Цена асд препарат фракция 2: АСД 2 Фракция 100 мл купить

Анализ дифференциальной экспрессии с использованием данных РНК-seq — широко используемый подход для определения связи между экспрессией генов и интересующими ковариатами. Данные RNA-seq часто собирают из объемных образцов тканей, большинство из которых содержат гетерогенную популяцию разных типов клеток.Несколько недавних исследований показали, что изучение экспрессии генов, специфичных для определенного типа клеток, и состава клеток имеет решающее значение для решения многих научных и клинических вопросов; например, классификация подтипов нейронов [1], идентификация генов и типов клеток, связанных с вирусной инфекцией Зика [2] или меланомой [3]. Большинство методов исследования дифференциальной экспрессии с использованием данных о совокупной последовательности РНК [4–6] не учитывают составы типов клеток. Несколько исключений включают csSAM [7] и TOAST [8], которые разработаны для данных непрерывной экспрессии генов и не полностью используют возможности подсчета данных RNA-seq.Есть также несколько методов с аналогичными целями, которые были разработаны для данных о метилировании ДНК [9, 10].

Мы разрабатываем структуру анализа данных РНК-seq с учетом типов клеток (CARseq). Мы предполагаем, что составы типов клеток были оценены существующим методом, основанным на экспрессии эталонных генов очищенных клеток [11, 12]. CARseq принимает входные данные об объемных данных РНК-seq и оценки фракции типов клеток и выполняет две задачи: сравнение составов типов клеток и дифференцированная экспрессия, специфичная для типа клеток (CT-specific-DE).Для CT-specific-DE CARseq использует подход отрицательной биномиальной регрессии, чтобы полностью использовать функции подсчета данных RNA-seq, что может значительно улучшить статистическую мощность. CARseq является данью традиции, согласно которой экспрессия генов смеси представляет собой суммирование неотрицательной экспрессии каждого типа клеток (т.е. деконволюция в линейной шкале) [13], и что ковариаты, не зависящие от типа клеток, корректируются на шкала журнала. Наши сокращенные оценки логарифмических кратных изменений (LFC), которые в настоящее время не учитываются другими методами [7,8], дают надежную и интерпретируемую количественную оценку DE, специфичного для CT.Мы тестируем CARseq вместе с другими методами при различных схемах моделирования, демонстрируя, что CARseq обладает наибольшей мощностью при сохранении контроля ошибок типа I. Например, при сравнении с TOAST по смоделированным данным с 25 случаями против 25 контрольных, CARseq может улучшить мощность в 2–4 раза.

Мы применяем CARseq для оценки разницы в экспрессии генов у субъектов с шизофренией (SCZ) или расстройством аутистического спектра (ASD) по сравнению со здоровыми людьми из контрольной группы. SCZ и ASD — два тяжелых нейропсихиатрических расстройства, которые, вероятно, вызваны нарушением развития мозга в раннем периоде жизни (особенно в пренатальном и раннем постнатальном периоде) из-за воздействия окружающей среды в сочетании с генетической предрасположенностью [14].У двух болезней общие гены уязвимости и совпадающие симптомы [15]. Например, РАС характеризуется дефицитом социального взаимодействия и повторяющимся поведением, которые аналогичны негативным симптомам («отрицательный» означает выход из нормального состояния) SCZ, включая социальную изоляцию и ослабленную мотивацию. Однако между этими двумя заболеваниями также есть много различий. Например, РАС — это заболевание в раннем детстве (проявляющееся в возрасте от 6 месяцев до 3 лет), и большинство ЗКЗ диагностируются в молодом взрослом возрасте.По сравнению с РАС, SCZ имеет дополнительные положительные симптомы («положительный» означает дополнение к нормальному состоянию) бреда и галлюцинаций. Биологические механизмы, лежащие в основе этих двух заболеваний, еще не очень хорошо изучены. Наши результаты позволяют по-новому взглянуть на разницу и связь между двумя заболеваниями. Например, мы наблюдали дисбаланс нейронов возбуждения / торможения в SCZ, но не в ASD, что может объяснять симптом галлюцинации в SCZ, но не в ASD [16]. Мы также обнаружили, что эти два заболевания имеют перекрывающиеся сигналы CT-специфической DE в микроглии, поддерживая связи этих двух заболеваний через воспаление и окислительный стресс [17].

Анализ данных RNA-seq (scRNA-seq) отдельной клетки является многообещающим решением для анализа типов клеток. Однако из-за высокой стоимости и логистических трудностей (например, сбор образцов ткани высокого качества, беспристрастный отбор образцов отдельных клеток) в настоящее время очень сложно, если вообще возможно, собрать данные scRNA-seq из больших когорт. Если огромное количество существующих массивных данных последовательности РНК можно будет повторно проанализировать для изучения специфической для CT экспрессии и состава типов клеток, это может привести к изменению парадигмы во многих областях.Наша работа является одним из шагов к этой цели, и наши результаты по SCZ и ASD демонстрируют силу этой структуры CARseq, которая может быть применена к другим заболеваниям или состояниям.

Для оценки ассоциаций между фракциями типов клеток и интересующей ковариатой необходимо обратить внимание на композиционный характер данных, например, мы не можем изменить долю одного типа клеток без изменения доля хотя бы одного другого типа клеток [18].Поэтому, следуя общепринятой практике композиционного анализа данных, мы преобразуем фракции типа k ячеек в логарифмические отношения k — 1: логарифм доли каждого типа ячеек (кроме эталонного) по сравнению с эталонным типом ячеек. Мы выбрали возбуждающий нейрон в качестве эталонного типа клеток, потому что это наиболее распространенный тип клеток в наших исследованиях, и результаты легче объяснить (например, при изучении дисбаланса возбуждения / торможения).

Более сложная часть — это оценка CT-специфической-DE, в то время как мы наблюдаем только экспрессию в объемных образцах, где вариабельность может происходить как от CT-специфической экспрессии, так и от фракций типов клеток.Наша модель построена на предположении, что выражение в объемных выборках представляет собой сумму специфических для CT выражений, взвешенных по фракциям клеток в линейном масштабе (рисунок 1). Модель также позволяет включать ковариаты, не зависящие от типа клеток, такие как возраст, пол, партия и т.д. объем сгруппированной полосы), который представляет собой сумму экспрессии генов от отдельных типов клеток (каждая полоса).Глубина каждой сгруппированной полосы пропорциональна глубине считывания с поправкой на ковариант. Ширина каждой полосы пропорциональна доле ее ячеек, а высота каждой полосы пропорциональна выражению, специфичному для CT. Три левых / правых столбца показывают три образца случая / контроля соответственно. Наш метод оценивает среднее значение CT-специфического выражения отдельно для каждой и контрольной групп. В этом игрушечном примере клетки типа 1 (розовые) экспрессируются в два раза по сравнению с контрольными случаями, тогда как клетки типа 2 (зеленые) и клетки типа 3 (синие) не экспрессируются по-разному.

