با استفاده از تکنیک‌های هوش مصنوعی، محققان نشان داده‌اند که جهش به اصطلاح زائد (junk) در DNA میتواند منجر به اوتیسم شود. این مطالعه که در نسخه ۲۷ می Nature Geneticsچاپ شد، اولین مطالعه می باشد که به طور عملی چنین جهشی را به شرایط توسعه عصبی ربط می دهد.
گروه آنها از یادگیری ماشینی برای تحلیل کل ژنوم‌های ۱۷۹۰ فرد مبتلا به اوتیسم و والدین غیرمبتلا و خواهر و برادران آنها استفاده کردند. این افراد هیچ تاریخچه فامیلی اوتیسم نداشتند، به این معنی است که علت ژنتیکی موقعیت آنها احتمالا جهش‌های خودانگیخته به جای جهش‌های ارثی است.
این تجزیه و تحلیل تبعات جهش‌های ژنتیکی را در بخش‌هایی از ژنوم، نواحی که اغلب بعنوان DNA زائد شناخته می شود، پیش بینی کردند. تعداد موارد اوتیسمی که به جهش‌های غیرکدگذاری شده مرتبط است با تعداد مواردی که به جهش‌های کدگذاری پروتئین که از عملکرد ژن‌ها جلوگیری می کند، قابل مقایسه است.
این تجزیه و تحلیل تبعات جهش‌های ژنتیکی را در بخش‌هایی از ژنوم، نواحی که اغلب بعنوان DNA زائد شناخته می شود، پیش بینی کردند. تعداد موارد اوتیسمی که به جهش‌های غیرکدگذاری شده مرتبط است با تعداد مواردی که به جهش‌های کدگذاری پروتئین که از عملکرد ژن‌ها جلوگیری می کند، قابل مقایسه است.
پیامدهای کار فراتر از موارد مرتبط با اوتیسم می باشد و Troyanskaya در این مورد می گوید:”این اولین نمایش آشکار جهش‌های غیرارثی، غیرکدی است که باعث هر بیماری و اختلالات پیچیده انسانی می باشد.”
کمک مولف این مطالعه، Jian Zhou از CCBو دانشگاه Princeton عقیده دارد که دانشمندان میتوانند همان تکنیک‌ها را در مطالعه جدید برای یافتن نقش جهش‌های غیرکدگذاری شده در بیماری‌هایی مانند سرطان و بیماری‌های قلب وعروق بکار ببرند. او در این مورد اضافه می کند:” این چشم انداز تازه را برای یافتن دلیل علت نه فقط بیماری اوتیسم بلکه اکثر بیماری‌های انسان را ممکن می سازد.”
تنها ۱ تا ۲ درصد از ژنوم انسان از ژن‌هایی تشکیل شده است که برای تولید پروتئین ها طراحی شده اند. آن پروتئین‌ها در بدن ما وظایفی مانند تنظیم سطح قند خون، مبارزه با عفونت‌ها و برقراری ارتباطات میان سلول‌ها را بعهده دارند. با این حال، ۹۸ درصد دیگر ژنوم انسان ها وزن مرده ژنتیکی نمی باشد. ناحیه‌های غیر کد کننده در زمان و مکانی که ژن ها پروتئین می سازند بعنوان تنظیم کننده وارد عمل می شوند.
جهش‌ها در نواحی کد کننده پروتئین مسئولیت حداکثر ۳۰ درصد ازعلل اوتیسم را در افراد بدون تاریخچه فامیلی اوتیسم بعهده دارند. شواهد پیشنهاد میدهند که جهش‌های منجر به اوتیسم بایستی در نواحی دیگر در ژنوم نیز اتفاق افتد.
کشف جهش‌های غیرکد کننده که ممکن است باعث اوتیسم شود چندان ساده بنظر نمی رسد. یک فرد ممکن است دارای چندین دوجین از جهش‌های غیرکد کننده باشد که اغلب آنها برای فرد منحصربه فرد باشند. این باعث می شود که رویکرد سنتی شناسایی جهش‌های متعارف در میان جمعیت مبتلا غیر قابل شناسایی باشد.
Troyanskaya و همکارانش رویکرد جدیدی را برگزیدند. آنها یک مدل یادگیری ماشینی را برای پیش بینی اینکه چگونه یک توالی مشخص ژن را تحت تاثیر قرار میدهد آموزش دادند.
