Large-scale automated detection reveals pervasive sex imbalance in biomedical research

Resumen Técnico: Detección Automatizada a Gran Escala del Desequilibrio de Sexo en la Investigación Biomédica

Planteamiento del Problema
Décadas de investigación biomédica han dependido desproporcionadamente de sujetos de estudio masculinos, creando brechas significativas en la comprensión de la biología de las enfermedades específicas de las mujeres. Si bien el sexo es una variable biológica crítica que afecta el riesgo de enfermedad, la progresión y la respuesta al tratamiento, los esfuerzos existentes para cuantificar este desequilibrio se han visto limitados por la escala y la metodología. Los enfoques previos dependían de:

1. Recuentos de sexo reportados explícitamente, que a menudo son incompletos o inconsistentes (por ejemplo, ausentes en aproximadamente el 50% de los registros de ClinicalTrials.gov).
2. Anotaciones de sexo proporcionadas por los repositorios, que están ausentes en la mayoría de las muestras disponibles públicamente.
3. Predicción directa a partir de datos de expresión mediante la coincidencia exacta de texto, lo cual no logra capturar sinónimos y terminología relacionada en los metadatos.

Consecuentemente, existe una falta de marcos automatizados y a gran escala capaces de identificar áreas de investigación con desequilibrios de sexo a través de miles de términos de enfermedades y millones de muestras biológicas.

Metodología
Los autores presentan un marco computacional multimodal para inferir el sexo biológico y cuantificar el desequilibrio de investigación derivado de este a escala. El flujo de trabajo consta de cuatro etapas primarias:

1. Recopilación y Preprocesamiento de Datos:

   • El estudio analizó 229,528 muestras transcriptómicas humanas (124,748 de microarrays y 104,780 de RNA-Seq) de la Gene Expression Omnibus (GEO) y refine.bio.
   • Se utilizó un subconjunto de "estándar de oro" de 30,339 muestras con etiquetas de sexo y edad curadas manualmente para entrenar y validar el modelo de inferencia.

2. Inferencia de Sexo a partir de Perfiles de Expresión:

   • En lugar de depender de los metadatos, el sexo se infirió directamente de los datos de expresión génica.
   • Los autores identificaron nueve genes con la mayor precisión balanceada (>0.82) a través de 11 grupos de edad para separar las muestras masculinas de las femeninas. Estos genes se encuentran principalmente en el cromosoma Y (por ejemplo, RPS4Y1, KDM5D, EIF1AY) y uno en el cromosoma X (XIST).
   • Las etiquetas de sexo se asignaron basándose en un voto de mayoría de estos nueve genes contra umbrales de expresión. El método alcanzó una precisión del 98% para microarrays y del 95% para muestras de RNA-Seq en el subconjunto de estándar de oro.
   • Se evaluó la calidad de las muestras para asegurar que las muestras de baja calidad (que podrían llevar a una clasificación errónea debido a una baja expresión del cromosoma Y) no sesgaran los resultados; solo una pequeña fracción de las muestras fue considerada de "mala calidad".

3. Extracción y Mapeo de Términos de Enfermedades:

   • Los términos de enfermedades se extrajeron de dos fuentes de metadatos: ~9,000 descripciones de estudios y ~5,000 resúmenes de publicaciones.
   • Se utilizaron herramientas de Procesamiento de Lenguaje Natural (NLP) (spaCy con el modelo "en_core_sci_md" y PubTator3) para extraer términos.
   • Los términos extraídos se mapearon a la Ontología de Enfermedades Mondo utilizando un pipeline personalizado de Generación Aumentada por Recuperación (RAG) combinado con llamadas a la API de OpenAI para manejar sinónimos, abreviaturas y variaciones de texto libre.

4. Cuantificación del Desequilibrio:

   • Desequilibrio Derivado de la Investigación: Calculado como la correlación de rango de Spearman entre la puntuación TF-IDF de cada término de enfermedad y la proporción de muestras de mujer a hombre dentro de cada estudio o publicación.
   • Desequilibrio de Sexo Biológico: Para distinguir el sesgo de investigación de las diferencias biológicamente justificadas (por ejemplo, el cáncer de próstata), los valores derivados de la investigación se ajustaron utilizando datos globales de prevalencia de enfermedades por sexo del Global Health Data Exchange (GHDx). Este ajuste redujo la magnitud del desequilibrio para enfermedades con prevalencia de sexo conocida, aislando áreas con subrepresentación injustificada.
   • Clustering: Los términos de enfermedades fueron embebidos y agrupados mediante node2vec y el algoritmo de Louvain para identificar grupos de enfermedades con patrones de desequilibrio similares.

