Existe un creciente interés por estudiar la relación entre la microbiota humana y diversas condiciones de salud, incluído el autismo en niños, por lo que la investigadora Mariel Alfaro Ponce del Tec de Monterrey realizó un estudio sobre el tema junto con Juan Manuel Oláguez e Isaac Chairez del Tec y Luz Bretón del Instituto de Biotecnología de la Universidad Nacional Autónoma de México (UNAM).
La investigación llamada Machine Learning Algorithms Applied to Predict Autism Spectrum Disorder Based on Gut Microbiome Composition busca analizar la microbiota humana utilizando técnicas de Machine Learning, un campo de la Inteligencia Artificial que se enfoca en el desarrollo de modelos de algoritmos que permiten a las computadoras aprender.
El objetivo principal de los investigadores es identificar marcadores que puedan ayudar a predecir el autismo en niños pequeños, basado en la composición de bacterias que existe en la microbiota intestinal, ya que parece haber una relación entre ciertos tipos de bacterias y el Trastorno del Espectro Autista (TEA).
Por ejemplo, se han identificado la abundancia de diversas bacterias que podrían estar asociadas con el TEA como Clostridium, así como también que los cambios en la microbiota podrían tener una influencia en el comportamiento y síntomas relacionados.
Utilizando información sobre estas bacterias, se puede entrenar a las computadoras para identificar las señales que podrían indicar una presencia de TEA.
Microbiota y el autismo
El análisis de la microbiota en individuos autistas revela diferencias significativas en la composición bacteriana en comparación con sujetos neurotípicos.
Se han identificado ciertos microorganismos como predictores clave del autismo, como Bacteroides, Lachnospira, Anaerobutyricum y Ruminococcus torques.
Estos hallazgos sugieren un desequilibrio en la microbiota intestinal que puede estar relacionado con la manifestación del TEA. Además, la presencia de bacterias menos abundantes, pero funcionalmente importantes, destaca la complejidad de la microbiota y su papel en la salud y la enfermedad neurológica.
Mariel Alfaro, investigadora del Institute of Advanced Materials for Sustainable Manufacturing, explicó que se basaron en recopilaciones de datos de secuenciación de microbiota de diversas partes del mundo, especialmente de la plataforma SAS, con lo que crearon una base de datos grande y diversa.
Para analizar esta cantidad de información, utilizaron modelos de Machine Learning que tienen la capacidad de identificar patrones complejos y luego poder predecir resultados basándose en esos datos.
El equipo de Alfaro colaboró con expertos de biología y bioinformática para poder entender mejor la relación entre cómo está compuesta la microbiota y la manifestación del autismo.
Los resultados, según la investigadora, fueron distintos significativamente de los que se habían encontrado en estudios anteriores y que utilizaban técnicas más tradicionales de análisis de datos.
“Nosotros trabajamos con 18 predictores que podrían indicar la presencia del autismo en niños y comparamos nuestros resultados con otros papers publicados que usan técnicas clásicas de bioinformática y vimos que eran muy diferentes”, explicó Alfaro.
Por lo que sugiere que estas nuevas técnicas con Machine Learning e Inteligencia Artificial pueden dar una nueva perspectiva con mayor precisión en la detección del autismo desde la microbiota.
Esta detección podría permitir intervenciones más tempranas y efectivas, así como mejorar la comprensión de la relación entre la microbiota y el autismo.
Además podría abrir nuevas vías para el desarrollo de tratamientos personalizados como intervenciones en las dietas y terapias que utilizan probióticos que podrían reducir los síntomas y mejorar la calidad de vida de las personas con autismo.
“En la siguiente etapa del proyecto nos gustaría aplicarlo a la población mexicana, porque tenemos muchas variantes en la dieta que podrían ser o no, determinantes en el desarrollo de TEA en niños”, dijo.
