多omics PGT:重新评估基于RNA测序的植入潜力的euploid胚胎囊
Jiamin Jin1,2, Jieliang Ma3,4, Xiufen Wang1,2
1Assisted Reproduction Unit, Department of Obstetrics and Gynecology, Sir Run Run Shaw Hospital, Zhejiang University School of Medicine, Hangzhou, China.
Human reproduction (Oxford, England)
|October 16, 2024
概括
胚胎细胞转录组分析,结合机器学习,可以预测胚胎植入潜力. 这种方法优化了胚胎选择,有可能提高临床妊娠成功率并降低成本.
科学领域:
- 生殖生物学和遗传学 生殖生物学和遗传学
- 基因组学和生物信息学
- 辅助生殖技术是一种辅助生殖技术.
背景情况:
- 胚胎植入是复杂的,受到胚胎囊积分和胚胎内膜相互作用的影响.
- 虽然研究了体差异化,但植入的精确分子机制需要进一步阐明.
- 目前评估胚胎潜力的方法存在局限性.
研究的目的:
- 为了调查胚胎细胞转录组分析是否可以预测胚胎植入潜力超出染色体欧化.
- 开发机器学习模型,以优化基于基因表达的胚胎细胞选择.
主要方法:
- 分析了412个芽细胞体的转录组,使用RNA测序,以及对肺化病 (PGT-A) 的植入前遗传测试.
- 鉴定了导致或未能导致临床怀孕的欧卵性母细胞细胞之间差异表达基因 (DEGs).
- 开发并验证了使用DEGs预测植入潜力的机器学习模型 (随机森林,SVM,LDA).
主要成果:
- RNA-seq数据可以推断出积体. 在第5天和第6天的欧子胚胎囊之间,发现了187个DEG,参与胎盘发育和信号通路.
- 机器学习模型实现了植入潜力的高预测精度 (AUC 0.71-0.88).
- 使用随机森林模型进行的回顾性分析确定了三组具有显著不同植入率的euploid胚胎 (88.6%与50.0%与20.8%).
结论:
- 胚胎细胞转录组分析是一种用于预测胚胎植入潜力的新方法.
- 基于DEGs的机器学习模型可以优化胚胎细胞的选择,从而有可能提高植入率.
- 需要进一步的前性研究来验证临床有效性,该模型需要对生化妊娠进行改进.