Resultados Clave

• Validación: El método de inferencia de sexo demostró ser robusto, infiriendo correctamente el 97% de las etiquetas de las muestras en el conjunto de estándar de oro. El compendio completo mostró una distribución bimodal de sexo inferido, con alta confianza en la mayoría de las muestras.
• Prevalencia de Sesgo Masculino: A través de todos los corpora de metadatos, los términos sesgados hacia la representación masculina superaron a los sesgados hacia la femenina.
  • En los metadatos de las publicaciones, entre el 54% y el 61% de los 100 términos principales con la mayor magnitud de desequilibrio estaban sesgados hacia el sexo masculino sin justificación biológica.
  • Tras ajustar por la prevalencia global de enfermedades, hasta el 58% de los términos de enfermedades en las publicaciones asociadas a RNA-Seq y hasta el 57% en las asociadas a microarrays mostraron una asociación con tendencia masculina.
• Áreas Específicas Subestudiadas:
  • Sesgo Masculino (Biológicamente Injustificado): Enfermedades como el glioblastoma, la cirrosis, la fibrosis pulmonar idiopática, la esquizofrenia, el infarto de miocardio y el carcinoma hepatocelular emergieron como áreas críticamente subestudiadas en mujeres, a pesar de afectar a ambos sexos de manera comparable.
  • Sesgo Femenino (Biológicamente Injustificado): Términos incluyendo el cáncer de páncreas, el cáncer colorrectal y el melanoma uveal mostraron una sobrerepresentación femenina.
• Clustering: El análisis reveló que los desequilibrios de sexo no son aleatorios, sino que se concentran en dominios biológicos específicos. Los grupos con sesgo masculino incluyeron enfermedades cardíacas, enfermedades hepáticas y trastornos mentales, mientras que los grupos con sesgo femenino incluyeron cánceres de mama/ovario y trastornos autoinmunes.

Significancia y Reivindicaciones
El artículo afirma proporcionar una base fundamentada y basada en datos para priorizar los esfuerzos de investigación compensatoria. Al desplazar la evaluación del desequilibrio de sexo del monitoreo manual de unas pocas revistas a una auditoría computacional escalable y repetible de cientos de miles de muestras, el marco ofrece una herramienta reutilizable para el monitoreo continuo de la representación de sexo en la literatura biomédica.

Los autores enfatizan que sus hallazgos resaltan áreas de enfermedades específicas donde la falta de una investigación rigurosa utilizando modelos femeninos tiene graves consecuencias para la salud pública, particularmente donde el sexo juega un papel crítico en la respuesta al tratamiento (por ejemplo, el efecto protector del estrógeno en el glioblastoma o los efectos secundarios diferenciales en la esquizofrenia). El marco permite a los investigadores, financiadores y revistas identificar dónde se necesitan urgentemente estudios compensatorios y rastrear si las inversiones están cerrando la brecha con el tiempo.

Limitaciones Reconocidas por los Autores

• Sesgo de Inferencia: El método infirió una proporción ligeramente mayor de muestras femeninas en el compendio completo en comparación con el estándar de oro. Si bien se descartó que la mala calidad de la muestra fuera la causa principal, los autores señalan que las líneas celulares que pierden cromosomas Y o un exceso genuino de muestras derivadas de mujeres en los repositorios públicos podrían contribuir.
• Extracción de Términos: El pipeline de NLP extrajo términos no relacionados con enfermedades (por ejemplo, "adulto", "daño") y acrónimos que requirieron corrección manual o mapeo asistido por IA, lo que podría introducir errores menores en el mapeo de la ontología.
• Supuesto de Monotonicidad: El enfoque de correlación asume una relación monotónica entre la relevancia del término de la enfermedad y la razón de sexo; si un término de enfermedad aparece tanto en estudios dominados por hombres como por mujeres por diferentes razones biológicas, la correlación podría subestimar el verdadero desequilibrio.