях изучалась репозиционирование лекарств для лечения сердечно-сосудистых, цереброваскулярных и других заболеваний ЦНС [81-83]. Фактически, из всех медицинских специальностей психиатрия, возможно, больше всего выиграет от включения механистических знаний об эндофенотипах для определения методов лечения прецизионной медицины, учитывая значительную наследуемость психиатрических фенотипов и текущую зависимость от диагнозов, основанных на синдромах. Несмотря на то, что, безусловно, существуют проблемы, которые необходимо преодолеть, omics-анализы обеспечивают эмпирическую основу, на которой психиатрия теперь может продвигаться к лучшему пониманию механизмов заболевания, более эффективным методам лечения, а также к лучшим способам назначения лечения пациентам, которые с наибольшей вероятностью получат от него пользу, прокладывая тем самым путь к прецизионной психиатрии [84]. Соответственно, усилия по интеграции омических и клинических данных в целях точной медицины все чаще применяются для получения детального представления о взаимосвязи генов и фенотипов. Например, Karczewski et al. объединили данные секвенирования экзома более 200 000 человек с данными глубокого фенотипирования для анализа влияния одной мутации на более чем 3 000 аннотированных фенотипов, что позволило научному сообществу получить беспрецедентное представление о взаимосвязи генов и фенотипов [85]. Эти усилия по выявлению и количественной оценке взаимосвязи между генетическими вариантами и фенотипами пациентов в настоящее время дают многообещающие результаты в области редких заболеваний, позволяя быстро диагностировать и принимать персонализированные решения о лечении пациентов. Показательным примером является исследование Sweeney et al., где они показали, что решение о хирургической операции могло быть принято путем быстрого применения протокола экспресс-диагностики на основе данных секвенирования всего генома [86].

Глубокое понимание молекулярных фенотипов на основе omics также может обеспечить портфель биомаркеров, подходящих для разработки лекарств и клинических испытаний при NDDs. Омика открыла дверь к огромному количеству информации о функциях, белковых и генетических взаимодействиях, экспрессии генных продуктов, содержании метаболитов и липидов, а также о сложных процессах обратной связи, объединяющих эти молекулы в пути, во времени и пространстве. Понимание всей картины позволит нам разрабатывать и тестировать молекулярные биомаркеры для ответа на различные терапевтические стратегии и может позволить разработать стратегии персонализированной медицины, способствующие успеху клинических испытаний в области ASD.

Таким образом, метаболическое типирование, т.е. субтипирование на основе общих метаболических фенотипов, выявленных с помощью метаболических биомаркеров, связанных с риском развития ASD, может позволить стратифицировать расстройство на отдельные субпопуляции на основе общей метаболической дисрегуляции [87] и привести к потенциальным терапевтическим целям для людей с определенным метаботипом [88], [89]. В предыдущем исследовании когорты Children's Autism Metabolome Project (CAMP) удалось определить измененный метаболический фенотип, состоящий из дисбаланса метаболизма аминокислот ветвящейся цепи у 16,7% участников CAMP, при этом специфичность и точность составили 96,3% и 93,5%, соответственно [87]. Несмотря на необходимость дополнительных исследований, неясно, например, насколько стабильны эти метаботипы у конкретного ребенка [90]. Тем не менее, анализ данных метаболомики показал огромный потенциал в ранней диагностике ASD, и дальнейшие исследования могут оказать глубокое влияние на лечение и прогноз у пациентов [91]. В последних исследованиях также рассматривается транскриптомное профилирование людей с ASD с точки зрения прецизионной медицины. С этой целью разделение ASD на различные подтипы и характеристика соответствующих специфических для подтипа омических сигнатур для объяснения фенотипической изменчивости в этих подтипах представляет собой перспективную стратегию для диагностики и персонализированного лечения.

Прогресс, достигнутый в области omics и вычислительной биологии, также позволил появиться не только нескольким пионерским проектам консорциумов, направленным на определение генетических факторов, лежащих в основе ASD, но и различным биотехнологическим компаниям, исследующими клинические стадии, сосредоточенным на разработке диагностики и лечения на основе точной медицины для пациентов с ASD и другими NDD. Например, общественные инициативы, такие как SFARI (https://www.sfari.org), iHART (http://ihart.org) или MSSNG (https://research.mss.ng), собрали медицинскую и генетическую информацию от более 10 000 пациентов с ASD. С другой стороны, такие компании, как Stemina Biomarker Discovery (https://stemina.com/), интегрируют технологию NeuroPointDX, инструмент диагностики ASD на основе метаболомики (NCT02548442); quadrant biosciences с Clarifi ASD® также разрабатывает инструмент диагностики ASD на основе эпигеномики (https://quadrantbiosciences. com/; NCT02832557); и STALICLA (https://stalicla.com/) предлагает Database Endophenotyping Patient Identification (DEPI), платформу на основе системной биологии и мультиомики, которая позволяет стратифицировать пациентов с NDDs на биологически сходные и клинически пригодные подгруппы пациентов (т.е., пациентов, которые имеют схожие изменения на уровне путей) и поиск соответствующих индивидуальных терапевтических методов лечения для этих пациентов в каждой подгруппе (рис. 3).