Сначала мы используем исследование моделирования для оценки мощности и ошибки типа I для CT-specific-DE нашим методом и двумя существующими методами: csSAM [7] и TOAST [8]. csSAM оценивает CT-specific-DE с помощью двухэтапного подхода: оценка CT-специфической экспрессии с последующим тестированием путем перестановок. Он имеет меньшую мощность, чем TOAST [8], и не может учитывать ковариаты. TOAST и CARseq более похожи, поскольку они оба объединяют оценку CT-специфической экспрессии и CT-специфическое-DE тестирование в одной структуре правдоподобия, которая позволяет корректировать ковариаты.Разница в том, что CARseq принимает отрицательную биномиальную модель, которая позволяет моделировать декомпозицию экспрессии генов в линейном масштабе. Напротив, TOAST использует линейную модель, которая менее желательна для моделирования данных подсчета. Альтернативой является использование TPM (транскриптов на миллион) для замены счетчика, который представляет собой линейное преобразование счетчика после корректировки на длину гена и глубину считывания. Мы оценили производительность TOAST, используя как счетчики, так и TPM, и последний дает лучшие результаты, поэтому мы сообщили результаты TOAST с использованием TPM и оставили результаты, используя счетчики в дополнительных материалах (рисунки S4-S7).

Мы смоделировали данные CT-специфической экспрессии, которые отражают данные экспрессии генов из одноядерной последовательности РНК (snRNA-seq) человеческого мозга [19]. Мы смоделировали клеточные фракции, чтобы они соответствовали нашим оценкам, полученным на основе данных групповой последовательности RNA-seq Консорциума Common Mind Consortium (CMC) [20] (рисунок S16). Были смоделированы три типа клеток. Клетки типа 1, предназначенные для имитации возбуждающего нейрона, занимают львиную долю около 60% клеток в каждом образце. Два других типа клеток с гораздо меньшими фракциями предназначались для представления тормозных нейронов и ненейронных клеток.Мы также смоделировали ковариату в форме числа целостности РНК (RIN) и указали распределение размера ее эффекта на основе оценок эффекта RIN из данных CMC. Более подробную информацию о процедуре моделирования можно найти в разделе B.1 дополнительных материалов.

Тест состоит из моделирования с использованием различных размеров выборки и различных моделей дифференциального выражения (рис. 2). С предоставленными ковариатами и CARseq, и TOAST могут очень хорошо контролировать частоту ложного обнаружения (FDR), при этом CARseq имеет преимущество в мощности.Если ковариаты отсутствуют, неправильная спецификация модели может привести к завышенной ошибке типа I для некоторых реплик, независимо от используемого метода. Тем не менее, результаты моделирования показали, что CARseq более мощный, чем TOAST, который более мощный, чем csSAM, а правильное задание ковариант может повысить мощность и обеспечить контроль FDR. Стоит отметить, что мощность CT-specific-DE может быть низкой при небольшом размере выборки (например, n = 50, 25 случаев против 25 контролей) из-за неопределенности для оценки CT-специфического выражения.Это также ситуация, когда CARseq показывает гораздо более высокую мощность, чем TOAST, с улучшением в два-четыре раза (рисунок 2 (A)).

Зависимость FDR от чувствительности нескольких методов тестирования для CT-специфической DE, когда (а) ковариата предоставляется методу, и (б) когда ковариата не предоставляется к методу. Отношение чувствительности TOAST к CARseq, когда предоставляется ковариата (следовательно, ошибка типа I контролировалась), показано на прямоугольной диаграмме.Имеется 10 повторов моделирования для каждой комбинации размера выборки (столбцы) как общего количества выборок «случай-контроль» и шаблонов дифференциального выражения (строки). Для каждой реплики существует 2000 генов, следующих заранее заданному образцу дифференциальной экспрессии, и 8000 генов без дифференциальной экспрессии ни в одном из трех типов клеток. В обозначении образца дифференциальной экспрессии три числа, разделенные подчеркиванием, представляют собой кратное изменение для каждого типа ячеек.В этой схеме моделирования дифференциально выражается только тип 1 клетки. Вертикальная линия указывает на предполагаемый уровень FDR 0,1. Обратите внимание, что csSAM не поддерживает включение ковариат; масштабы оси X на двух рисунках различаются.

Мы используем истинные доли типов ячеек в приведенных выше моделированиях. Далее мы демонстрируем, что добавление оценок фракций типов ячеек, которые имеют разумные отклонения от истинных значений, не приведет к заметному снижению мощности или увеличению ошибки типа I.В частности, мы добавили центрированный по нулю гауссов шум со стандартным отклонением 0,1 к фракциям ячеек по логит-шкале и изменили масштаб фракций ячеек так, чтобы их сумма равнялась 1 для каждой выборки (рис. S8). Используя эти оценки фракции типа ячеек с шумом, чувствительность и FDR для CT-специфического-DE очень похожи на сценарий без шума на рисунке 2. Основным ограничивающим фактором для точной оценки фракции типа ячейки является доступность справочных данных CT- конкретное выражение. Мы ожидаем, что благодаря быстрому развитию методов отдельных клеток и крупномасштабного проекта, такого как атлас клеток человека [38], относительно точная оценка фракций типов клеток будет доступна для большего количества типов тканей.

Фактор размера ячейки — еще один источник неопределенности. Большинство вычислительных методов оценивают долю экспрессии генов вместо доли клеток для каждого типа клеток. Если один тип ячеек в среднем имеет больше экспрессии на ячейку, для оценки фракции ячеек требуется коррекция фактора размера ячейки. Фракции клеток необходимы для CARseq, поскольку он непосредственно моделирует данные подсчета. Напротив, при использовании TPM для количественной оценки уровня экспрессии в TOAST нет необходимости корректировать фактор размера ячейки.Чтобы исследовать производительность CARseq при неправильном указании фактора размера ячейки, мы намеренно применили неправильные факторы размера (1,2, 1, 1) вместо истинных (1, 1, 1) при оценке DE, специфичного для CT. Это неправильное указание коэффициента размера ячейки немного снижает мощность CARseq, хотя она все еще имеет более высокую мощность, чем TOAST. Только при крайнем и нереалистичном неправильном указании фактора размера ячеек (например, (2, 1, 1) по сравнению с истинными значениями (1,1,1)) мощность CARseq падает до уровня TOAST (Рисунок S11). .

