به گزارش پایگاه اطلاع رسانی بنیان، با توجه به حساسیت جنین در حال رشد به قرار گرفتن در معرض مواد شیمیایی، زنان باردار جمعیتی آسیب پذیر هستند.دانشمندان داده در دانشکده پزشکی Icahn در Mount Sinai در نیویورک یک مدل هوش مصنوعی ایجاد کرده‌اند که ممکن است با دقت بیشتری پیش‌بینی کند که کدام داروهای موجود که در حال حاضر به عنوان مضر طبقه‌بندی نشده‌اند، ولی ممکن است در واقع منجر به ناتوانی‌های مادرزادی شوند. نتایج این کار در مجله Nature Communications Medicine توصیف شده است، این مطالعه همچنین پتانسیل پیش بینی دخالت ترکیبات پیش بالینی را دارد که ممکن است به جنین در حال رشد آسیب برساند. این مطالعه اولین مورد شناخته شده در نوع خود است که از نمودارهای دانش برای ادغام انواع داده‌ها برای بررسی علل ناتوانی‌های مادرزادی استفاده می‌کند.

نقایص مادرزادی

نقایص مادرزادی ناهنجاری‌هایی هستند که از هر 33 تولد در ایالات متحده 1 نفر را تحت تاثیر قرار می‌دهد. آنها می‌توانند عملکردی یا ساختاری باشند و اعتقاد بر این است که ناشی از عوامل مختلفی از جمله ژنتیک هستند. با این حال، علل اغلب این ناتوانی‌ها ناشناخته باقی مانده است. برخی از مواد موجود در داروها، لوازم آرایشی، مواد غذایی و آلاینده‌های محیطی در صورت قرار گرفتن در دوران بارداری می‌توانند به طور بالقوه منجر به نقایص مادرزادی شوند.

مسمومیت بارداری و سموم محیطی

اداره ایمنی و بهداشت شغلی وزارت کار ایالات متحده مسمومیت بارداری را به عنوان ویژگی مواد یا عواملی تعریف می‌کند که ممکن است بر سلامت باروری زنان یا مردان یا توانایی زوج‌ها برای داشتن فرزندان سالم تأثیر بگذارد. این خطرات ممکن است باعث مشکلاتی مانند ناباروری، سقط جنین و نقایص مادرزادی شوند. پیشگیری و مدیریت بالینی سمیت تولیدمثلی ناشی از عوامل شیمیایی به تخصص ترکیبی از چندین زمینه پزشکی، از جمله بهداشت عمومی و بهداشت حرفه ای برای محافظت در برابر سموم محیطی / شغلی که منجر به سقط جنین می‌شود، نیاز دارد. این سموم محیطی می‌تواند شامل مواد غذایی باشد که بر باروری تأثیر می‌گذارد، و همچنین ژنتیک بالینی، که می‌توانند سبب نقایص مادرزادی در بدو تولد شوند.

تجویز دارو در بارداری

تجویز داروهایی که بر اساس شواهد حاصل از مدل‌های حیوانی، مطالعات انسانی و بر اساس شواهد پس از بازاریابی به طور بالقوه باعث نقص مادرزادی می‌شوند، به افراد باردار داده می شود، بسیار خطرناک است. یک مطالعه کوهورت روی بیش از یک میلیون باردار نشان داد که 42٪ افراد حداقل یک نسخه برای چنین داروهایی داشتند. با توجه به اینکه افراد باردار به طور معمول از کارآزمایی‌های تصادفی‌سازی و کنترل‌شده حذف می‌شوند، یک چالش کلیدی برای تجویز برای بیمار حاملگی این است که توصیه‌ها بر اساس داده‌های دارویی محدود انسانی و موارد متناقض پیامدهای نامطلوب است. چالش‌های پیچیدگی ترکیبی و محدودیت‌های در دسترس بودن داده‌ها نیز ملاحظات کلیدی در پیش‌بینی تداخلات دارو-دارو هستند، که ممکن است بر سلامت باروری تأثیر بگذارد. این احتمال وجود دارد که برخی از نقایص مادرزادی توسط ترکیبی از عوامل ایجاد شوند که ممکن است شامل تعاملات بین ژنتیک، داروها و عفونت‌های ویروسی یا باکتریایی باشد که همین امر شناسایی علت خاص را دشوار می‌کند. در نتیجه، علل نقایص مادرزادی، که در ایالات متحده حدود 3 درصد از تولدها و 20 درصد از مرگ و میرهای نوزادان را تشکیل می‌دهند، هنوز عمدتاً ناشناخته است.

