Identifying Phelan-McDermid-Like Electrophysiological Subtypes in Autism Using EEG and Machine Learning

Dit onderzoek toont aan dat machine learning op basis van EEG-metingen van gamma-band-synchronisatie niet alleen Phelan-McDermid-syndroom kan onderscheiden van typische ontwikkeling, maar ook een biologisch onderbouwde subgroep van individuen met idiopathisch autisme identificeert die een vergelijkbaar electrofysiologisch profiel vertonen.

De kern

Hoe we een 'neurologische vingerafdruk' vonden voor autisme

Stel je voor dat autisme (ASD) een enorme, rommelige bibliotheek is. In deze bibliotheek staan duizenden boeken over mensen met autisme. Maar net als in een echte bibliotheek, zijn deze boeken heel verschillend. Sommige boeken gaan over een heel specifiek verhaal, andere over een heel ander verhaal. De meeste mensen met autisme hebben een 'idiopathisch' verhaal: dat betekent dat we niet precies weten wat de oorzaak is in hun DNA. Het is alsof je een boek leest zonder de titel of de auteur te kennen.

Aan de andere kant van de bibliotheek staat er één heel specifiek, zeldzaam boek: Phelan-McDermid Syndroom (PMS). Bij dit syndroom weten we precies wat er mis is: een stukje van het DNA (een gen genaamd SHANK3) ontbreekt. Dit gen is als een bouwmeester die zorgt dat de verbindingen tussen hersencellen (synapsen) stevig zitten. Als dit stukje ontbreekt, vallen de verbindingen een beetje uit elkaar.

Het probleem
Onderzoekers wilden weten: Zitten er in die grote, rommelige bibliotheek van 'gewoon' autisme ook boeken die eigenlijk hetzelfde verhaal vertellen als dat specifieke PMS-boek?

Als we dat kunnen vinden, kunnen we mensen met autisme beter behandelen. Want als je weet dat iemand een 'PMS-achtig' hersenprobleem heeft, kun je misschien een medicijn geven dat specifiek die bouwmeester helpt, in plaats van een algemene pil voor iedereen.

De oplossing: De hersen-orchestra
Om dit te ontdekken, keken de onderzoekers niet naar de woorden in de boeken, maar naar de muziek die de hersenen maken. Ze gebruikten een EEG-hoofdband (een soort hoed met sensoren) om te luisteren naar de hersenen terwijl de mensen luisterden naar een ritmisch geluid (een tik-tik-tik van 40 keer per seconde).

Stel je je hersenen voor als een groot orkest.

• Bij een gezond orkest (TD) spelen de muzikanten (hersencellen) perfect synchroon. Als de dirigent een ritme aangeeft, slaan ze allemaal precies op hetzelfde moment hun instrumenten aan.
• Bij mensen met PMS is dit orkest een beetje uit de pas. Ze spelen nog steeds het juiste nummer, maar ze slaan niet precies tegelijkertijd. Het ritme is wazig. Dit noemen we een gebrek aan 'fase-locking' of synchronisatie.

De slimme computer (Machine Learning)
De onderzoekers gaven deze geluidsopnames aan een slimme computer (een machine learning-model). Ze leerden de computer eerst het verschil te horen tussen:

1. Het perfecte orkest (gezonde mensen).
2. Het uit de pas lopende orkest (mensen met PMS).

De computer leerde heel goed om dit specifieke 'ritme-probleem' te herkennen. Ze noemden dit de SAI (Synchrony Atypicality Index). Het is als een score: hoe hoger de score, hoe meer je hersenen lijken op die van iemand met PMS.

De verrassende ontdekking
Toen de computer naar de grote bibliotheek van 'gewoon' autisme keek, gebeurde er iets fascinerends:

• Ongeveer 36% van de mensen met 'gewoon' autisme had een hoge SAI-score.
• Dit betekent dat hun hersenen precies hetzelfde ritme-probleem hadden als mensen met het zeldzame PMS-syndroom, ook al hadden ze dat gen niet gemist.

Het was alsof de computer in de grote bibliotheek plotseling 1 op de 3 boeken vond die precies dezelfde 'schrijfstijl' hadden als het zeldzame boek, zelfs zonder dat de auteur bekend was.

Waarom is dit belangrijk?
Vroeger behandelden we autisme vaak als één grote groep. Maar dit onderzoek laat zien dat autisme eigenlijk uit verschillende 'soorten' bestaat.

• Er is een groep mensen met autisme die een heel ander ritme in hun hersenen hebben.
• En er is een groep (ongeveer 1 op de 3) die een 'PMS-achtig' ritme heeft.

