ヒトHeparg™細胞のバイオマーカー遺伝子に基づく遺伝毒性の新しい予測モデル

トランスクリプトミクスベースのバイオマーカーは、化学物質の遺伝毒性作用モードの根底にある分子イベントを特定するために、新しいアプローチ方法論（NAM）を約束しています。以前は、代謝的に有能なHeParg™細胞のさまざまな作用モードをカバーする24（非）遺伝毒性基準化学物質のGenomics DNA MicroArrayプロファイル全体に基づいて選択された84の遺伝子で構成されるGenomark Biomarkerを開発しました。本研究では、遺伝毒性の新しい予測モデルは、既存および新しく生成された遺伝子発現データを含む38の化学物質の拡張参照データセットに基づいて開発されました。監視されていない機械学習アルゴリズムの両方が使用されましたが、監視されていない機械学習がグループ間を明確に区別しなかったため、2つの監視された機械学習アルゴリズムのパフォーマンス、つまりサポートベクターマシン（SVM）とランダムフォレスト（RF）が評価されました。より具体的には、予測精度を比較し、1つ以上のバイオマーカー遺伝子の外れ値に対する感度を評価し、IC10濃度で露出した10の誤解を招く陽性陽性化学物質の予測性能を決定しました。さらに、RNAシーケンスで生成された公開されている遺伝子発現データセットに対する両方の予測モデルの適用性が調査されました。全体として、RFモデルとSVMモデルは、遺伝毒性に対する化学物質の分類において補完的でした。データ分析を容易にするために、両方の予測モデルの結果を組み合わせて、オンラインアプリケーションが開発されました。この研究は、遺伝子発現データと監視された機械学習アルゴリズムの組み合わせが、実験動物を使用せずに、より人間の関連性のあるin vitro遺伝毒性試験戦略への進行中のパラダイムシフトに貢献できることを示しています。

Transcriptomics-based biomarkers are promising new approach methodologies (NAMs) to identify molecular events underlying the genotoxic mode of action of chemicals. Previously, we developed the GENOMARK biomarker, consisting of 84 genes selected based on whole genomics DNA microarray profiles of 24 (non-)genotoxic reference chemicals covering different modes of action in metabolically competent human HepaRG™ cells. In the present study, new prediction models for genotoxicity were developed based on an extended reference dataset of 38 chemicals including existing as well as newly generated gene expression data. Both unsupervised and supervised machine learning algorithms were used, but as unsupervised machine learning did not clearly distinguish between groups, the performance of two supervised machine learning algorithms, i.e., support vector machine (SVM) and random forest (RF), was evaluated. More specifically, the predictive accuracy was compared, the sensitivity to outliers for one or more biomarker genes was assessed, and the prediction performance for 10 misleading positive chemicals exposed at their IC10 concentration was determined. In addition, the applicability of both prediction models on a publicly available gene expression dataset, generated with RNA-sequencing, was investigated. Overall, the RF and SVM models were complementary in their classification of chemicals for genotoxicity. To facilitate data analysis, an online application was developed, combining the outcomes of both prediction models. This research demonstrates that the combination of gene expression data with supervised machine learning algorithms can contribute to the ongoing paradigm shift towards a more human-relevant in vitro genotoxicity testing strategy without the use of experimental animals.