阅读时间:
科学家来自波士顿大学医学与公共卫生发展的机器学习方法,能够识别和描述metabolism-disrupting化学物质。他们的研究发表在环境健康展望。
Obesogens
坐在沙发上太多可能会使你增加体重。听起来像一个声明的常识,对吧?然而,体重增加可能不仅仅是由于采用过于久坐不动的生活方式。相反,它可能是由于接触某些化学物质可能存在于你的家具。
这些化学物质被称为metabolism-disrupting化学品(mdc)或“obesogens”,可以发现在各种家庭用品和整个环境。顾名思义,mdc可能触发改变一个人的新陈代谢过程,创建一个倾向对体重增加的刺激脂肪细胞脂肪细胞形成。
科学研究最近才开始探索究竟哪一种脂肪细胞形成-有几种不同类型的接触这种化学物质。“这是一个重要的问题,因为并不是所有的脂肪细胞是“平等”,“说斯特凡诺博士蒙蒂来自波士顿大学医学系的。“白色脂肪细胞储存能量,导致肥胖。布朗和闪亮(brown-on-white)脂肪细胞燃烧能源,减少肥胖。我们的以前的工作表明,环境化学物质更容易刺激白色脂肪细胞的形成。”
蒙蒂解释说,产量的增加之间存在关联(接触)环境mdc和快速增加的肥胖和代谢疾病中观察到人类。“最近的研究表明,近年来BMI的增加并不能简单的归因于过度的热量摄入和/或能量消耗不足,”他补充道。
为了限制我们的接触和使用这些潜在的有害化学物质,我们需要知道他们在哪里,这已被证明具有挑战性。然而,蒙蒂和他的同事们,包括詹妮弗博士Schlezinger发表了一项新研究,利用机器学习方法成功地识别和描述mdc在一组非保密信息的化学物质。
为了限制我们的接触和使用这些潜在的有害化学物质,我们需要知道他们在哪里,这已被证明具有挑战性。然而,蒙蒂和他的同事们,包括詹妮弗博士Schlezinger发表了一项新研究,利用机器学习方法成功地识别和描述mdc在一组非保密信息的化学物质。
机器学习是什么?
人工智能(AI)的一个分支,机器学习利用数据和算法来复制人类学习的方式。人类学习的任务,例如,重复直到优化并执行任务。同样的发生在机器学习;每次与精度提高。为什么机器学习?
为什么使用机器学习在这种情况下?的决定是基于蒙蒂和他的同事们希望创造一种将无偏和数据驱动的方法。使用机器学习,团队能够有效地从过去的研究“学习”。“我们“异形”一组60多化学物质(即与已知的影响。,被称为是肥胖基因,或non-obesogens)和用于训练的计算机模型来预测其metabolism-disrupting潜力,“蒙蒂描述。
的分析阶段所涉及的实验治疗pre-adipocyte细胞-来自老鼠的化学品和提取mRNA。接下来,使用RNA-sequencing mRNA测序转录分析(RNA-seq)方法。这一过程为研究人员提供了细胞的基因如何回应信息化学接触。“这些RNA-sequencing概要文件,连同已知的化学标签,喂养一个计算机模型,训练区分两类,然后应用到标记的化学物质的分类,“蒙蒂说。
RNA-seq配置文件提供信息短期暴露于化学物质的影响,而标签(例如,obesogen或non-obesogen)被用来提供长期暴露的影响。因此,机器学习模型训练使用短期表达谱预测可能造成的长期暴露的影响无标号的化学物质。蒙蒂强调这是一个微妙但重要的一点。
实验的设计建立在先前的工作,Carcinogenome项目,旨在识别潜在的致癌物质。”在一起,这两个研究提供一个概念性的实验和计算框架(即。,一个全面的“食谱”)具有普遍适用性的大型集的化学物质中筛选出潜在的长期负面影响,包括但不限于,蒙蒂代谢紊乱和致癌性,”状态。
争取民主变革运动的全部影响
研究小组想强调,他们最新的研究超越了具体的应用方法及其预测能力。异形的化学物质的研究还包括药物,用于治疗代谢疾病。因此,他们的方法使科学家们仔细看看这些药物如何影响细胞的新陈代谢。“这将帮助理解的设计更有效的和有针对性的药物以最小的副作用,“蒙蒂说。
识别化学作为一个MDC仅仅是第一步,蒙蒂解释说:“我们选择的两个高排名的预测(tonalide quinoxyfen,两个常用的杀虫剂),和广泛的功能进行验证,最终证实了他们的负面影响在人类脂肪细胞形成。然而,需要进一步的测试来保证任何监管行动,”他总结道。
斯特凡诺蒙蒂莫莉坎贝尔说,科学技术网络作家。188金宝搏备用
参考 :金年代,里德E,蒙蒂年代,Schlezinger j .的数据驱动的转录分类识别白色和闪亮adipogens脂肪形成的化学物质。 环绕。健康教谕。 2021年。129 (7):077006。doi: 10.1289 / EHP6886 。
广告
