Использование машинного обучения для анализа липидного профиля среды культивирования и прогнозирования эффективности вспомогательных репродуктивных технологий
- Авторы: Драпкина Ю.С.1, Макарова Н.П.1, Чаговец В.В.1, Васильев Р.А.2, Амелин В.В.2, Калинина Е.А.2
-
Учреждения:
- ФГБУ «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова» Минздрава России
- Лаборатория прикладного искусственного интеллекта Z-union
- Выпуск: № 2 (2025)
- Страницы: 91-99
- Раздел: Оригинальные статьи
- URL: https://journal-vniispk.ru/0300-9092/article/view/291072
- DOI: https://doi.org/10.18565/aig.2024.280
- ID: 291072
Цитировать
Открытый доступ
Доступ предоставлен
Только для подписчиков
Аннотация
Актуальность: Определение липидного профиля среды культивирования эмбриона является одним из современных и перспективных неинвазивных способов прогнозирования эффективности программы вспомогательных репродуктивных технологий (ВРТ). Использование методов машинного обучения для определения наиболее значимой группы липидов в среде культивирования позволяет обрабатывать нелинейные отношения в данных, а также извлекать наиболее информативные признаки из входных параметров.
Цель: Разработать метод прогнозирования результата ВРТ на основании анализа профиля липидов среды культивирования эмбриона на 5-е сутки после оплодотворения с использованием градиентного бустинга (ГБ) и определить липиды, которые вносят наибольший вклад в прогнозирование.
Материалы и методы: В исследование были включены 60 супружеских пар, обратившихся за лечением бесплодия методом ВРТ. Пациенткам c трубно-перитонеальным фактором бесплодия, включенным в исследование, была выполнена овариальная стимуляция по протоколу с антагонистом гонадотропин-рилизинг-гормона. В день переноса эмбриона был проведен забор среды культивирования с последующей криоконсервацией образцов среды. Липидный профиль образцов был определен с помощью жидкостной хроматографии с масс-спектрометрическим детектированием (ЖХ-МС). Полученные данные были проанализированы с использованием ГБ.
Результаты: Разработана модель ГБ для прогнозирования результатов ВРТ по липидному профилю среды культивирования. Модель позволяет с точностью 79% (f1 score: 0,81) выявлять липидный профиль среды культивирования с эмбрионами, подсадка которых завершилась наступлением беременности. Среди идентифицированных липидов культуральной среды, согласно построенной модели, наибольший вклад в определение имплантационного потенциала эмбриона вносят триацилглицерины.
Заключение: Анализ данных ЖХ-МС с помощью метода ГБ позволяет выделить различные классы липидов в среде культивирования эмбриона, что может быть использовано в качестве неинвазивного подхода для оценки качества и имплантационного потенциала эмбриона, а также для создания прогностической тест-системы эффективности программы ВРТ.
Эта информация дает возможность более детального изучения механизмов повреждения гамет у пациентов с различными экстрагенитальными заболеваниями, а также может быть использована для разработки методов селективного переноса максимально перспективного эмбриона.
Полный текст
Открыть статью на сайте журналаОб авторах
Юлия Сергеевна Драпкина
ФГБУ «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова» Минздрава России
Автор, ответственный за переписку.
