PNAS：以前所未有的速度和精度检测人类胎盘中的有害化学物质

莱斯大学的科学家和贝勒医学院的合作者展示了一种新方法，可以以前所未有的速度和精度检测人类胎盘中烟草烟雾中危险化学物质的存在。

　　

莱斯大学的科学家和贝勒医学院（BCM）的合作者展示了一种检测人类胎盘中烟草烟雾中危险化学物质存在的新方法，其速度和精度前所未有。

研究小组使用基于光的成像技术和机器学习（ML）算法的组合来识别和标记多环芳烃（PAHs）及其衍生物(PACs) -通过有机材料的不完全燃烧生成的有毒化合物。在怀孕期间接触这些化学物质会导致负面的健康后果，如早产、出生体重过低和发育问题。

“我们的工作通过提高我们检测胎盘样本中有害化合物（如多环芳烃和多环芳烃）的能力，解决了孕产妇和胎儿健康方面的一个关键挑战，”莱斯大学研究科学家奥拉·诺伊曼（Oara Neumann）说，他是发表在《美国国家科学院院刊》上的一项研究的第一作者。“研究结果表明，机器学习增强的振动光谱可以准确区分吸烟者和非吸烟者的胎盘样本。”

这种新方法被用于分析报告在怀孕期间吸烟的妇女和自我报告不吸烟的妇女的胎盘，证实多环芳烃和多环芳烃只存在于从吸烟者收集的样本中。这些发现为环境和健康监测提供了一个重要工具，使人们能够识别和标记与吸烟以及其他来源（如野火、火灾、超级基金场地和其他高污染环境和受污染产品）有关的有害毒素。BCM妇产科助理教授梅丽莎·苏特说：“测量胎盘中环境化学物质的水平可以让我们深入了解母亲和婴儿在怀孕期间所经历的暴露。”“这些信息可以帮助我们了解这些化学物质如何影响怀孕和婴儿的发育，并帮助科学家制定公共卫生措施。”

这项研究依赖于表面增强光谱学，这是一种使用特殊设计的纳米材料来放大特定波长的光与目标化合物相互作用的方法。在这种情况下，研究人员利用了纳米工程光子学和等离子体研究小组设计的金纳米壳的特殊光学特性，该研究小组由莱斯大学教授、电气和计算机工程斯坦利·c·摩尔教授Naomi Halas领导。“我们结合了两种互补技术-表面增强拉曼光谱和表面增强红外吸收-以生成胎盘样品中分子的非常详细的振动特征，”该研究的通讯作者哈拉斯说。Halas和Peter Nordlander（物理学和天文学的Wiess主席，莱斯大学电气和计算机工程、材料科学和纳米工程教授）一起，对等离子体动力学（研究金属纳米颗粒表面自由电子的光诱导集体振荡）做出了重大贡献。表面增强光谱学利用等离子体，可以在生物和环境样品中发现的痕量浓度下，以非常高的分辨率对分子结构进行深入研究。

ML算法的集成-特征峰提取（CaPE）和特征峰相似性(CaPSim) -揭示了数据中原本无法检测到的微妙模式。CaPE从复杂的数据集中识别出关键的化学特征，而CaPSim将这些信号与已知的多环芳烃化学特征相匹配。这一结果展示了计算工具对医疗和公共卫生应用的变革性影响。

莱斯大学电子与计算机工程助理教授、BCM神经科学助理教授安基特·帕特尔（Ankit Patel）表示，机器学习有助于“消除数据中的‘噪音’”。

“这就像所谓的‘鸡尾酒会效应’，”帕特尔说。“想象一下，在一个嘈杂拥挤的房间里，很多人同时在说话。我们能够将注意力集中在特定的对话上，只有通过以同样的方式调出其余部分，机器学习能够比人类更有效地解析与多环芳烃和pac相关的光谱数据。”

随后的实验验证了研究结果，证实了新方法为传统的、更耗费人力和时间的技术提供了一种功能性的替代方案。除了与吸烟有关的暴露，这项研究还可以监测自然灾害或工业事故后对环境毒素的暴露，为卫生保健提供者提供更快、更可靠的方法来评估风险，并有可能改善胎儿和孕产妇的健康状况。

“这种新方法提供了前所未有的细节水平，”BCM的Kurt Randerath医学博士和儿科和新生儿学教授Bhagavatula Moorthy说。“这项研究为扩大在血液和尿液等生物液体中的超灵敏多环芳烃和多环芳烃检测技术，以及在空气、水和土壤中对多环芳烃、多环芳烃和其他有害化学物质的环境监测奠定了基础，从而有助于人类风险评估。”莱斯大学的其他合著者包括计算机科学博士校友Yilong Ju，他开发了机器学习算法，以及Halas研究小组的电气和计算机工程博士生Andres Sanchez-Alvarado，他是进行实验的团队的一部分。