O Transtorno do Espectro Autista (TEA) abrange uma variedade de condições de desenvolvimento, caracterizadas por diferenças no funcionamento social, na cognição e no comportamento. Embora se saiba que fatores genéticos e ambientais contribuem para o TEA, os fatores etiológicos exatos ainda não são totalmente compreendidos. A pesquisa busca modelos integrativos para explorar os efeitos da expressão gênica sobre os traços comportamentais e cognitivos associados ao TEA, visando desvendar as interações genéticas e ambientais que influenciam a condição.
Um aspecto notável da pesquisa sobre o TEA é a disparidade diagnóstica entre os sexos: os homens são diagnosticados com mais frequência do que as mulheres, o que sugere potenciais influências biológicas específicas do sexo. Investigar a microestrutura neuronal, particularmente a velocidade de condução axonal, oferece perspectivas sobre as bases neurais do TEA. No entanto, o desenvolvimento de modelos robustos que avaliem os vastos conjuntos de dados multidimensionais gerados a partir do processamento genético e microestrutural representa um desafio significativo.
Técnicas tradicionais de seleção de características apresentam limitações. Assim, pesquisas recentes buscam integrar a análise de componentes principais (PCA) com algoritmos de aprendizado de máquina supervisionado para navegar no complexo espaço de dados. Ao alavancar várias técnicas de neuroimagem e métodos de análise de dados transcriptômicos, essa metodologia se baseia nas implementações tradicionais de PCA para contextualizar melhor a complexa heterogeneidade genética e fenotípica ligada às diferenças de sexo no TEA, pavimentando o caminho para intervenções mais personalizadas. A identificação precisa de biomarcadores é crucial para um diagnóstico precoce e intervenções eficazes, melhorando a qualidade de vida de indivíduos com TEA e suas famílias.
Origem: Link