CARseq количественно определяет размер эффекта CT-специфического DE по логарифмическому изменению кратности или уменьшенному логарифмическому изменению кратности (более подробную информацию см. В разделе «Метод»). TOAST определяет величину эффекта как β / (µ + β / 2), где µ — это базовая экспрессия в одной группе, а β — разница в экспрессии генов между двумя группами. Чтобы сделать результаты более сопоставимыми между CARseq и TOAST, мы изменили определение размера эффекта в TOAST и предлагаем определять LFC как log (| µ + β |) — log (| µ |).Чтобы проверить воспроизводимость оценки размера эффекта, мы разделили выборки в репликации моделирования на два подмножества равных размеров, а затем сравнили оценки размера эффекта в двух подмножествах. Понятно, что сжатое изменение кратности журнала CARseq лучше всего воспроизводится между двумя подмножествами (рис. 3). Например, когда размер выборки составляет 25 случаев против 25 элементов управления для каждого подмножества (средняя панель на рисунке 3), корреляция Спирмена оценок размера эффекта между двумя повторностями составляет 0,71, 0,53, 0.13 и 0,08 для размера эффекта, определяемого CARseq shrunken LFC, CARseq LFC, TOAST LFC и TOAST, соответственно.

Воспроизводимость оценки размера эффекта для 2000 дифференциально экспрессируемых генов в типе 1 клеток (изменение в 2 раза или изменение в логарифмическом раз в 0,7) при применении CARseq и TOAST к набору данных моделирования смеси трех типов клеток, где только клетки 1-го типа экспрессируются по-разному. Коэффициент корреляции Спирмена для воспроизводимости оценок размера эффекта добавляется в верхнем правом углу каждого графика.

Шизофрения (SCZ) — тяжелое психоневрологическое расстройство, которым страдает примерно 1% мирового населения [21]. В исследованиях на людях и животных имеются убедительные доказательства, подтверждающие модель развития нервной системы при SCZ: нарушение раннего развития нервной системы во время беременности (например, из-за факторов окружающей среды, таких как материнский стресс или инфекции) в сочетании с генетической предрасположенностью (наследуемость SCZ оценивается. примерно 80%) [21].Мы применили CARseq для изучения экспрессии генов у пациентов с SCZ по сравнению с контрольной группой, используя массивные данные RNA-seq в образцах префронтальной коры, полученные Консорциумом Common-Mind (CMC) [20], далее называемые исследованием CMC-SCZ. После фильтрации образцов с выбросами, о которых сообщил Fromer et al. [20] у нас было 250 субъектов SCZ и 277 контрольных.

Мы оценили соотношение типов клеток для шести типов клеток: возбуждающих нейронов (Exc), тормозных нейронов (Inh), астроцитов (Astro), микроглии (Micro), олигодендроцитов (Oligo) с использованием CIBERSORT [22] и ICeD-T [12] .Оценки этих двух методов сильно коррелированы, хотя и с некоторыми заметными различиями (дополнительные материалы, раздел B.2.1, рисунки S16-S17). Мы исследовали, связаны ли относительные фракции клеток по отношению к возбуждающему нейрону со статусом случай-контроль, учитывая при этом набор ковариат, включая логарифмически преобразованную глубину чтения, возраст, пол, показатели контроля качества RNAseq, пакетные эффекты, генотипные ПК, а также два суррогатные переменные, которые оценивались по фракциям типов клеток (рис. 4 (A), см. раздел «Метод», где подробно описаны ковариаты, используемые в нашем анализе).Мы обнаружили, что относительное количество клеток ингибирующего нейрона, количественно определенное с помощью ICeD-T, значительно выше в образцах SCZ, чем в контрольных образцах (p-значение 1,5 × 10 ^-5 ), и существует аналогичная тенденция для оценок фракции клеток с помощью CIBERSORT. , хотя разница незначительна (p-значение 0,12). Также наблюдается тенденция относительного истощения олиго-дендроцитов, хотя она незначительна (p-значения 0,32 для ICeD-T и 0,12 для CIBERSORT).

CARseq по данным экспрессии генов между шизофренией (SCZ) и контрольной группой.(A) Расчетные фракции клеток с помощью ICeD-T, отсортированные по возрастанию фракций возбуждающих нейронов. (B) Величина влияния статуса случай-контроль на относительные фракции клеток против возбуждающих нейронов (логарифмическое соотношение интересующего типа клеток и возбуждающего нейрона). Стандартные ошибки обозначены полосами. (C) CT-специфическая DE в возбуждающих нейронах и тормозных нейронах в значительно обогащенных путях. Показаны только гены с p-значением менее 0,05. (D) Результаты анализа обогащения набора генов на путях REACTOME.Для каждого типа клеток были показаны три основных пути, ранжированных по значению -log10 q со знаком нормализованной оценки обогащения (NES). Положительный NES указывает на обогащение генов небольшими p-значениями.

Поскольку оценки фракций типов клеток от CIBERSORT и ICeD-T сильно коррелированы, мы представляем результаты CARseq с использованием фракций типов клеток, оцененных ICeD-T для простоты. CARseq обнаружил 1 дифференциально экспрессируемый ген (DEG) (q-значение <0,1) в астроцитах, 138 DEG в микроглии и 656 DEG в олигодендроцитах (распределение значений p см. На фиг. S19).Напротив, TOAST идентифицировал 3 DEG в тормозных нейронах, 30 DEG в микроглии и 1 DEG в олигодендроцитах (см. Рисунок S21 для распределения значений p). Оба метода могут контролировать ошибку типа I / FDR, на что указывает тот факт, что если метка случай-контроль была изменена, единственное ложное открытие (q-значение <0,1) - это 1 ген в микроглии, о котором сообщает CARseq, и распределение p-значений является однородным (Рисунки S20 и S22). Эти результаты согласуются с результатами нашего моделирования, согласно которым CARseq может идентифицировать DEG с более высокой мощностью, чем TOAST, контролируя при этом FDR.

Хотя мы не обнаружили никаких ДЭГ в тормозных нейронах или возбуждающих нейронах при пороговом значении q 0,1, анализ обогащения набора генов (GSEA) с использованием ранжирования всех генов по их CT-специфическим значениям DE p восстанавливает некоторые интересные пути ( Рисунок 4 (D)). Для ингибирующих нейронов мы обнаружили, что гены, участвующие в разблокировании или отрицательной регуляции рецепторов NMDA, обогащены. Это очень важно, так как гипофункция NMDA является ключевым фактором в процессе болезни SCZ, и они участвуют в дисбалансе возбуждения / торможения [21].Большинство генов DE-ингибиторов нейронов в путях NMDA имеют более низкие уровни экспрессии у субъектов с SCZ, чем в контроле (фиг. 4 (C), фиг. S27), что согласуется с гипофункцией NMDA. Мы обнаружили, что гены, связанные с тепловым шоком, обогащены генами DE в возбуждающих нейронах, и они, как правило, имеют более высокую экспрессию у субъектов с SCZ, чем контрольная группа (Рисунок 4 (C), Рисунок S27). Это согласуется с предыдущими выводами о том, что реакция теплового шока играет решающую роль в реакции клеток мозга на пренатальные воздействия окружающей среды [23].