Email: yu_drapkina@oparina4.ru
ORCID iD: 0000-0002-0545-1607
кандидат медицинских наук, старший научный сотрудник отделения вспомогательных технологий в лечении бесплодия им. проф. Б.В. Леонова
Россия, 117997, Москва, ул. Академика Опарина, д. 4Наталья Петровна Макарова
ФГБУ «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова» Минздрава России
Email: np_makarova@oparina4.ru
ORCID iD: 0000-0003-1396-7272
доктор биологических наук, ведущий научный сотрудник отделения вспомогательных технологий в лечении бесплодия им. проф. Б.В. Леонова
Россия, 117997, Москва, ул. Академика Опарина, д. 4
Виталий Викторович Чаговец
ФГБУ «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова» Минздрава России
Email: vvchagovets@gmail.com
ORCID iD: 0000-0002-5120-376X
кандидат физико-математических наук, заведующий лабораторией метаболомики и биоинформатики
Россия, 117997, Москва, ул. Академика Опарина, д. 4Роберт Андреевич Васильев
Лаборатория прикладного искусственного интеллекта Z-union
Email: yu_drapkina@oparina4.ru
руководитель лаборатории прикладного искусственного интеллекта Z-union, вице-президент Ассоциации Лабораторий по Развитию Искусственного Интеллекта, аспирант Московского физико-технического института (МФТИ), магистр кафедры прикладной физики и математики МФТИ, магистр экономики (РАНХиГС при Президенте РФ), бакалавр Национального исследовательского университета «Московский институт электронной техники»
Россия, 123112, МоскваВладислав Владимирович Амелин
Лаборатория прикладного искусственного интеллекта Z-union
Email: yu_drapkina@oparina4.ru
технический директор лаборатории, эксперт по машинному обучению, магистр Московского государственного университета (факультет вычислительной математики и кибернетики, кафедра математических методов прогнозирования), бакалавр Национального исследовательского университета «Московский институт электронной техники»
Россия, 123112, МоскваЕлена Анатольевна Калинина
Лаборатория прикладного искусственного интеллекта Z-union
Email: e_kalinina@oparina4.ru
ORCID iD: 0000-0002-8922-2878
доктор медицинских наук, профессор, заведующая отделением вспомогательных технологий в лечении бесплодия им. проф. Б.В. Леонова
Россия, 123112, МоскваСписок литературы
- ESHRE Add-ons working group; Lundin K., Bentzen J.G., Bozdag G., Ebner T., Harper J., Le Clef N. et al. Good practice recommendations on add-ons in reproductive medicine. Hum. Reprod. 2023; 38(11): 2062-104. https:// dx.doi.org/10.1093/humrep/dead184.
- Armstrong S., Bhide P., Jordan V., Pacey A., Marjoribanks J., Farquhar C. Time-lapse systems for embryo incubation and assessment in assisted reproduction. Cochrane Database Syst. Rev. 2019; 5(5): CD011320. https:// dx.doi.org/10.1002/14651858.CD011320.pub4.
- ESHRE PGT Consortium Steering Committee; Carvalho F., Coonen E., Goossens V., Kokkali G., Rubio C., Meijer-Hoogeveen M. et al. ESHRE PGT Consortium good practice recommendations for the organisation of PGT. Hum. Reprod. Open. 2020; 2020(3): hoaa021. https://dx.doi.org/10.1093/hropen/hoaa021.
- Кулакова Е.В., Михайлов И.А., Макарова Н.П., Драпкина Ю.С., Калинина Е.А., Назаренко Т.А., Трофимов Д.Ю. Клинико-экономический анализ эффективности преимплантационного генетического тестирования у пациентов с различными формами бесплодия в программах вспомогательных репродуктивных технологий. Гинекология. 2022; 24(3): 181-5. [Kulakova E.V., Mikhailov I.A., Makarova N.P., Drapkina Ju.S., Kalinina E.A., Nazarenko T.A., Trofimov D.Iu. Clinical and economic analysis of the effectiveness of pre-implantation genetic testing in patients with various types of infertility in assisted reproductive technology programs. Gynecology. 2022; 24(3): 181-5. (in Russian)]. https://dx.doi.org/10.26442/ 20795696.2022.3.201708.
- Долгушина Н.В., Коротченко О.Е., Бейк Е.П., Абдурахманова Н.Ф., Ильина Е.О., Кулакова Е.В. Клинико-экономический анализ эффективности преимплантационного генетического скрининга у пациенток позднего репродуктивного возраста. Акушерство и гинекология. 2017; 11: 56-61. [Dolgushina N.V., Korotchenko O.E., Beik E.P., Abdurakhmanova N.F., Ilyina E.O., Kulakova E.V. Clinical and cost-effectiveness analysis of preimplantation genetic screening in patients of late reproductive age. Obstetrics and Gynegology. 2017; (11): 56-61 (in Russian)]. https://dx.doi.org/10.18565/aig.2017.11.56-61.
- Timofeeva A., Drapkina Y., Fedorov I., Chagovets V., Makarova N., Shamina M. et al. Small noncoding RNA signatures for determining the developmental potential of an embryo at the morula stage. Int. J. Mol. Sci. 2020; 21(24): 9399. https://dx.doi.org/10.3390/ijms21249399.
- Eldarov C., Gamisonia A., Chagovets V., Ibragimova L., Yarigina S., Smolnikova V. et al. LC-MS analysis revealed the significantly different metabolic profiles in spent culture media of human embryos with distinct morphology, karyotype and implantation outcomes. Int. J. Mol. Sci. 2022; 23(5): 2706. https:// dx.doi.org/10.3390/ijms23052706.
