Использование машинного обучения для анализа липидного профиля среды культивирования и прогнозирования эффективности вспомогательных репродуктивных технологий
Драпкина Ю.С., Макарова Н.П., Чаговец В.В., Васильев Р.А., Амелин В.В., Калинина Е.А.
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.
Вклад авторов: Драпкина Ю.С. – анализ и интерпретация полученных данных, написание статьи; Макарова Н.П., Калинина Е.А. – концепция и дизайн исследования, редактирование текста статьи; Чаговец В.В. – проведение лабораторного этапа работы, редактирование текста статьи; Васильев Р.А., Амелин В.В. – построение математической модели с использованием градиентного бустинга.
Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов.
Финансирование: Работа проведена без привлечения дополнительного финансирования со стороны третьих лиц.
Одобрение Этического комитета: Исследование было одобрено локальным Этическим комитетом ФГБУ «НМИЦ АГП им. В.И. Кулакова» Минздрава России.
Согласие пациентов на публикацию: Пациенты подписали информированное согласие на публикацию своих данных.
Обмен исследовательскими данными: Данные, подтверждающие выводы этого исследования, доступны по запросу у автора, ответственного за переписку, после одобрения ведущим исследователем.
Для цитирования: Драпкина Ю.С., Макарова Н.П., Чаговец В.В., Васильев Р.А., Амелин В.В., Калинина Е.А. Использование машинного обучения для анализа липидного профиля среды культивирования и прогнозирования эффективности вспомогательных репродуктивных технологий.
Акушерство и гинекология. 2025; 2: 91-99
https://dx.doi.org/10.18565/aig.2024.280
Ключевые слова
машинное обучение
липидный профиль
среды культивирования
программы ВРТ
прогнозирование эффективности
Список 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
Поступила 02.11.2024
Принята в печать 14.02.2025
Об авторах / Для корреспонденции
Драпкина Юлия Сергеевна, к.м.н., с.н.с. отделения вспомогательных технологий в лечении бесплодия им. проф. Б.В. Леонова, Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии им. академика В.И. Кулакова МЗ РФ, 117997, Россия, Москва, ул. Академика Опарина, д. 4,yu_drapkina@oparina4.ru, https://orcid.org/0000-0002-0545-1607
Макарова Наталья Петровна, д.б.н., в.н.с. отделения вспомогательных технологий в лечении бесплодия им. проф. Б.В. Леонова, Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии им. академика В.И. Кулакова МЗ РФ, 117997, Россия, Москва, ул. Академика Опарина, д. 4,
np_makarova@oparina4.ru, https://orcid.org/0000-0003-1396-7272
Чаговец Виталий Викторович, к.ф-м.н., заведующий лабораторией метаболомики и биоинформатики, Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии им. академика В.И. Кулакова МЗ РФ, 117997, Россия, Москва, ул. Академика Опарина, д. 4, vvchagovets@gmail.com,
https://orcid.org/0000-0002-5120-376X
Васильев Роберт Андреевич, 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».
Амелин Владислав Владимирович, технический директор лаборатории прикладного искусственного интеллекта Z-union, 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».
Калинина Елена Анатольевна, д.м.н., профессор, заведующая отделением вспомогательных технологий в лечении бесплодия им. проф. Б.В. Леонова, Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии им. академика В.И. Кулакова МЗ РФ, 117997, Россия, Москва, ул. Академика Опарина, д. 4, e_kalinina@oparina4.ru, https://orcid.org/0000-0002-8922-2878
Также по теме
