机器学习揭示了在发育期的有机酸暴露后,大鼠大脑和胎盘之间共同的转录学签名

科学领域:

• 毒基因组学和计算生物学
• 环境健康和毒理学
• 神经科学和发育生物学.

背景情况:

• 毒基因组学数据具有高维度,对传统的统计方法构成挑战.
• 标准方法可能会忽略微妙但功能上显著的基因表达变化,特别是在大脑中.
• 机器学习为分析复杂的"omics"数据集提供了一个强大的替代方案.

研究的目的:

• 应用集体机器学习方法来预测对有机酸 (OPEs) 的发育暴露.
• 识别不同组织 (大脑,胎盘) 和性别中受OPE暴露影响的基因和途径.
• 将机器学习与毒基因组数据分析的传统方法进行比较.

主要方法:

• 在大鼠RNA转录组数据集上使用集体机器学习模型.
• 分析了新生儿皮质,海马体和胎盘的基因表达数据.
• 使用相同的方法,重新分析了从皮质和胎盘中先前发布的RNA-seq数据.

主要成果:

• 鉴定了OPE暴露对海马体转录组的性别特异性影响,影响女性的线粒体调节和阴子运输基因.
• 揭示了氧化酸化和跨组织电子运输链通路的显著丰富,表明线粒体代谢签名.
• 证明了机器学习识别关键基因的能力,以告知预测器性能.

结论:

• 整体机器学习有效地分析高维毒基因组数据,克服传统统计数据的局限性.
• OPE暴露会诱导一种保存的转录基因特征,影响整个组织和发育阶段的线粒体功能.
• 机器学习补充了传统的方法来识别被破坏的途径和化学物质暴露的潜在生物标志物.