Затем мы переключаем наше внимание на глиальные клетки. Что касается микроглии, мы обнаружили, что пути врожденной иммунной системы и клеточного цикла обогащены CT-специфичными-DE генами, и они сверхэкспрессируются у субъектов с SCZ, чем у контролей (рисунок 4 (D), рисунок S28), что подтверждает наблюдения активация микроглии у субъектов SCZ [17]. Интересно, что эти пути также обогащены олигодендроцитами, но у субъектов с SCZ их регуляция понижена, чем у контрольных (Рисунок 4 (D), Рисунок S28), что предполагает инактивацию олигодендроцитов.Мы также обнаружили, что сигнальный путь Slit-Robo регулируется вниз / вверх в микроглии и олигодендроцитах, соответственно (Рисунок S28). Путь передачи сигналов Slit-Robo участвует в нейрогенезе и миграции нейрональных предшественников к очагам поражения, а глиальные клетки также участвуют в этих процессах [24]. Наши результаты показывают, что микроглия и олигодендроциты могут играть разные роли в этом процессе у субъектов с SCZ.

Расстройства аутистического спектра (РАС) затрагивают более 1% населения, с наследуемостью от 68% до 96% [25].Люди с РАС часто нарушены в социальном общении и социальном взаимодействии, и с раннего возраста ограничивают себя повторяющимся поведением и интересами [25]. Существует множество доказательств, подтверждающих модель развития нервной системы при РАС. Крупномасштабные генетические исследования РАС выявили сотни генов риска РАС, которые мутируют чаще у субъектов с РАС, чем у контрольной группы [26]. Мы проанализировали основные данные РНК-секвенирования у субъектов с РАС и контрольной группы, опубликованные группой UCLA [27, 28], в дальнейшем именуемые исследованием UCLA-ASD.Они сообщили о результатах 251 вскрытия образцов лобной и височной коры и мозжечка для 48 пациентов с РАС по сравнению с 49 контрольной группой и обнаружили значительно дифференциально экспрессируемые гены в коре головного мозга, но не в мозжечке [27]. В этом исследовании мы сосредотачиваемся на области лобной коры, основываясь на положительных результатах исследования DE-генов в этом более раннем исследовании и на том, что это соответствует области мозга данных SCZ, проанализированных в этой статье. После фильтрации по областям мозга мы получили 42 субъекта с РАС и 43 контрольных субъекта (подробности см. В разделе «Метод»).

Сравнивая относительные фракции типов клеток (по отношению к возбуждающим нейронам) между субъектами с РАС и контрольной группой, мы обнаружили, что относительное количество астроцитов значительно выше у субъектов с РАС, чем в контроле (p = 0,021 и 0,024 для фракций типов клеток, оцененных ICeD-T. и CIBERSORT, соответственно, рис. 5 (A)). Микроглия также демонстрирует тенденцию к более высокому относительному распространению у субъектов с РАС, чем у контрольной группы. Эти наблюдения подтверждают гипотезу о том, что провоспалительные материнские цитокины в развивающемся головном мозге могут приводить к нейровоспалению и пролиферации астроцитов и микроглии [29].

CARseq по данным массовой экспрессии расстройств аутистического спектра (РАС). (A) Расчетные фракции клеток с помощью ICeD-T, отсортированные по возрастанию фракций возбуждающих нейронов. (B) Величина влияния статуса случай-контроль на относительные фракции клеток против возбуждающих нейронов (логарифмическое соотношение интересующего типа клеток и возбуждающего нейрона). Стандартные ошибки обозначены полосами. (C) Анализ обогащения набора генов приводит к значению -log10 p со знаком нормализованной оценки обогащения (NES) набора генов SFARI, контролируемого списка из 328 генов риска аутизма.(D) Результаты анализа обогащения набора генов на путях REACTOME. Для каждого типа клеток были показаны три основных пути, ранжированных по значению -log10 q со знаком нормализованной оценки обогащения (NES). Положительный NES указывает на обогащение генов небольшими p-значениями.

CARseq сообщает о 232 градусах (q -значение <0,1) в возбуждающих нейронах и 855 градусах в тормозных нейронах, и об отсутствии ДЭГ в других четырех типах клеток (фиг. S32). TOAST восстанавливает 2 DEG в возбуждающих нейронах и не восстанавливает DEG в других пяти типах клеток (рис. S34).Мы также попытались оценить контроль FDR, повторив наш анализ после перестановки меток случай / контроль (рис. S33 и S35), и заметили раздувание ошибки типа I в некоторых перестановках. Вероятно, это связано с тем, что модель неправильно определена после перестановки меток случая / контроля, а небольшой размер выборки и / или неучтенные ковариаты могут еще больше усилить такие эффекты. Таким образом, результаты этого анализа следует интерпретировать с осторожностью. Тем не менее, как обсуждается далее, мы наблюдали ожидаемое обогащение функциональных категорий и некоторые согласованные сигналы между SCZ и ASD, предполагая, что наш анализ этого набора данных с относительно небольшим размером выборки все еще фиксирует значимые сигналы.

Сначала мы рассмотрели список из 328 генов риска аутизма, подготовленный Фондом Саймонса по исследованию аутизма (SFARI). Большинство этих генов риска были идентифицированы, потому что они несут больше разрушительных мутаций в случаях РАС, чем в общей популяции. Мы обнаружили, что эти гены риска РАС значительно обогащены среди генов DE в тормозных нейронах (значение p 5,8 × 10 ⁻⁷ ) и возбуждающих нейронах (значение p 3,3 × 10 ⁻⁴ ), и они значительно истощены. среди генов DE в микроглии (p-значение 2.9 × 10 ⁻⁷ ) (Рисунок 5 (C), Таблица S5). Наши результаты согласуются с результатами, полученными с использованием данных snRNA-seq [30]. Обогащение с помощью результатов TOAST согласуется с CARseq для микроглии (4,1 × 10 ^-4 ), но не является значимым для тормозных нейронов (значение p 0,14) или возбуждающих нейронов (значение p 0,89). Напротив, при DE-анализе объемной ткани с помощью DESeq2 [6] не было обнаружено обогащения (p-значение 0,66).