Figure 3. DEPI platform overview. Developed by STALICLA, Databased Endophenotyping Patient Identification (DEPI) allows the stratification and identification of subgroups of patients with NDDs, by integrating different analysis approaches such as system biology, EHR and multi-omics profiling, and using patient data such as biosamples and clinical questionnaires (patient profiling). On the other hand, drug screening in specific cell lines (drug profiling) can address the therapeutic needs of a specific group, thus generating tailored treatments for each subgroup. EHR, electronic health records; NDD, neurodevelopmental disorders.

Одним из первых применений технологии DEPI является STP1, первый терапевтический комплекс точной медицины в области ASD, специально разработанный для лечения пациентов, соответствующих критериям клинически и биологически подтвержденной подгруппы ASD, для которой недавно было успешно завершено интервенционное клиническое исследование фазы 1b (NCT04644003). DEPI использует запатентованные базы знаний, ориентированные на NDDs, и объединяет клинические и биомедицинские данные из крупномасштабных когорт NDDs для эндофенотипирования, кластеризации и позиционирования лекарств (рис. 3). Эндофенотипы, идентифицированные DEPI, также называемые действенными клиническими признаками и симптомами, представляют собой количественные биологические признаки с сильной генетической компонентой, которые вносят значительный вклад в риск развития NDDs. Они основаны на курируемых и адаптированных к NDDs каталогах, которые объединяют клинические, генетические, молекулярные данные и данные на уровне путей. Клинические данные включают информацию, извлеченную из электронных медицинских карт, например, историю болезни, где поведенчески определенные состояния исключаются с помощью семантического соответствия на основе стандартизированных медицинских онтологий. Важно отметить, что DEPI может дополнительно интегрировать биомаркеры, полученные от пациента, с данными мультиомики на основе клеток для определения приоритетов лекарственного лечения и подбора подходящих пациентов с NDDs к подходящему лекарственному лечению. Широкая применимость DEPI изучается в текущем обсервационном исследовании, включающем 250 пациентов (NCT04273087) для STP1 и STP2, двух пакетов точной медицины, направленных на две субпопуляции ASD.

Клиническая, генетическая и молекулярная гетерогенность, наблюдаемая у пациентов с диагнозом ASD, и применение "универсального" подхода в прошлых клинических испытаниях препятствовали разработке эффективных препаратов для лечения пациентов с ASD и с другими NDDs. В этом обзоре мы выделили различные исследования, в которых пациентов с ASD лечили неодинаково, несмотря на явные биологические и клинические различия. Слабое совпадение между нарушениями на генетическом и молекулярном уровне в различных когортах отражает ограничения существующих клинических исследований, использующих ASD как широкую диагностическую категорию, и подчеркивает настоятельную необходимость стратификации гетерогенной популяции ASD в биологически определенные подгруппы ASD для улучшения показателей успешности клинического ответа. Недавний сдвиг парадигмы в сторону интеграции данных "multi-omics" вместе с систематическим и системно-биологическим анализом крупномасштабных данных может облегчить идентификацию подгрупп пациентов с ASD со схожей "биологией", что может позволить определить последовательные биомаркеры. Такой анализ на основе данных может быть использован для перевода механистических нарушений, лежащих в основе различных подгрупп пациентов, в действенные стратегии молекулярного целенаправленного воздействия. Поэтому, чтобы продвинуться в определении новых персонализированных методов лечения и преодолеть текущие проблемы и подводные камни, с которыми столкнулись прошлые клинические исследования ASD, очень важно применять надежные стратегии моделирования, которые учитывают гетерогенность, обеспечивая межкогортную репликацию и используя интерпретируемые модели, которые не склонны к чрезмерной подгонке, особенно для небольших когорт. Аналогичным образом, существует потребность в количественных биомаркерах в качестве первичных конечных точек для характеристики механистических изменений в основных дефицитах после лечения в подгруппах пациентов. Количественные конечные точки позволят более точно оценить эффект лечения и обойти высокий эффект плацебо, наблюдавшийся в некоторых прошлых клинических испытаниях.

Таким образом, последние исследования и государственные и частные трансляционные инициативы открывают новую эру в диагностике и лечении ASD и других NDDs, предлагая решения для заполнения существующего трансляционного пробела, чтобы улучшить качество жизни пациентов с более тяжелыми формами этих заболеваний.