- Комедина В.И., Юренева С.В., Чаговец В.В., Стародубцева Н.Л. Особенности липидного состава сыворотки крови женщин в период менопаузального перехода. Акушерство и гинекология. 2022; 6: 90-7. [Komedina V.I., Yureneva S.V., Chagovets V.V., Starodubtseva N.L. Changes in serum lipid profile during the menopausal transition. Obstetrics and Gynecology. 2022; (6): 90-7 (in Russian)]. https://dx.doi.org/10.18565/aig.2022.6.90-97.
- Бурдули А.Г., Кициловская Н.А., Сухова Ю.В., Ведихина И.А., Иванец Т.Ю., Чаговец В.В., Стародубцева Н.Л., Франкевич В.Е. Фолликулярная жидкость и исходы программ вспомогательных репродуктивных технологий (обзор литературы). Гинекология. 2019; 21(6): 36-40. [Burduli A.G., Kitsilovskaya N.A., Sukhova Yu.V., Vedikhina I.A., Ivanets T.Yu., Chagovets V.V., Starodubtseva N.L., Frankevich V.E. Follicular fluid and assisted reproductive technology programs outcomes (literature review). Gynecology. 2019; 21(6): 36-40. (in Russian)]. https://dx.doi.org/10.26442/ 20795696.2019.6.190663.
- Tokareva A.O., Chagovets V.V., Kononikhin A.S., Starodubtseva N.L., Nikolaev E.N., Frankevich V.E. Comparison of the effectiveness of variable selection method for creating a diagnostic panel of biomarkers for mass spectrometric lipidome analysis. J. Mass Spectrom. 2021; 56(3): e4702. https://dx.doi.org/10.1002/jms.4702.
- Фортыгина Ю.А., Макарова Н.П., Драпкина Ю.С., Новоселова А.В., Гамисония А.М., Чаговец В.В., Франкевич В.Е., Калинина Е.А. Сравнительный анализ липидного профиля крови и фолликулярной жидкости женщин, проходящих лечение бесплодия методами вспомогательных репродуктивных технологий. Акушерство и гинекология. 2024; 4: 93-102. [Fortygina Yu.A., Makarova N.P., Drapkina Yu.S., Novoselova A.V., Gamisonia A.M., Chagovets V.V., Frankevich V.E., Kalinina E.A. Comparative analysis of blood and follicular fluid lipid profiles in women undergoing infertility treatment with assisted reproductive technologies. Obstetrics and Gynecology. 2024; (4): 93-102 (in Russian)]. https://dx.doi.org/10.18565/aig.2024.62.
- Ding Y., Jiang Y., Zhu M., Zhu Q., He Y., Lu Y. et al. Follicular fluid lipidomic profiling reveals potential biomarkers of polycystic ovary syndrome: A pilot study. Front. Endocrinol. (Lausanne). 2022; 13: 960274. https:// dx.doi.org/10.3389/fendo.2022.960274.
- Núñez Calonge R., Guijarro J.A., Andrés C., Cortés S., Saladino M., Caballero P. et al. Relationships between lipids levels in blood plasma, follicular fluid and seminal plasma with ovarian response and sperm concentration regardless of age and body mass index. Rev. Int. Androl. 2022; 20(3): 178-88. https:// dx.doi.org/10.1016/j.androl.2021.02.004.
- Shehadeh A., Bruck-Haimson R., Saidemberg D., Zacharia A., Herzberg S., Ben-Meir A. et al. A shift in follicular fluid from triacylglycerols to membrane lipids is associated with positive pregnancy outcome. FASEB J. 2019; 33(9): 10291-9. https://dx.doi.org/10.1096/fj.201900318RR.
- Zarezadeh R., Mehdizadeh A., Leroy J.L.M.R., Nouri M., Fayezi S., Darabi M. Action mechanisms of n-3 polyunsaturated fatty acids on the oocyte maturation and developmental competence: Potential advantages and disadvantages. J. Cell. Physiol. 2019; 234(2): 1016-29. https://dx.doi.org/10.1002/jcp.27101.
- Jamro E.L., Bloom M.S., Browne R.W., Kim K., Greenwood E.A., Fujimoto V.Y. Preconception serum lipids and lipophilic micronutrient levels are associated with live birth rates after IVF. Reprod. Biomed. Online. 2019; 39(4): 665-73. https://dx.doi.org/10.1016/j.rbmo.2019.06.004.
- Guan S.Y., Liu Y.Y., Guo Y., Shen X.X., Liu Y., Jin H.X. Potential biomarkers for clinical outcomes of IVF cycles in women with/without PCOS: Searching with metabolomics. Front. Endocrinol. (Lausanne). 2022; 13: 982200. https:// dx.doi.org/10.3389/fendo.2022.982200.