Пути, обогащенные генами DE возбуждающих или тормозных нейронов, включают более общие и широкие пути, такие как «нейрональная система» и «процессинг антигена», и более специфические, такие как «синтез PIP» и «RAB-регуляция трафика».И «синтез PIP», и «RAB-регуляция трафика» связаны с одним типом рецепторов глутамата, называемым рецептором AMPA [31, 32]. Логарифмически кратные изменения генов DE показывают, что эти два пути активируются в тормозных нейронах субъектов с РАС, но подавляются в возбуждающих нейронах субъектов с РАС (Рисунок S40). Такой паттерн повышающего / понижающего регулирования намного чище в «синтезе PIP», чем «RAB-регулирование торговли людьми». Это предполагает важность активности AMPA в патофизиологии РАС.Гены в путях обработки антигена, как правило, активируются в тормозных нейронах, но подавляются в возбуждающих нейронах (рис. S40), что свидетельствует об усилении / понижении взаимодействий с иммунной системой в тормозных нейронах и возбуждающих нейронах соответственно. Обогащенные пути в глиальных клетках включают пути, связанные с инициацией трансляции, удлинением и «ответом EIF2AK4 (GCN2) на дефицит аминокислот». Было показано, что нарушение регуляции трансляции может вызывать нейродегенерацию [33], что подтверждается нашими выводами, предполагающими их связь с РАС.

DESeq2 [6] является хорошим представителем существующих методов DE-анализа объемных образцов тканей. Как в анализе SCZ, так и в анализе ASD, большинство результатов, полученных с помощью DESeq2, не были идентифицированы как гены, специфичные для CT (рисунок S26 и S39). Непосредственный вопрос заключается в том, экспрессируются ли эти гены DESeq2 DE по-разному в одном или нескольких типах клеток, или они могут отражать мешающий эффект, обусловленный составом типов клеток. В нашем анализе по умолчанию DESeq2 не принимает в качестве ковариатов какой-либо состав типов ячеек.После учета составов типов клеток (путем включения логарифмических соотношений составов типов клеток) DEseq2 идентифицировал больше генов DE, используя данные CMC-SCZ (от 1009 до 1888, с пересечением 810 при значении q 0,1, таблица S1), что позволяет предположить что эти гены DE по-разному экспрессируются в одном или нескольких типах клеток, но с относительно небольшими размерами эффекта и, таким образом, были упущены CARseq. Напротив, для данных UCLA-ASD DESeq2 идентифицировал гораздо меньше генов DE после учета составов типов клеток (от 1063 до 481, с пересечением 185 при q-значении 0.1, Таблица S1), предполагая, что многие гены DEseq2 DE при РАС действительно смешаны с составом типов клеток.

Мы обнаружили интересную закономерность, согласно которой значения p-значения DE для микроглии по всему геному показывают значительную корреляцию между SCZ и ASD (рис. 6 (A), корреляция 0,14 и значение p < 2 × 10 ⁻¹⁶ ). Кроме того, кратные изменения генов DE микроглии в различных путях также демонстрируют согласованные закономерности между SCZ и ASD (сравнение рисунка S28 (A) с рис.S40 (A)): повышающая регуляция врожденной иммунной системы и клеточного цикла и понижающая регуляция трансляции, сигнального пути slit-robo и инфекции гриппа. Мы продолжаем изучать перекрывающиеся гены DE. Используя либеральное пороговое значение p, равное 0,05, мы идентифицировали 1674 и 355 генов, специфичных для микроглии, в исследованиях SCZ и ASD, соответственно, с перекрытием 65 генов. Это перекрытие значительно больше, чем 33 случайных перекрытия (значение p 9,6 × 10 ^-9 по критерию хи-квадрат). Некоторые пути РЕАКТОМА чрезмерно представлены этими 65 генами (R package goseq, Рисунок 6 (B), Таблица S6).Обратите внимание, что этот анализ избыточного представления отличается от GSEA, который использует ранжирование по всему геному, и здесь мы рассматриваем только эти 65 генов. В дополнение к путям, которые были идентифицированы GSEA, мы обнаружили несколько новых. Одним из интересных открытий является «метаболизм селеноаминовой кислоты». Поскольку селен-зависимые ферменты предотвращают и обращают вспять окислительное повреждение в головном мозге, наши результаты подтверждают, что селен-зависимые ферменты могут опосредовать связь между антиоксидантами и SCZ / ASD [34, 35].

(A) Корреляционная матрица -log10 (Microglia-specific-DE p-values) (рассчитанная с помощью CARseq) между исследованиями CMC-SCZ и UCLA-ASD. (B) Пути REACTOME, которые чрезмерно представлены 65 генами со специфическими для микроглии-DE p-значениями менее 0,05 в исследованиях CMC-SCZ и UCLA-ASD.

SCZ и ASD — два распространенных психоневрологических расстройства, которые ложатся тяжелым бременем на людей, их семьи и общество.Предыдущие исследования выявили генетические факторы и факторы окружающей среды, которые способствуют риску заболеваний. Однако наше понимание молекулярных механизмов, которые связывают эти факторы риска с началом заболевания, все еще неполно, и понимание таких молекулярных механизмов имеет решающее значение для более эффективного лечения и профилактики. Например, некоторые препараты SCZ работают на молекулярном уровне, взаимодействуя с нейротрансмиттерами. Однако неясно, какие типы клеток более важны для функционирования лекарств.Анализ экспрессии генов в посмертных образцах мозга является эффективным подходом к изучению таких молекулярных механизмов, хотя традиционные методы анализа DE не могут разделить эффекты составов типов клеток и изменений экспрессии генов, специфичных для типов клеток. Насколько нам известно, мы представляем первый анализ данных посмертной экспрессии генов с учетом типов клеток из SCZ и ASD.

Молекулярные механизмы, лежащие в основе SCZ и ASD, можно разделить на две категории: изменения в системах нейротрансмиттеров и связанная со стрессом передача сигналов, включая иммунные / воспалительные процессы и окислительный стресс [14].NMDA и AMPA — это два типа рецепторов нейромедиатора глутамата. Мы нашли доказательства гипофункции NMDA при SCZ (особенно в тормозных нейронах) и дисрегуляции AMPA при РАС. Хотя дисбаланс возбуждения-торможения (E-I) был предложен как общая черта SCZ и ASD, мы обнаружили, что относительные доли тормозных нейронов по сравнению с возбуждающими нейронами выше в SCZ, чем в контроле, но схожи между ASD и контролями. Это согласуется с предыдущим открытием, что гипофункция NMDA может вызывать дисбаланс E-I [36], и нашим выводом о том, что путь NMDA нарушается в SCZ, но не в ASD.Кроме того, было показано, что дисбаланс E-I является основным механизмом галлюцинаций [16], которые являются симптомом SCZ, но не ASD. Таким образом, наше открытие дисбаланса E-I в SCZ, но не в ASD, может частично объяснить разницу в симптомах между двумя заболеваниями. Недавнее исследование также не обнаружило разницы E-I между ASD и контрольной группой [37].

