《环境混合物暴露与早期妊娠丢失预测新方法》

在生活中，我们周围的环境里存在着各种各样的化学物质，这些物质形成的混合物可能会对我们的生殖健康产生影响。然而，评估环境混合物暴露对生殖健康的影响一直是个难题。最近，研究人员开展了一项有趣的研究。他们招募了中国北京和烟台的116名接受体外受精 - 胚胎移植（IVF - ET）治疗的女性。其中有55名女性被诊断为早期妊娠丢失（EPL），另外61名成功实现了临床妊娠。研究人员收集了这些女性的临床记录，以及头发、血清和卵泡样本，并对样本中的16种全氟和多氟烷基物质（PFAS）以及41种金属（类金属）进行了测量。为了预测早期妊娠丢失，研究团队开发了一个结合生物知识图谱网络（BKGNs）和机器学习（ML）的新框架。这个生物知识图谱网络整合了特定化学物质的生物途径，比如基因本体（GO）和蛋白质信息，同时还结合了个体层面的混合物暴露数据。实验结果显示，整合了基因本体的模型表现出色，其曲线下面积（AUC）达到了0.876，即使样本量减少到总样本量的60%，它的表现依然优于其他模型（AUC = 0.819）。此外，这个框架还帮助研究人员找出了一些关键的暴露因素，像血清中的硒和铬，以及生物扰动情况，比如细胞群体增殖和凋亡性核变化等，从而建立了环境混合物暴露与早期妊娠丢失之间的联系。这个新框架既可靠又经济，为预测与暴露相关的健康结果提供了一种基于机制的新视角，有望在未来为生殖健康领域的研究和干预提供重要支持。

期刊

Environmental Science & Technology

标题

Using Environmental Mixture Exposure-Triggered Biological Knowledge-Driven Machine Learning to Predict Early Pregnancy Loss

作者

Mengyuan Ren, Tianxiang wu, Han Zhang, shuo Yang, Luzhao, Lili zhuang, Qun Ly, Xikun Han, Bo Pan, Tiantian L, ingchuan Xue, Yuanchen chen, Michael S. Bloom, Mingliang Fang, and Bin Wang

摘要

The assessment of how environmental mixture exposures affect reproductive health faces difficulties. While knowledge graph networks offer valuable advantages in biological interpretation and prediction, their application in epidemiological studies, particularly in a small sample size setting, remains scarce. We recruited 116 women undergoing in vitro fertilization and embryo transfer (IVF-ET) treatment in Beijing and Yantai City, China. Among them, 55 women were diagnosed with early pregnancy loss (EPL), while 61 achieved clinical pregnancy. Clinical records, and paired hair, serum, and follicular samples were collected, with 16 per- and polyfluoroalkyl substances (PFAS) and 41 metal(loid)s measured. We developed a framework coupled with biological knowledge graph-based networks (BKGNs) and machine learning (ML) to predict EPL. Our BKGNs integrate chemical-specific biological pathways, i.e., Gene Ontology (GO) and protein, with individual-level mixture exposure data. The GO-integrated model, with an area under the curve (AUC) of 0.876, outperformed others (AUC = 0.819), even when the sample size decreased to 60% of the total. Additionally, this framework deciphered critical exposures (e.g., serum selenium and chromium) and biological perturbations (e.g., cell population proliferation and apoptotic nuclear changes), linking mixture exposure to EPL. Our proposed novel framework is both robust and cost-effective, offering a mechanistic lens for predicting exposure-associated health outcomes.

原文链接

https://pubs.acs.org/doi/10.1021/acs.est.5c05389

<静远嘲风-南京>设计制作

   购书链接：

☆科学的颜值：学术期刊封面故事及图像设计 

   https://item.jd.com/12802188.html

☆科技绘图/科研论文图/论文配图设计与创作自学手册：CorelDRAW篇 

   https://item.jd.com/13504674.html

☆科技绘图/科研论文图/论文配图设计与创作自学手册：Maya+PSP篇

   https://item.jd.com/13504686.html

☆科技绘图/科研论文图/论文配图设计与创作自学手册：科研动画篇

   https://item.jd.com/13048467.html#crumb-wrap

☆SCI图像语法-科技论文配图设计使用技巧

    https://item.jd.com/10073529532924.html?bbtf=1

静远嘲风（MY Scimage） 成立于2007年，嘲风取自中国传统文化中龙生九子，子子不同的传说，嘲风为守护屋脊之瑞兽，喜登高望远；静远取自成语“宁静致远”，登高莫忘初心，远观而不可务远。

学习更多绘图教程关注：