De conclusie
Dit onderzoek is als het vinden van een sleutel. We hebben nu een manier om te zien welke mensen met autisme waarschijnlijk baat hebben bij behandelingen die specifiek gericht zijn op het herstellen van die synchrone hersenritmes (zoals medicijnen die de bouwmeester in de hersenen helpen).

In plaats van te zeggen "Iedereen met autisme krijgt pil A", kunnen we in de toekomst zeggen: "Jouw hersenen hebben ritme-problemen die lijken op PMS, dus jij krijgt pil B die specifiek dat ritme herstelt."

Het is een stap in de richting van precisiegeneeskunde: de juiste behandeling voor het juiste type hersenprobleem, gebaseerd op wat er echt in de hersenen gebeurt, in plaats van alleen op gedrag.

Technische samenvatting

Probleemstelling

Autisme Spectrum Stoornis (ASS) is een uiterst heterogeen neurodevelopmentale aandoening met een complexe etiologie. Een specifiek genetisch subtype, het Phelan-McDermid-syndroom (PMS), wordt veroorzaakt door haplo-insufficiëntie van het SHANK3-gen. PMS fungeert als een genetisch gedefinieerd model voor circuitdysfunctie bij ASS, gekenmerkt door verstoringen in de excitatoire/inhibitoire (E/I) balans en verminderde corticale synchronisatie.

De kernuitdaging is dat idiopathische ASS (iASS), waarbij geen enkele bekende genetische oorzaak is vastgesteld, een zeer diverse populatie vormt. Het is onduidelijk of een subgroep van iASS-patiënten dezelfde neurofysiologische mechanismen deelt als PMS-patiënten. Traditionele EEG-metingen tonen vaak inconsistentie in ASS-populaties. Er is behoefte aan objectieve, biologisch onderbouwde biomarkers om subgroepen binnen iASS te stratificeren die mogelijk baat hebben bij gerichte behandelingen die gericht zijn op circuit-synchronisatie.

Methodologie

Data en Deelnemers
De studie omvatte EEG-data van 123 deelnemers, verzameld tijdens een 40-Hz auditieve steady-state respons (ASSR) taak:

• TD (Typisch Ontwikkelend): 42 deelnemers (leeftijd 2-30 jaar).
• iASS: 56 deelnemers met een idiopathische diagnose (leeftijd 3-31 jaar).
• PMS: 25 deelnemers met een genetische bevestiging van SHANK3-mutatie of deletie (leeftijd 2-26 jaar).

EEG Preprocessing en Feature Extractie

• Opname: 128-kanaals HydroCel Geodesic Sensor Net, bemonsterd op 1000 Hz.
• Preprocessing: Bandpass-filtering (1-45 Hz), downsampling naar 250 Hz, re-referencing naar gemiddelde van twee referentie-elektroden, en artefactrejectie.
• Features: Er werden vier categorieën van kenmerken geëxtraheerd uit de temporalis-elektroden (E7, E106):
  1. Tijdsreeks (TS): Gemiddelde stimulus-locked golfvorm.
  2. Frequentie-Tijd: Inter-Trial Phase Coherence (ITPC) en Event-Related Spectral Perturbation (ERSP) rond de 40 Hz.
  3. FOOOF: Spectrale kenmerken (aperiodische 1/f-helling en offset, en periodieke pieken in theta, alpha, beta en gamma).
  4. Demografie: Leeftijd en geslacht werden als covariaten meegenomen.

Machine Learning Aanpak

• Supervised Learning: Er werden XGBoost-modellen getraind met een Leave-One-Out Cross-Validation (LOOCV) strategie.
  • Doel 1: Classificatie van PMS vs. TD.
  • Doel 2: Toepassing van het beste model op iASS-deelnemers om een Synchrony Atypicality Index (SAI) te genereren (de voorspelde waarschijnlijkheid dat een iASS-patiënt een PMS-achtig profiel heeft).
  • Doel 3: Classificatie van iASS vs. PMS en iASS vs. TD, met en zonder het verwijderen van de "high-SAI" iASS-subgroep.
• Unsupervised Learning: UMAP (Uniform Manifold Approximation and Projection) en k-means clustering werden toegepast op de ITPC-features om latentere subgroepen te ontdekken zonder gebruik te maken van diagnostische labels. Ook werden Gaussian Mixture Models (GMM) gebruikt voor stabiliteitsanalyse.
• Validatie: Sensitiviteitsanalyses werden uitgevoerd om de invloed van trial-aantallen, leeftijd en IQ te controleren (o.a. via residualisatie en leeftijdsgematchde modellen).