Связанная со стрессом передача сигналов при SCZ и ASD широко изучена. Например, исследования на животных показывают, что пренатальный стресс, называемый активацией материнского иммунитета (независимо от причины, такой как инфекция различными патогенами или иммунная стимуляция), может привести к SCZ или ASD [17], что подразумевает роль иммунной системы в патологии заболевания.Микроглия — это тканевые макрофаги головного мозга, которые играют центральную роль в иммунном ответе мозга. Мы обнаружили, что специфичные для микроглии гены DE имеют значительное перекрытие между SCZ и ASD, и они имеют более высокую экспрессию у субъектов SCZ / ASD, чем в контрольной группе, что позволяет предположить, что микроглия находится в более активном состоянии при SCZ / ASD, чем контрольная группа, и указывает на актуальность нескольких биологических процессы, включая регуляцию трансляции и окислительное повреждение. Относительная доля астроцитов значительно выше при РАС, чем в контроле, и наблюдается тенденция к более высокому содержанию микроглии при РАС, чем в контроле.Однако относительные доли астроцитов и микроглии аналогичны между SCZ и контролем.

Эти анализы выполняются нашей вычислительной структурой CARseq, структурой для анализа данных РНК-секвенирования с учетом типов клеток из объемных образцов тканей с учетом типов клеток. CARseq требует оценок фракций типов клеток, которые основываются на справочных данных по экспрессии генов, специфичных для типов клеток. Мы ожидаем, что с развитием атласа клеток человека [38] в ближайшем будущем будут созданы такие ресурсы в других тканях, что позволит проводить анализ CARseq в более широких тканях и соответствующих заболеваниях.

Практическое рассмотрение использования CARseq заключается в том, что он может иметь ограниченную мощность при небольшом размере выборки. Это цена, которую мы должны заплатить за неопределенность оценки специфической экспрессии CT на основе данных RNA-seq. Как показывает практический опыт, мы не рекомендуем использовать CARseq, когда размер выборки за вычетом числа ковариант меньше 20. Для крупных исследований, например, с сотнями выборок, возможно, стоит рассмотреть новый дизайн исследования для генерации scRNA-seq. данные в подмножестве образцов и генерируют объемные данные последовательности РНК из всех образцов.Данные scRNA-seq можно использовать для генерации эталона экспрессии гена, специфичного для определенного типа клеток, для оценки фракции типа клеток, которая может использоваться для анализа CARseq на данных групповой последовательности RNA-seq. Кроме того, данные scRNA-seq также можно использовать для проверки результатов CARseq. Методы

Пусть T _ji будет счетчиком чтения РНК-seq (или счетчиком фрагментов для парных чтений) для гена j ∈ {1,…, J} и образца i ∈ {1,…, n }, где J — общее количество генов, а n — количество групповых выборок.Обозначим долю клеток для типа клеток h ∈ {1,…, H} в i-м примере через.

Мы предполагаем, что T _ji следует отрицательному биномиальному распределению: T _ji ∼ f _NB (µ _ji , φ _j ), со средним значением µ _ji и параметром дисперсии φ _j . Поскольку деконволюция в линейном (не логарифмическом) масштабе дает лучшую точность [13], мы полагаем: где — средняя экспрессия j-го гена в клетке h-го типа i-го образца. Вышеупомянутая деконволюция утверждает, что ожидаемое общее количество считываний является суммой ожидаемого количества считываний, специфичных для CT, взвешенных по долям ячеек по всем типам ячеек h ∈ {1,…, H}.На практике вместо ρ _hi используются оценки доли ячеек.

Мы моделируем взаимосвязь между и M ₀ CT-специфическими ковариатами с помощью функции логарифмической связи, которая обычно используется для отрицательной биномиальной регрессии:, где d _i — глубина секвенирования чтения образца i, γ _jhm и x _ihm — наблюдаемые данные коэффициента регрессии для m-го ковариата. Во всех анализах этой статьи мы использовали 75 процентилей экспрессии для всех генов в выборке.

Величина эффекта многих ковариат может не различаться для разных типов клеток. Например, поскольку число целостности РНК (RIN) количественно определяет качество образца РНК, оно будет ассоциироваться с наблюдаемой экспрессией генов таким же образом, независимо от исходного типа клетки. Отделив ковариаты, не зависящие от типа ячеек, от ковариат, специфичных для CT, мы можем построить модель с меньшими степенями свободы. Предположим, что M из M ₀ параметров зависят от CT, а остальные K = M ₀ — M параметры не зависят от типа ячейки, мы имеем: где w _ik — значение k-й ковариаты, не зависящей от типа ячейки, в выборке i.

Логарифм правдоподобия можно максимизировать с помощью метода наименьших квадратов с итеративным взвешиванием (IWLS) с некоторыми настройками (раздел A дополнительных материалов). После этого мы можем построить статистику отношения правдоподобия для проведения тестов CT-specific-DE. Хотя структуру тестирования на основе правдоподобия можно обобщить для решения различных задач [8], например, теста для непрерывной переменной или теста на линейную комбинацию коэффициентов регрессии, наша основная цель в статье — это тесты CT-specific-DE. среди двух или более групп.

Мы отметили, что CARseq сообщает большие оценки LFC в некоторых типах ячеек, которые, вероятно, отражают неопределенность оценки, особенно для типов ячеек с низкой долей или когда размер выборки мал. Чтобы смягчить эту проблему, мы разработали сокращенную процедуру оценки LFC, подробности см. В разделе A.5 дополнительных материалов.

Есть несколько альтернатив нашим методам, хотя они действительно были разработаны для разных целей и не подходят для анализа данных RNA-seq.TOAST [8] — это метод анализа CT-специфической DE или дифференциального метилирования. Он использует линейную модель, которая более гибкая, чем наша отрицательная биномиальная модель, для обработки различных типов данных, хотя для данных подсчета РНК-секвенирований с очень сильным соотношением среднего значения и дисперсии линейная модель, которая предполагает однородную дисперсию, должна выбирать между стабилизацией дисперсии. (например, путем логарифмического преобразования экспрессии гена) или деконволюции в линейном масштабе. Дополнительные сведения о нашем методе и TOAST см. В разделе A.6.1 в дополнительных материалах. Весь анализ, выполненный с использованием реальных данных, был выполнен с использованием как CARseq, так и TOAST, а дополнительные результаты для TOAST доступны на дополнительных рисунках.

Учет наблюдаемых / ненаблюдаемых искажающих ковариант имеет решающее значение для анализа DE, а ненаблюдаемые ковариаты можно оценить с помощью анализа суррогатных переменных (SVA) [39]. В данных моделирования мы обнаружили, что отсутствие учета соответствующих ковариат может привести к завышенной ошибке типа I. Это ограничивает применение csSAM, который не может регулировать ковариаты во многих практических условиях.По этой причине мы не применяли csSAM для анализа реальных данных.

Стоит упомянуть, что CIBERSORTx [11] предоставляет режим высокого разрешения, который может предоставить специфичные для КТ оценки выражений для каждой выборки. Это очень полезно для исследования данных, но не подходит для тестирования дифференциальных выражений, поскольку основывается на многих предположениях, которые создают некоторую зависимость в конечном результате. Авторы CIBERSORTx не рекомендовали использовать такой режим высокого разрешения для анализа дифференциальной экспрессии.Однако это может быть удобным и привлекательным подходом для практиков. Чтобы предостеречь от этого, мы демонстрируем, что этот подход может привести к завышенной ошибке типа I с помощью моделирования (рисунки S4-S7).

