通过整合性机器学习和网络毒理学探索自闭症中的农药风险

科学领域:

• 神经发育障碍 神经发育障碍
• 环境毒理学环境毒理学
• 计算生物学是一种计算生物学.

背景情况:

• 自闭症谱系障碍 (ASD) 是一种复杂的神经发育状况,具有已知的遗传和环境影响.
• 农药暴露是一种可疑的环境因素,有助于ASD病原体.
• 了解将环境因素与ASD联系在一起的分子机制对于预防和治疗至关重要.

研究的目的:

• 通过综合生物信息学和机器学习方法研究ASD的病原性机制.
• 确定可能导致ASD发展的特定农药.
• 为ASD研究提出新的生物标志物和毒性物质.

主要方法:

• 对ASD转录基因数据的差异基因表达分析.
• 机器学习算法 (LASSO,SGD) 用于识别关键基因目标和预测模型.
• 网络毒理学和分子对接以选环境毒素并验证相互作用.
• 功能性丰富分析以阐明涉及的生物途径.

主要成果:

• 通过机器学习确定了156个在自闭症中差异表达的基因,其中20个被选择为中心目标.
• 对环境有毒物质进行了选,并确定了三个候选农药:环氧,流和DEET.
• 分子对接证实了已识别的农药和枢纽目标之间的稳定结合亲缘关系.
• 功能性分析突出显示了糖基化途径在ASD病变发生过程中的作用.

结论:

• 在农药暴露和ASD风险增加之间建立了新的生物分子联系.
• 建议以环氧,流和DEET作为潜在的环境导致ASD的因素.
• 突出了糖基化途径作为ASD的潜在机制,并建议了未来验证的候选生物标志物.