早期妊娠喪失を予測するために,環境混合物曝露を誘発した生物学的知識駆動の機械学習を使用する.

科学分野:

• 環境疫学
• 生殖への毒性
• バイオ情報学

背景:

• 生殖健康に対する環境混合物の影響を評価することは困難です.
• 知識グラフネットワーク (KGN) は,生物学的解釈の有望性を示していますが,特にサンプルサイズが小さい場合,流行病学では十分に活用されていません.

研究 の 目的:

• 早期妊娠中絶 (EPL) の予測のための生物学的知識グラフベースのネットワーク (BKGNs) と機械学習 (ML) を統合した新しい枠組みを開発し,検証する.
• 試管受精および胚移植 (IVF-ET) を受けている女性におけるEPLに関連する重要な環境曝露と生物学的経路を特定する.

主な方法:

• 臨床データと生物学的サンプル (髪,血清,卵泡) を採取した.
• 16個のペル・およびポリフルオアルキル物質 (PFAS) と41個のメタル・ロイドを測定した.
• EPLを予測するために,BKGN (遺伝子オントロジーとタンパク質経路を統合する) とMLを組み合わせたフレームワークを開発し,サンプルサイズを小さくしてその堅実性をテストしました.

主要な成果:

• 遺伝子オントロジーに統合されたBKGN-MLモデルは,他のモデル (AUC = 0. 819) を上回る0. 876の曲線下領域 (AUC) を達成した.
• このモデルは,サンプルサイズを40%削減しても有効でした.
• 血清セレニウムやクロミウムなどの主要な曝露と,細胞集団の増殖やEPLに関連したアポプトティックな核の変化などの生物学的混乱を特定した.

結論:

• 提案されたBKGN-MLフレームワークは,曝露に関連する生殖健康結果を予測するための堅牢で費用対効果の高いツールです.
• このメカニズム的アプローチは,環境の混合物曝露と早期妊娠喪失との関連について貴重な洞察を提供します.