Мы используем два эталонных метода для оценки составов типов клеток в объемных образцах тканей: CIBERSORT [22] и ICeD-T [12]. CIBERSORT — популярный метод, использующий регрессию опорных векторов для оценки пропорций типов ячеек. ICeD-T — это метод, основанный на правдоподобии, который моделирует экспрессию генов с использованием логнормального распределения.Это позволяет подмножеству генов быть «аберрантным» в том смысле, что экспрессия CT-специфических генов таких генов несовместима между объемными образцами ткани и внешним эталоном. Такие аберрантные гены имеют заниженный вес при оценке соотношения типов клеток.

Мы создали эталон экспрессии CT-специфических генов, используя данные snRNA-seq из средней височной извилины (MTG) человеческого мозга [19]. Это не идеальное совпадение с основными данными последовательности РНК, полученными из префронтальной коры (ПФК). Мы сравнили MTG с другими данными snRNA-seq, полученными из человеческого PFC, а также из других областей мозга с использованием метода DroNC.Экспрессия CT-специфического гена аналогична между двумя наборами данных, за исключением эндотелиальных клеток. Мы решили использовать данные MTG для создания ссылки, поскольку они имеют гораздо большую глубину и лучший охват, что делает их более похожими на объемные данные RNA-seq. Мы исключаем эндотелиальные клетки в нашем анализе, поскольку в данных MTG есть только 8 эндотелиальных клеток, и его экспрессия имеет очень слабое сходство с эндотелиальными клетками из данных DroNC. См. Дополнительные материалы в разделе B.2.1 для получения более подробной информации.

Связанный с этим вопрос заключается в том, что при оценке фракций типов клеток неявное предположение состоит в том, что уровень экспрессии специфичных для типа клеток генов сигнатур не изменяется в различных условиях.Тогда возникает противоречие, когда мы оцениваем его ЭД. Более строгий подход — оценить DE только для несигнатурных генов. Однако, поскольку фракции клеток оцениваются с использованием сотен генов с надежными моделями, удаление любого одного сигнатурного гена не приведет к заметному изменению оценок фракции типов клеток. Следовательно, это как если бы мы оценивали DE сигнатурного гена, не используя его как часть сигнатурной матрицы. С другой стороны, если обнаруживается, что слишком много генов в наборе сигнатурных генов дифференциально экспрессируется, точность оценок фракции типов клеток вызывает сомнение, и следует выбрать альтернативный набор сигнатурных генов.Анализ

Данные по экспрессии генов и данные о характеристиках образцов были загружены с портала знаний Консорциума CommonMind (CMC) (см. Раздел URL-адреса). Мы включаем следующие ковариаты в наш анализ DE, специфичный для CARseq CT:

логарифмически преобразованная глубина чтения (75 процентилей экспрессии генов по всем генам в выборке),

учреждение (коэффициент трех уровней для трех институтов, где образцы были собраны),

возраст, пол и PMI (посмертный интервал),

RIN (число целостности РНК) и его квадратное преобразование RIN ² ,

пакетная переменная «Libclust», которая представляет собой кластеры библиотечных партий на 8 групп,

ПК с двумя генотипами и две суррогатные переменные.

Суррогатные переменные были рассчитаны после учета составов типов клеток. В частности, мы добавляем логарифм соотношения составов типов клеток (с возбуждающим нейроном в качестве базовой линии) в качестве ковариант, а затем вычисляем суррогатные переменные, используя R-функцию sva из пакета R sva [39].

Ковариаты, выбранные в нашей модели, в основном аналогичны тем, которые включены в исходный анализ [20], за исключением двух различий. Во-первых, мы включили в наш анализ два генотипа ПК вместо пяти, поскольку другие ПК не связаны с данными по экспрессии генов (рисунки S1).Суррогатные переменные вычислялись с использованием пакета R «sva» [39]. Две суррогатные переменные включены, потому что добавление этих двух суррогатных переменных увеличило объясненную дисперсию (R ² ) в линейной модели, чтобы соответствовать выражению смеси в логарифмическом масштабе, с 0,55 до 0,68, в то время как большее количество суррогатных переменных давало сравнительно ограниченное увеличение R ² . Перед включением в модель все непрерывные ковариаты были масштабированы для обеспечения численной стабильности [6]. Анализ

Данные экспрессии генов (ожидаемое количество считываний, полученное из RSEM) были загружены из Freeze1 Консорциума PsychENCODE (PEC) Capstone Collection, а сопутствующие метаданные и клинические данные были загружены с портала знаний PsychENCODE, см. URL-адреса разделов для точные ссылки.Имеется 341 образец от 100 человек. Мы сохранили образцы из Зоны Бродмана 9 (BA9), в том числе 89 образцов от 85 человек. У четырех человек были дублированные образцы, и мы выбрали одного с более высоким RIN. Эти 85 человек включают 42 пациента с РАС и 43 контрольной группы, и они были из двух банков мозга: 53 из Программы по изучению тканей аутизма (ATP) и 32 из NICHD, см. Parikshak et al. [27] для получения более подробной информации об этом наборе данных.

Мы изучили связь между каждой потенциальной ковариантой и геномной экспрессией и обнаружили, что PMI и пол не связаны с экспрессией гена, о чем свидетельствует равномерное распределение значений p, поэтому мы удалили эти две ковариаты и использовали следующие ковариаты. в нашем анализе.

log-преобразованная глубина чтения (75 процентилей экспрессии генов по всем генам в выборке),

BrainBank (коэффициент двух уровней),

SequencingBatch (коэффициент 3 уровня),

возраст, RIN ( Число целостности РНК),

, четыре суррогатные переменные секвенирования (SeqSV).

SeqSV, обозначения, используемые Parikshak et al. [27] — ПК, полученные на основе показателей контроля качества секвенирования. Мы использовали 4 основных компонента, потому что они объясняли 99% дисперсии показателей последовательности.Перед включением в модель все непрерывные ковариаты были масштабированы для обеспечения численной стабильности [6].

Обогащение набора генов было выполнено на путях REACTOME, загруженных с https://www.gsea-msigdb.org/gsea/msigdb/download_file.jsp?filePath=/msigdb/release/7.1/c2.cp. reactome.v7.1.symbols.gmt. Первоначально существует 1532 пути, из которых 1090 путей имеют размер от 10 до 1000 генов.

