Utilizando el aprendizaje automático impulsado por el conocimiento biológico desencadenado por la exposición a la...

Área de la Ciencia:

• Epidemiología ambiental
• Toxicología de la reproducción
• La bioinformática

Sus antecedentes:

• Es difícil evaluar los efectos de las mezclas ambientales en la salud reproductiva.
• Las redes de gráficos de conocimiento (KGN) son prometedoras para la interpretación biológica, pero están subutilizadas en epidemiología, especialmente con tamaños de muestra pequeños.

Objetivo del estudio:

• Desarrollar y validar un nuevo marco que integre redes basadas en gráficos de conocimiento biológico (BKGNs) y aprendizaje automático (ML) para predecir la pérdida temprana del embarazo (EPL).
• Identificar las exposiciones ambientales críticas y las vías biológicas asociadas con la EPL en mujeres sometidas a fecundación in vitro y transferencia de embriones (FIV-ET).

Principales métodos:

• Se reclutaron 116 mujeres sometidas a FIV-ET, recogiendo datos clínicos y muestras biológicas (pelo, suero, folicular).
• Se han medido 16 sustancias per- y polifluoroalquilo (PFAS) y 41 metalloides.
• Desarrolló un marco de acoplamiento de BKGNs (integrando la ontología de genes y las vías de proteínas) con ML para predecir EPL, probando su robustez con tamaños de muestra reducidos.

Principales resultados:

• El modelo BKGN-ML integrado en la ontología de genes logró un área alta bajo la curva (AUC) de 0,876, superando a otros modelos (AUC = 0,819).
• El modelo se mantuvo eficaz incluso con una reducción del 40% en el tamaño de la muestra.
• Exposiciones clave identificadas como el selenio y el cromo en suero, y perturbaciones biológicas como la proliferación de la población celular y los cambios nucleares apoptóticos relacionados con la EPL.

Conclusiones:

• El marco BKGN-ML propuesto es una herramienta robusta y rentable para predecir los resultados de la salud reproductiva asociados a la exposición.
• Este enfoque mecanicista proporciona información valiosa sobre los vínculos entre la exposición a las mezclas ambientales y la pérdida temprana del embarazo.