《Frontiers in Toxicology》:Leveraging developmental neurotoxicity data in zebrafish embryos through the use of artificial intelligence methods
编辑推荐:
引言:斑马鱼是研究化学品暴露发育效应(包括发育神经毒性(DNT))的知名整体生物体模型。用于筛选DNT效应的一种方法是斑马鱼光暗转换测试(LDT),该测试测量斑马鱼胚胎在明暗交替光照条件下的运动行为。由于LDT相对较新,该检测的实验方案和数据分析工具仍在发展中
引言:斑马鱼是研究化学品暴露发育效应(包括发育神经毒性(DNT))的知名整体生物体模型。用于筛选DNT效应的一种方法是斑马鱼光暗转换测试(LDT),该测试测量斑马鱼胚胎在明暗交替光照条件下的运动行为。由于LDT相对较新,该检测的实验方案和数据分析工具仍在发展中。为了推进关于LDT潜在应用的知识,研究人员探索了利用人工智能(AI)方法区分暴露于载体对照或药物(氟西汀、帕罗西汀、卡马西平、苯妥英)的斑马鱼,暴露时间点分别为受精后5、10或14天(dpf)。方法:训练AI方法以区分对照与暴露斑马鱼的行为,并使用五折交叉验证将其应用于将鱼分配到任一组。这使用了四种性质和复杂度不同的AI方法完成,即广义线性模型(GLM)、随机森林(RF)、梯度提升机(GBM)和深度学习(DL)。结果:持续暴露后,平均预测准确率从5 dpf时的67%增加到10和14 dpf时的76%。对于在14 dpf分析但暴露时间较短的鱼,研究人员发现抗抑郁药氟西汀和帕罗西汀的DNT效应明显持续存在,但抗惊厥药卡马西平和苯妥英的效应持续性较差。AI方法GLM、RF和DL表现出相当的性能,而GBM的准确性较低。讨论:与传统单变量分析相比,AI在检测DNT效应方面似乎更为敏感。总体而言,这表明了在化学品DNT筛查中实施AI方法的潜力及进一步开发该方法的前景。
论文解读:利用人工智能增强斑马鱼发育神经毒性评估
本研究由荷兰国家公共卫生与环境研究所等机构的研究人员开展,旨在解决发育神经毒性(DNT)筛查中数据分析的瓶颈问题,相关成果发表在《Frontiers in Toxicology》。随着自闭症谱系障碍和多动症患病率的全球关注,以及早期化学暴露对大脑发育影响的认知加深,DNT研究日益受到重视。斑马鱼因其神经系统与人类同源、体型小、发育快,成为DNT筛选的理想整体生物模型。其中,光暗转换测试(LDT)是一种常用的行为学检测方法,通过观察斑马鱼在明暗交替环境下的自发运动变化来评估神经功能。然而,目前LDT缺乏标准化协议,且传统数据分析多局限于少数几个参数(如移动距离),难以捕捉复杂的多维行为特征,导致潜在的DNT信号可能被遗漏。
为实现对LDT数据的深度挖掘,研究人员采用了多项关键技术。首先,选用野生型AB品系斑马鱼,在受控环境系统中饲养和繁殖。胚胎暴露于四种已知神经活性物质(氟西汀、帕罗西汀、卡马西平、苯妥英)及溶剂对照(DMSO)。随后,在5、10或14 dpf时间点进行LDT测试,记录60分钟内的运动轨迹。数据采集利用了ZebraBox系统及ZebraLab软件,提取了包括活动时间、距离、速度等在内的13个原始参数,每分钟记录一次,共生成780个特征变量。数据分析核心在于应用了四种机器学习算法——广义线性模型(GLM)、随机森林(RF)、梯度提升机(GBM)和深度学习(DL),通过五折交叉验证评估其分类性能,并与传统的单变量统计(曼-惠特尼U检验)进行了对比。
研究结果
1. 单变量统计分析
研究人员首先对780个参数进行了传统的单变量分析。结果显示,在持续暴露至5 dpf的组别中,显著参数数量极少甚至为零,表明此时DNT效应尚未充分显现。而在持续暴露至10 dpf和14 dpf的组别中,显著参数数量显著增加。值得注意的是,对于在14 dpf分析但仅短期暴露(0-5 dpf或0-10 dpf)的鱼,抗惊厥药(卡马西平、苯妥英)组的显著参数数降至零,而抗抑郁药组仍保留一定数量,提示前者效应可能具有可逆性。
2. AI/ML分类预测性能
AI/ML模型对药物暴露组与对照组斑马鱼行为的分类预测准确率,在持续暴露至10或14 dpf时平均达到76%,而在5 dpf时为67%,这与单变量分析结果趋势一致。通过分析不同暴露时长的数据发现,抗抑郁药氟西汀和帕罗西汀在14 dpf分析时显示出明显的效应持续性,而抗惊厥药的效应持续性较弱。在算法比较方面,GLM、RF和DL表现出相似的预测模式且性能相当,而GBM的预测准确率普遍较低。
3. 随机数据与标签置换验证
为了确定AI模型性能的基线,研究人员将算法应用于完全随机的数据集以及标签置换后的数据集。结果显示,所有方法在随机数据上的准确率均接近50%(约49.7% ± 5.0%),确立了95%置信区间的上限约为59.5%,作为区分真实效应与随机噪声的阈值。
4. 对照组间比较
即使在未暴露的不同药物对照组之间(均为14 dpf),AI/ML工具也能以高于随机水平的准确率区分这些对照组。这表明在长期跨度的实验中,即使是未处理的对照组也可能因批次效应等因素存在差异,强调了匹配对照组的重要性。
讨论与结论
在讨论部分,研究人员指出,尽管近年来LDT被广泛应用于神经药物、农药及其他化学品的DNT评估,但实验方案(如鱼龄、光暗周期时长)仍存在较大差异。本研究创新性地保留了每分钟的原始参数而非进行阶段平均,从而保留了时间序列中的动态信息。结果表明,AI/ML方法在检测DNT效应方面比传统单变量统计更为敏感,尤其是在效应微弱的5 dpf或短期暴露场景下。例如,氟西汀在仅暴露5天后,单变量分析未能发现显著参数,但AI模型已能有效区分暴露组与对照组。这一发现不仅证实了斑马鱼在早期发育阶段(5 dpf前)即对某些药物(如氟西汀、帕罗西汀、苯妥英)敏感,也为符合欧洲立法中关于减少实验动物使用的福利要求提供了科学依据,因为120 hpf前的胚胎不被视为实验动物。
此外,研究还揭示了不同AI算法的特性。尽管预期更复杂的算法(如DL和GBM)会有更好表现,但实际结果显示GLM和RF与DL性能相当,而GBM表现欠佳。这提示在将AI/ML集成到LDT分析流程时,应综合考虑预测性能、计算速度和模型可解释性。通过随机数据验证,研究确立了一个可靠的统计阈值,避免了因数据泄露导致的假阳性高估。
综上所述,该研究证明了AI/ML方法是检测斑马鱼LDT中DNT效应的有力工具,其灵敏度优于传统单变量分析。虽然AI通过将多维参数整合为单一准确率指标而牺牲了部分机制细节(如具体受影响的参数),但它应作为全面LDT数据分析的一部分,而非替代品。这项研究为推动AI在化学品风险评估中的应用及建立最佳实践工作流程奠定了基础。