Triunfo em nanotoxicologia: simplificando a transcriptômica em uma única variável preditiva

O objetivo principal de nosso estudo foi abordar o problema da complexidade dos dados transcriptômicos, introduzindo um novo índice de resposta transcriptômica (TRI), comprimindo todo o espaço transcriptômico em uma única variável e vinculando -o com as propriedades inaladas de nanotubos de carbono com paredes múltiplas (MWCNTs). Essa metodologia nos permite prever valores de mudança de dobra de milhares de genes diferencialmente expressos (DEGs) usando uma única variável e um único modelo quantitativo de relação estrutura-atividade (QSAR). No contexto deste trabalho, a TRI comprimiu 5167 graus em uma única variável, explicando 99,9% de todo o espaço transcriptômico. TRI adicional foi vinculado às propriedades dos MWCNTs inalados usando um modelo nano-QSAR com estatísticas r2 = 0,83, Q2CV = 0,8 e Q2 = 0,78, que mostram um alto nível de qualidade de ajuste, robustez e previsibilidade do modelo obtido. Ao treinar um modelo nano-QSAR em alterações dobráveis ​​de milhares de DEGs usando uma única variável, nosso estudo contribui significativamente não apenas para novas metodologias de abordagem (NAMs) focadas na redução de testes em animais, mas também diminui a quantidade de recursos computacionais necessários para o trabalho com dados transcriptômicos complexos. Desenvolvido durante este trabalho, o software program chamado Chembioml Platform (https://chembioml.com) oferece aos pesquisadores uma poderosa ferramenta gratuita para o treinamento de aprendizado de máquina aceitável regulamentar (ML) sem um forte contexto de programação. A plataforma Chembioml integra os recursos de ML do Python com a interface gráfica avançada do Unreal Engine 5, criando uma ponte entre a pesquisa científica e a indústria de desenvolvimento de jogos.