1，自闭症遗传的风险：母系父系？
自闭症谱系障碍（ASD）是一种家族高度遗传的疾病，其公认的一个流行病学特征是男性患病率高于女性。最近的几项研究显示女性保护作用（Femaleprotectiveeffect）对这一现象可能具有潜在的作用。女性保护作用使女性个体遗传负荷发展成为孤独症的阈值(threshold)高于男性，她们需要更高的遗传负荷才能被诊断为自闭症。如果这种女性保护作用能解释自闭症谱系障碍的性别偏倚，那么这就意味着有自闭症家族病史中未受影响的女性个体可能比未受影响的男性家庭成员携带并默默地传递更大比例的遗传倾向，尤其是放大了其男性后代的复发率。这种可能性构成了一个重大的公共卫生问题，尤其是考虑到过去20年ASD在国际上的患病率增加，这使得ASD患者的姐妹们特别担心将自闭症遗传给自己未来后代的风险。目前，还没有受ASD影响的家族第二代复发率的相关数据。图1：在女性保护作用下预期的自闭症谱系障碍(ASD)遗传负荷。例如:一个人有自闭症谱系障碍，假设他有10个姐妹(左面板，圆圈)和10个兄弟(右面板，正方形)。在女性的保护作用下，1)只有遗传负荷非常高的姐妹才会被诊断为自闭症谱系障碍;2)对于兄弟来说，将会有更多的自闭症谱系障碍的确诊病例:在这个例子中，男性与女性的比例是3:1。在下一代中(在谱系中没有显示)，因为未确诊的姐妹更有可能携带中等至高水平的遗传负荷。
该研究分析了年1月1日至年12月31日期间在瑞典出生的所有儿童的数据。在名儿童中，有名(1.55%)儿童被诊断为自闭症谱系障碍。在他们的母系/父系的阿姨和叔叔中，被诊断出患有ASD的人数分别为（0.24％）和（0.18％）。如果母亲的兄弟姐妹被诊断为自闭症谱系障碍，其子女患自闭症谱系障碍的几率高于一般人群（相对风险为3.05；95％置信区间为2.52-3.64），但仅比有自闭症谱系障碍兄弟姐妹的父亲略多一点(相对风险为2.08；95%置信区间为1.53-2.67)。根据时间趋势和父母代的精神病史调整模型并没有改变结果。表1.患有ASD的叔叔/姨妈与未患ASD的叔叔/姨妈参与者的ASD相对风险
这项研究首次对具有ASD兄弟姐妹的父母的第二代后代中母亲与父亲介导的ASD风险的传播进行了流行病学研究，为ASD患者的兄弟姐妹的ASD传播风险建立了一个可靠的总体估计。研究发现在母系和父系的后代中患ASD的风险相近。ASD先证者的兄弟姐妹的后代中发生ASD的风险相等，但不超过第一代中二级亲属中观察到的风险。这些发现并不表明女性保护作用是ASD中男性偏倚的主要机制。尽管这些结果减轻了对母亲传播的ASD风险扩大的担忧，但它们肯定了加强对第二代后代ASD监测的重要性。鉴于早期干预的益处，这些结果支持将ASD的二级家族史纳入儿科实践，以及涉及行为表型和基因分型的未来研究，以提高对ASD复发风险的个性化估计。文章信息：BaiD,MarrusN,YipBHK,ReichenbergA,ConstantinoJN,SandinS.InheritedRiskforAutismThroughMaternalandPaternalLineage[publishedonlineaheadofprint,Apr2].BiolPsychiatry.;S-(20)-6.doi:10./j.biopsych..03.
2，丙戊酸诱导的自闭症大鼠模型中谷氨酸能和GABA能基因的表达变化：一项筛选试验
自闭症谱系障碍（ASD）包括神经发育障碍，其中大脑的兴奋到抑制（E/I）的神经元失衡可能导致行为缺陷。在这里，我们使用RT-qPCR在建立的ASDVPA模型中筛选了大鼠大脑皮层，海马和小脑中与兴奋性（谷氨酸能）和抑制性（GABA能）神经传递相关的99个基因的表达。
谷氨酸能基因表达的最大变化在大脑皮层中被发现，其中包括编码离子型谷氨酸受体某些亚基的12个基因被上调，而两个基因被下调。编码突触前谷氨酸能蛋白vGluT1和mGluR7和PKA的基因的表达，涉及下游谷氨酸能信号传导，提高了倍以上。在皮层，小脑和海马中发现了GABA能基因表达的变化。3个基因上调，3个基因下调。
总之，这些结果表明，在ASD模型中，大鼠大脑皮层中的一些谷氨酸能基因被上调，这与GABA能基因的表达的微小而平衡的变化形成对比。
文章信息：LenartJ,AugustyniakJ,LazarewiczJW,ZieminskaE.AlteredexpressionofglutamatergicandGABAergicgenesinthevalproicacid-inducedratmodelofautism:ascreeningtest[publishedonlineaheadofprint,May16].Toxicology.;.doi:10./j.tox..3，将机器学习应用于运动模仿任务的运动学和眼动特征预测自闭症
自闭症是一种发育障碍，目前专家们通过观察、访谈和问卷调查技术，主要评估社会和沟通缺陷。自闭症患者的运动功能和动作模仿也会发生改变，可以更客观地进行测量。
在这项研究中，来自运动模仿任务的运动和眼睛跟踪数据与有监督的机器学习方法相结合，对22位自闭症和22位非自闭症成年人进行了分类。重点是可靠的机器学习应用程序。使用嵌套实验来开发模型，并使用独立的数据样本进一步测试了模型。模型通过运动学特征预测诊断的准确性为73％，眼动功能的准确性为70％，组合功能的准确性为78％。
机器学习的结果表明，通过提供定量测试以补充当前的定性测试，未来的工作将有助于诊断过程。最具区别性的特征来自于实验条件，其中非自闭症个体倾向于成功模仿异常的运动学，而自闭症个体倾向于失败。
文章信息：VabalasA,GowenE,PoliakoffE,CassonAJ.ApplyingMachineLearningtoKinematicandEyeMovementFeaturesofaMovementImitationTasktoPredictAutismDiagnosis.SciRep.;10(1):.PublishedMay20.doi:10./s---4
作者信息
编译作者：Pika（brainnews编辑部）
校审：Simon（brainnews编辑部）
题图：reportshealthcare.
转载请注明：http://www.mwoap.com/zbzys/10994.html
