Identyfikacja autyzmu oparta na SI poprzez wykrywanie stresu oksydacyjnego w pediatrycznych krwinkach czerwonych za pomocą obrazowania hiperspektralnego

Dlaczego kropla krwi może ujawnić ukryty stres

Lekarze od dawna podejrzewają, że wiele chorób cicho uszkadza nasze komórki na lata przed pojawieniem się objawów, lecz brakowało prostych narzędzi do obserwacji tych wczesnych uszkodzeń. W tym badaniu autorzy badają nowy sposób odczytywania tej ukrytej szkody z pojedynczej kropli krwi, wykorzystując zaawansowane obrazowanie i sztuczną inteligencję. Praca koncentruje się na dzieciach z autyzmem, ale podejście to może z czasem pomóc w monitorowaniu szerokiego spektrum stanów powiązanych z komórkowym „zużyciem”.

Nowy sposób oglądania komórek krwi

Krwinki czerwone robią więcej niż przenoszenie tlenu; ich delikatna błona zewnętrzna zapisuje też chemiczne obciążenia, jakim osoba była wystawiona. Gdy organizm doświadcza stresu oksydacyjnego — nierównowagi między szkodliwymi reaktywnymi cząstkami a mechanizmami obronnymi — pewne kruche tłuszcze w tej błonie są jednymi z pierwszych celów. Zamiast szukać jednego konkretnego związku, badacze użyli obrazowania hiperspektralnego, techniki rejestrującej, jak każdy drobny fragment komórki rozprasza światło w wielu barwach, daleko poza zakresem widzenia ludzkiego oka. Każdy piksel staje się swego rodzaju kolorowym odciskiem palca, odzwierciedlającym zarówno obecne molekuły, jak i ich rozmieszczenie w błonie.

Budowanie mapy zdrowych i zestresowanych komórek

Aby zrozumieć, co stres oksydacyjny robi krwinkom czerwonym, zespół najpierw stworzył kontrolowany model laboratoryjny. Pobierano niewielkie próbki krwi od zdrowych dorosłych i delikatnie wystawiano część próbek na działanie nadtlenku wodoru, znanego utleniacza. Przy użyciu hiperspektralnej mikroskopii w ciemnym polu zarejestrowano szczegółowe wzorce rozpraszania światła z wielu pojedynczych komórek, a następnie pogrupowano te wzorce w osiem powtarzalnych „sygnatur spektralnych”. Równolegle przeprowadzono analizę chemiczną lipidów błonowych i potwierdzono, że utlenianie obniża udział wrażliwych wielonienasyconych tłuszczów i zwiększa udział bardziej odpornych tłuszczów nasyconych. Konkretne sygnatury spektralne przesuwały się w sposób spójny, gdy następowało to chemiczne przekształcenie, pokazując, że metoda obrazowania potrafi „zobaczyć” strukturalne zmiany błony bez bezpośredniego dotykania komórek czy stosowania barwników.

Zastosowanie metody u dzieci z autyzmem

Mając tę referencję, badacze zwrócili się do próbek krwi od 27 chłopców z zaburzeniem ze spektrum autyzmu oraz 31 chłopców neurotypowych o podobnym wieku i budowie ciała. Obrazowali krwinki czerwone każdego dziecka tym samym protokołem hiperspektralnym. Kilka sygnatur spektralnych u dzieci z autyzmem różniło się od tych u dzieci neurotypowych, a kierunek tych zmian wiernie odzwierciedlał to, co zaobserwowano w zoxydowanych próbkach dorosłych. Jedna szczególna sygnatura, powiązana z błonami, które utraciły wrażliwe tłuszcze i zyskały bardziej sztywne składniki, wyróżniała się jako szczególnie zmieniona. Wskazywało to na wspólny wzorzec: krwinki czerwone wielu dzieci z autyzmem wydawały się nosić optyczne znamiona podwyższonego stresu oksydacyjnego.

Pozwolenie sztucznej inteligencji na odczyt wzorców

Ponieważ dane hiperspektralne są złożone, zespół zastosował sztuczne sieci neuronowe — modele komputerowe inspirowane obwodami mózgu — aby nauczyć się, jak kombinacje sygnatur spektralnych wiążą się z autyzmem w porównaniu z typowym rozwojem. Po starannym podziale danych na zbiory treningowe i testowe oraz odrzuceniu nieprzydatnych wejść, system był w stanie sklasyfikować próbki dzieci jako „autyzm” lub „neurotypowy” z około 93-procentową dokładnością ogólną, osiągając jednocześnie wysoką czułość i swoistość. Drugie narzędzie AI, zaprojektowane do ujawniania ukrytych zależności zamiast przewidywania, wyróżniło jedną kluczową sygnaturę spektralną jako najsilniej powiązaną z grupą autystyczną, wzmacniając hipotezę, że określony wzorzec zmian błony jest istotny.

Co to może znaczyć dla przyszłej opieki

Autorzy podkreślają, że to nie jest jeszcze test diagnostyczny na autyzm i nie powinno się go używać do etykietowania poszczególnych dzieci. Badanie pokazuje natomiast, że błony krwinek czerwonych niosą czytelny zapis stresu oksydacyjnego, a obrazowanie hiperspektralne połączone z AI potrafi wydobyć te informacje szybko z zaledwie dwóch mikrolitrów krwi, bez inwazyjnych procedur czy dodatku substancji chemicznych. W dłuższej perspektywie podobne podejścia mogłyby pomóc lekarzom śledzić, jak dużym ukrytym stresem obciążone są komórki danej osoby, kierować spersonalizowanymi wyborami dotyczącymi odżywiania i leczenia oraz monitorować, czy terapie przywracają zdrowszą strukturę błon komórkowych, zanim rozwój poważnej choroby nastąpi.

Cytowanie: Vartian, R., Sansone, A., Batani, G. et al. AI-based autism identification from hyperspectral imaging detection of oxidative stress in pediatric red blood cells. Commun Med 6, 266 (2026). https://doi.org/10.1038/s43856-026-01581-y

Słowa kluczowe: stres oksydacyjny, krwinki czerwone, obrazowanie hiperspektralne, autyzm, sztuczna inteligencja