هدف بهبود رشد جنین و ممانعت از آسیب است

 آوی معیان، دکترا، پروفسور، علوم فارماکولوژی، و مدیر مرکز بیوانفورماتیک کوه سینا در Icahn Mount Sinai، و نویسنده ارشد مقاله گفت: در این کار ما می‌خواستیم درک خود را از سلامت باروری و رشد جنین بهبود ببخشیم، و مهمتر از همه، در مورد پتانسیل داروهای جدید برای ایجاد نقص‌های مادرزادی قبل از اینکه این داروها به طور گسترده به بازار عرضه و توزیع شوند، هشدار دهیم. اگرچه شناسایی علل زمینه‌ای کار پیچیده‌ای است، اما امیدواریم از طریق تجزیه و تحلیل داده‌های پیچیده مانند این که شواهدی را از منابع متعدد ادغام می‌کند، در برخی موارد بتوانیم بهتر پیش‌بینی کنیم، تنظیم کنیم تا بتوانیم جنین را در برابر آسیب‌های مادرزادی محافظت کنیم.

نحوه جمع آوری داده

محققان در رابطه با نقص مادرزادی، اطلاعات زیادی را از چندین مجموعه داده، از جمله آنهایی که توسط برنامه‌های صندوق مشترک NIH تولید شده‌اند، جمع‌آوری کردند تا نشان دهند چگونه یکپارچه‌سازی داده‌های این منابع می‌تواند به اکتشافات هم افزایی منجر شود. به ویژه، داده‌های ترکیبی از ژنتیک شناخته شده سلامت باروری، طبقه بندی داروها بر اساس خطر آنها در دوران بارداری و نحوه تأثیر داروها و ترکیبات پیش بالینی بر مکانیسم‌های بیولوژیکی درون سلول‌های انسانی است. به طور خاص، داده‌ها شامل مطالعاتی بر روی ارتباط‌های ژنتیکی، تغییرات بیان ژن ناشی از دارو و ترکیبات بالینی در رده‌های سلولی، اهداف دارویی شناخته‌شده، امتیازات بار ژنتیکی برای ژن‌های انسانی، و نمرات تلاقی جفتی برای داروهای کوچک مولکول بود.

شیوه مطالعاتی

نکته مهم این است که تیم تحقیقاتی با استفاده از ReproTox-KG، با یادگیری نیمه نظارت شده (SSL)، 30000 داروی کوچک مولکول پیش بالینی را به دلیل پتانسیل آنها برای عبور از جفت و ایجاد نقص‌های مادرزادی در اولویت قرار دادند. SSL شاخه‌ای از یادگیری ماشینی است که از مقدار کمی از داده‌های برچسب‌دار برای هدایت پیش‌بینی‌های داده‌های بدون برچسب بسیار بزرگ‌تر استفاده می‌کند. علاوه بر این، با تجزیه و تحلیل توپولوژی ReproTox-KG بیش از 500 دسته نقص مادرزادی/ژن/دارو شناسایی شد که می‌توانند مکانیسم‌های مولکولی را که زمینه ساز نقایص مادرزادی ناشی از دارو هستند، توضیح دهند. در اصطلاح تئوری گراف، دسته‌ها زیرمجموعه‌های یک گراف هستند که در آن همه گره‌های موجود در دسته مستقیماً به سایر گره‌های دسته متصل هستند. اما با این حال محققان هشدار می‌دهند که یافته‌های مطالعه مقدماتی هستند و آزمایش‌های بیشتری برای اعتبارسنجی مورد نیاز است.

گام بعدی کار

در مرحله بعد، محققان قصد دارند از یک رویکرد مبتنی بر نمودار مشابه برای پروژه‌های دیگر با تمرکز بر رابطه بین ژن‌ها، داروها و بیماری‌ها استفاده کنند. آنها همچنین قصد دارند از مجموعه داده پردازش شده به عنوان مواد آموزشی برای دوره ها و کارگاه های تجزیه و تحلیل بیوانفورماتیک استفاده کنند. علاوه بر این، آنها قصد دارند این مطالعه را به منظور در نظر گرفتن داده‌های پیچیده تر، مانند بیان ژن از بافت‌های خاص و انواع سلول‌های جمع آوری شده در مراحل مختلف توسعه، گسترش دهند.

پیام این مطالعه

"ما امیدواریم که کار مشترک ما منجر به یک چارچوب جهانی جدید برای ارزیابی سمیت بالقوه برای داروهای جدید و توضیح مکانیسم های بیولوژیکی شود که توسط آن برخی از داروها، شناخته شده برای ایجاد نقص‌های مادرزادی، ممکن است عمل کنند. این امکان وجود دارد که در مقطعی در آینده، سازمان‌های نظارتی مانند سازمان غذا و داروی ایالات متحده و آژانس حفاظت از محیط زیست ایالات متحده ممکن است از این رویکرد برای ارزیابی خطر داروهای جدید یا سایر کاربردهای شیمیایی استفاده کنند.

پایان مطلب/.