Belangrijkste Bijdragen

1. ITPC als primaire biomarker: Het artikel identificeert Inter-Trial Phase Coherence (ITPC) in de gamma-band (40 Hz) als de meest robuuste elektrofysiologische signatuur voor het onderscheiden van PMS van TD, superieur aan vermogensmetingen (ERSP) of aperiodische spectrale kenmerken (FOOOF).
2. Ontdekking van een PMS-achtig subgroep in iASS: Door een model te trainen dat specifiek PMS van TD onderscheidt, en dit toe te passen op iASS, werd aangetoond dat ongeveer 35,7% van de iASS-deelnemers een verhoogde SAI heeft. Dit suggereert dat een aanzienlijk deel van de "idiopathische" ASS populatie een neurofysiologisch profiel deelt met PMS, ondanks het ontbreken van de SHANK3-mutatie.
3. Reciproke validatie: Een classifier getraind om iASS-deelnemers te onderscheiden op basis van hun SAI (hoog vs. laag) kon vervolgens succesvol PMS van TD onderscheiden. Dit bevestigt dat de gevonden signatuur een gemeenschappelijke as van variatie is die zowel binnen iASS als tussen de diagnosegroepen bestaat.
4. Heterogeniteit oplossen: De studie toont aan dat de slechte classificatieprestaties tussen iASS en PMS in de volledige steekproef voornamelijk te wijten zijn aan de heterogeniteit van iASS. Zodra de "high-SAI" iASS-deelnemers worden verwijderd, verbetert de classificatie tussen de resterende iASS en PMS drastisch (AUROC van 0,61 naar 0,90).

Resultaten

• PMS vs. TD Classificatie: Het ITPC-gebaseerde model (aangepast voor leeftijd en geslacht) bereikte een AUROC van 0,83 (95% BI: 0,72–0,92). Dit was significant beter dan modellen die alleen op tijdreeks, vermogen of FOOOF-features waren gebaseerd.
• SAI in iASS: Van de 56 iASS-deelnemers hadden er 20 (35,7%) een SAI > 0,5, wat wijst op een PMS-achtig profiel met verminderde gamma-synchronisatie.
• Classificatie na Subgroepering:
  • In de volledige iASS-populatie was het onderscheid tussen iASS en PMS wazig (AUROC 0,61).
  • Na verwijdering van de high-SAI iASS-deelnemers (die dus meer op PMS lijken), werd het onderscheid tussen de overige iASS en PMS zeer sterk (AUROC 0,90).
  • Omgekeerd: Na verwijdering van de low-SAI iASS-deelnemers, werd het onderscheid tussen de high-SAI iASS en TD zeer sterk (AUROC 0,88).
• Unsupervised Clustering: Zowel UMAP als GMM bevestigden de aanwezigheid van een cluster dat sterk verrijkt was met PMS-deelnemers en waarin ook de high-SAI iASS-deelnemers terechtkwamen. De afstand tot dit cluster correleerde negatief met de SAI.
• Invloed van Covariaten: Sensitiviteitsanalyses toonden aan dat hoewel leeftijd en IQ correleren met de SAI, de ITPC-features zelf de primaire drijvende kracht achter de classificatie blijven, zelfs na correctie voor deze factoren.

Significantie en Conclusie

De studie biedt een krachtig bewijs dat gamma-band fase-locking (ITPC) een mechanistisch interpreteerbare biomarker is voor circuitdysfunctie bij PMS en een subset van idiopathische ASS.

• Biologische Stratificatie: De bevindingen ondersteunen het idee dat ASS niet één uniforme aandoening is, maar dat er subgroepen bestaan die gedeelde circuitmechanismen (zoals E/I-balans en PV-interneuron disfunctie) delen met genetische syndromen.
• Klinische Implicatie: Het identificeren van een "PMS-achtig" elektrofysiologisch profiel in iASS-patiënten kan leiden tot biomarker-gestuurde stratificatie. Dit is cruciaal voor de ontwikkeling van gerichte therapieën (bijv. middelen die de synaptische functie of circuit-synchronisatie herstellen), waarbij patiënten met dit specifieke profiel de meeste kans van slagen hebben.
• Toekomstperspectief: Hoewel de steekproefgrootte beperkt is (vooral voor PMS), biedt deze methode een blauwdruk voor het integreren van machine learning en elektrofysiologie om de heterogeniteit van neurodevelopmentale stoornissen te ontrafelen. Verdere validatie in grotere, multi-centrum cohorts is noodzakelijk.

Kortom, dit onderzoek toont aan dat machine learning op EEG-data niet alleen genetische syndromen kan onderscheiden, maar ook een biologisch onderbouwde onderverdeling binnen de brede ASS-populatie kan blootleggen, wat een stap voorwaarts is naar gepersonaliseerde geneeskunde.