- Wang Q.Q., Yu S.C., Qi X., Hu Y.H., Zheng W.J., Shi J.X. et al. [Overview of logistic regression model analysis and application]. Zhonghua Yu Fang Yi Xue Za Zhi. 2019; 53(9): 955-60. (in Chinese). https://dx.doi.org/10.3760/ cma.j.issn.0253-9624.2019.09.018.
- Uddin S., Khan A., Hossain M.E., Moni M.A. Comparing different supervised machine learning algorithms for disease prediction. BMC Med. Inform. Decis. Mak. 2019; 19(1): 281. https://dx.doi.org/10.1186/s12911-019-1004-8.
- Драпкина Ю.С., Макарова Н.П., Васильев Р.А., Амелин В.В., Франкевич В.Е., Калинина Е.А. Изучение аналитической обработки клинико-анамнестических и эмбриологических данных пациентов в программе вспомогательных репродуктивных технологий различными методами машинного обучения. Акушерство и гинекология. 2024; 3: 96-107. [Drapkina Yu.S., Makarova N.P., Vasilev R.A., Amelin V.V., Frankevich V.E., Kalinina E.A. Application of various machine learning techniques to the analysis of clinical, anamnestic, and embryological data of patients undergoing assisted reproductive technologies. Obstetrics and Gynecology. 2024; (3): 96-107 (in Russian)]. https://dx.doi.org/10.18565/aig.2023.281.
- Mirabi P., Chaichi M.J., Esmaeilzadeh S., Ali Jorsaraei S.G., Bijani A., Ehsani M. et al. The role of fatty acids on ICSI outcomes: a prospective cohort study. Lipids Health Dis. 2017; 16(1): 18. https://dx.doi.org/10.1186/s12944-016-0396-z.
- Kennedy T. Interactions of eicosanoids and other factors in blastocyst implantation. In: Hilier K., ed. Eicosanoids and Reproduction. MTP Press Limited; Vancouver, BC, Canada; 2012; 73.
- Harden S.L., Zhou J., Gharanei S., Diniz-da-Costa M., Lucas E.S., Cui L. et al. Exometabolomic analysis of decidualizing human endometrial stromal and perivascular cells. Front. Cell Dev. Biol. 2021; 9: 626619. https:// dx.doi.org/10.3389/fcell.2021.626619.
- Guan S.Y., Liu Y.Y., Guo Y., Shen X.X., Liu Y., Jin H.X. Potential biomarkers for clinical outcomes of IVF cycles in women with/without PCOS: Searching with metabolomics. Front. Endocrinol. (Lausanne). 2022; 13: 982200. https:// dx.doi.org/10.3389/fendo.2022.982200.
- Jia C., Xu H., Xu Y., Xu Y., Shi Q. Serum metabolomics analysis of patients with polycystic ovary syndrome by mass spectrometry. Mol. Reprod. Dev. 2019; 86(3): 292-7. https://dx.doi.org/10.1002/mrd.23104.
- Li F., Jiang C., Larsen M.C., Bushkofsky J., Krausz K.W., Wang T. et al. Lipidomics reveals a link between CYP1B1 and SCD1 in promoting obesity. J. Proteome Res. 2014; 13(5): 2679-87. https://dx.doi.org/10.1021/pr500145n.
- Han M.S., Lim Y.M., Quan W., Kim J.R., Chung K.W., Kang M. et al. Lysophosphatidylcholine as an effector of fatty acid-induced insulin resistance. J. Lipid. Res. 2011; 52(6): 1234-46. https://dx.doi.org/10.1194/jlr.M014787.
- Драпкина Ю.С., Макарова Н.П., Васильев Р.А., Амелин В.В., Калинина Е.А. Сравнение прогностических моделей, построенных с помощью разных методов машинного обучения, на примере прогнозирования результатов лечения бесплодия методом вспомогательных репродуктивных технологий. Акушерство и гинекология. 2024; 2: 97-105. [Drapkina Yu.S., Makarova N.P., Vasiliev R.A., Amelin V.V., Kalinina E.A. Comparison of predictive models built with different machine learning techniques using the example of predicting the outcome of assisted reproductive technologies. Obstetrics and Gynecology. 2024; (2): 97-105 (in Russian)]. https://dx.doi.org/10.18565/aig.2023.263.
Дополнительные файлы