Для каждого типа ячеек мы использовали функцию «fgseaMultilevel» в пакете «fgsea» R, чтобы одновременно вычислить p-значения и нормализованные оценки обогащения (NES) по 1090 путям без каких-либо весов (fgseaMultilevel argument gseaParam = 0) в списке генов. ранжированы по потенциально CT-специфическим p-значениям из анализа дифференциальной экспрессии.Затем значения p по 1090 путям были преобразованы в значения q с помощью «get_qvalues_one_inflated» в нашем пакете CARseq. Затем мы собрали в таблице все кандидаты пар путь-тип клеток, удовлетворяющих NES> 0 (гены на пути, как правило, имеют меньшие p-значения), и отсортировали их по рангу увеличения q-значений и уменьшения NES в пределах каждый тип ячейки. Затем мы дедуплицировали пути, сохраняя только первое появление каждого пути в таблице. Впоследствии были выбраны пары «верхний путь N-тип клетки».Для наглядности в нашей статье N было выбрано равным 3.

На основных фигурах основным методом дифференциальной экспрессии был CARseq, а основные пути были определены по результатам GSEA для генов, ранжированных по CARseq CT-специфическим-DE p-значениям. На дополнительных рисунках мы также представили тепловые карты, на которых показаны основные пути, определенные по результатам GSEA, на основе рейтингов с помощью TOAST CT-специфичных-DE p-значений.

Мы используем q-значение для управления FDR [40]. Для вычисления q-значения требуется оценка общей доли нулевых p-значений.Мы используем следующую формулу, которая специально учитывает ситуацию, когда пропорция p-значений равна 1, реализованная в функции get_qvalues_one_inflated пакета R CARseq:

snRNA-seq данные для CT-специфической ссылки на экспрессию,

файл матрицы экспрессии гена MTG человека 2018-06-14.zip, загруженный с

http://celltypes.brain-map.org/api/v2/ well_known_file_download / 694416044.

Портал знаний Консорциума CommonMind (CMC):

https: // www.synapse.org/#!Synapse:syn2759792/wiki/69613.

Данные по экспрессии гена CMC:

https://www.synapse.org/#!Synapse:syn3346749

Метаданные по экспрессии гена CMC:

https://www.synapse.org/#!Synapse:syn18103174

Клинические данные CMC:

https://www.synapse.org/#!Synapse:syn3275213.

Коллекция PEC Capstone:

https://www.synapse.org/#!Synapse:syn12080241

Данные по экспрессии гена UCLA-ASD:

https: // www.synapse.org/#!Synapse:syn8365527

Метаданные по экспрессии гена UCLA-ASD:

https://www.synapse.org/#!Synapse:syn5602933

Клинические данные UCLA-ASD:

https: // www.synapse.org/#!Synapse:syn5602932

SFARI Гены риска РАС:

Human Gene

Лечение расстройств аутистического спектра (РАС)

Даже если ваш У ребенка не было официально диагностировано расстройство аутистического спектра, ему все еще могут быть полезны определенные методы лечения.Закон об образовании лиц с ограниченными возможностями (IDEA) делает возможным такое лечение для детей в возрасте до 3 лет, которые могут быть подвержены риску нарушения развития.

Тип лечения, которое получает ваш ребенок от расстройства аутистического спектра, зависит от его индивидуальных потребностей. Поскольку РАС — это расстройство спектра (это означает, что у некоторых детей симптомы легкие, а у других — тяжелые), и каждый ребенок, у которого оно есть, уникален, существует множество методов лечения.

Они могут включать в себя различные виды терапии для улучшения речи и поведения, а иногда и лекарства, помогающие справиться с любыми заболеваниями, связанными с аутизмом.

Лечение, которое может принести пользу вашему ребенку, зависит от его ситуации и потребностей, но цель одна и та же: уменьшить симптомы и улучшить его обучение и развитие.

Поведенческие и коммуникативные методы лечения

Прикладной анализ поведения (ABA). ABA часто используется в школах и клиниках, чтобы помочь вашему ребенку научиться положительному поведению и уменьшить отрицательное. Этот подход можно использовать для улучшения широкого спектра навыков, и существуют разные типы для разных ситуаций, в том числе:

• Дискретное пробное обучение (DTT) использует простые уроки и положительное подкрепление.
• Обучение основным ответам (PRT) помогает развить мотивацию к обучению и общению.
• Раннее интенсивное поведенческое вмешательство (EIBI) лучше всего подходит для детей младше 5 лет.
• Устное поведенческое вмешательство (VBI) фокусируется на языковых навыках.

Продолжение

Развитие, индивидуальные различия, подход, основанный на отношениях (DIR). Этот вид лечения более известен как Floortime. Это потому, что вы должны ложиться с ребенком на пол, чтобы поиграть и заняться тем, что ему нравится.

Он предназначен для поддержки эмоционального и интеллектуального роста, помогая им овладеть навыками общения и эмоциями.

Лечение и образование детей с аутизмом и связанными с ним коммуникативными проблемами (TEACCH). Эта процедура использует визуальные подсказки, такие как карточки с картинками, чтобы помочь вашему ребенку овладеть повседневными навыками, такими как одевание. Информация разбита на небольшие этапы, чтобы им было легче ее усвоить.

Система обмена изображениями (PECS). Это еще одна визуальная обработка, но вместо карточек с картинками используются символы. Ваш ребенок учится задавать вопросы и общаться с помощью специальных символов.

Продолжение

Трудотерапия. Этот вид лечения помогает вашему ребенку научиться таким жизненным навыкам, как кормление и одевание, купание и понимание того, как общаться с другими людьми. Навыки, которым они овладевают, призваны помочь им жить настолько независимо, насколько это возможно.

Терапия сенсорной интеграции. Если вашего ребенка легко расстраивают такие вещи, как яркий свет, определенные звуки или ощущение прикосновения, эта терапия может помочь ему научиться справляться с такой сенсорной информацией.

Лекарства

Не существует лекарства от расстройства аутистического спектра, и в настоящее время нет лекарств для его лечения. Но некоторые лекарства могут помочь при таких симптомах, как депрессия, судороги, бессонница и проблемы с концентрацией внимания.

Исследования показали, что лекарства наиболее эффективны в сочетании с поведенческой терапией.

Рисперидон (Риспердал) — единственный препарат, одобренный FDA для детей с расстройствами аутистического спектра. Его можно назначать детям от 5 до 16 лет для снятия раздражительности.

Некоторые врачи в определенных случаях прописывают другие лекарства, включая селективные ингибиторы обратного захвата серотонина (СИОЗС), лекарства от тревожности или стимуляторы, но они не одобрены FDA для лечения расстройств аутистического спектра.

Обсудите с врачом вашего ребенка, есть ли лекарства, которые лечат его симптомы.

Nutrition

Эксперты не рекомендуют какие-либо диеты для детей с расстройствами аутистического спектра, но правильное питание очень важно. Иногда дети с РАС ограничивают свое питание или родители пытаются исключить такие вещества, как глютен, чтобы увидеть, помогает ли это улучшить симптомы.