Chandra Theesfeld، دانشمند پژوهشی در آزمایشگاه Troyanskaya در دانشگاه Princeton در این مورد می گوید:” این یک تغییر در تفکر درباره مطالعات ژنتیک است که ما با این تجزیه و تحلیل آن را معرفی میکنیم. علاوه بر مطالعه دانشمندانی که جهش‌های ژنتیکی مشترک را بین گروه‌های بزرگی از افراد را مورد مطالعه قرار می دهند، ما اینجا یک مجموعه از ابزارهای باهوش و پیچیده که نتیجه و تبعات هر جهش خاصی را حتی آنهایی که کمیاب یا هرگز قبلا مشاهده نشده اند را اطلاع میدهد بکار می بریم.”
محققان پایه و اساس ژنتیکی اوتیسم را با بکارگیری مدل یادگیری ماشینی برروی گنجینه ای از داده‌ها و اطلاعات ژنتیکی بنام Simons Simplex Collection مورد مطالعه قرار دادند. بنیاد Simons موسس و بنیانگزار موسسه Flatiron این گنجینه اطلاعاتی را بوجود آورده و همچنان نگهداری می کند. مجموعه Simons Simplex Collection حاوی کل ژنوم‌ها در حدود ۲۰۰۰ نفری تشکیل شده از گروه های چهار نفری شامل یک کودک دارای اوتیسم، یک خواهر و برادر غیرمبتلا و والدین غیرمبتلا آنها می باشد.
این گروه های چهارنفری هیچگونه تاریخچه فامیلی اوتیسم نداشتند، بدین معنی که احتمالا چهش‌های غیرارثی باعث وضعیت کودک مبتلا به اوتیسم بودند. ( چنین جهش‌هایی به طور همزمان در اسپرم و سلول‌های تخم و همچنین در جنین‌ها رخ میدهند.)
محققان مدل هایشان را برای پیش بینی تاثیر جهش‌های غیرارثی وغیرکد کننده در هر کودک مبتلا به اوتیسم استفاده کردند. سپس آنها، این پیش‌بینی‌ها را با تاثیرات مشابه در برادر یا خواهر غیر مبتلا مقایسه کردند.
در این مورد Zhou می گوید:” طراحی Simons Simplex Collection همان چیزی است که این امکان را برای مطالعه فراهم نمود. خواهر و برادران غیرمبتلا بعنوان کنترل در نظر گرفته می شوند.”
تجزیه و تحلیل انجام شده پیشنهاد می‌کنند که جهش‌های غیر کد کننده در بسیاری از کودکان با اوتیسم تنظیم ژن را تحت تاثیر قرار دادند. علاوه بر این، نتایج نشان دادند که جهش‌ها بیان ژنی را در مغز و در ژن‌های مرتبط با اوتیسم، مثل آنهایی که مسئولیت مهاجرت نورون ها و تکامل آنها را بعهده دارند، تحت تاثیر قرار دادند. کمک مولف دیگر این مطالعه Christopher Park، دانشمند محقق در CCBمی گوید:” این با موردی که چگونه اوتیسم به احتمال زیاد در مغز بروز میابد هماهنگی دارد. این فقط تعداد جهش‌های اتفاق افتاده نمی باشد، بلکه نوع جهش در حال اتفاق مهم می باشد.”
محققان تاثیرات برخی از جهش‌های غیرکد کننده در تجربیات آزمایشگاهی را مورد بررسی قرار دادند. آنها جهش‌هایی با تصور تاثیر بالا و جهش هایی که در کودکان مبتلا به اوتیسم یافت میشود را در سلول‌ها ایجاد کردند و تغییرات حاصل را در بیان ژن مشاهده نمودند. این تغییرات پیش بینی مدل را مورد تایید قرارداند.
Troyanskaya میگوید او و همکارانش به بهینه سازی و توسعه روش خود ادامه خواهند داد. او امیدوار است که کارهای انجام شده نهایتا چگونگی استفاده از داده های ژنتیکی برای تشخیص و معالجه بیماری ها و اختلالات را بهبود خواهد بخشید. او اضافه می نماید :” در حال حاضر، ۹۸ درصد ژنوم دور انداخته می شود. کار ما این امکان را فراهم می آورد که چگونگی استفاده از این ۹۸ درصد را مورد تفکر و تعمق قرار دهیم.”
