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

Sintesi Tecnica: Rilevamento automatizzato su larga scala dello squilibrio di sesso nella ricerca biomedica

Definizione del problema
Decenni di ricerca biomedica si sono basati in modo sproporzionato su soggetti di studio di sesso maschile, creando lacune significative nella comprensione della biologia delle malattie specifiche per le femmine. Sebbene il sesso sia una variabile biologica critica che influenza il rischio di malattie, la progressione e la risposta al trattamento, gli sforzi esistenti per quantificare questo squilibrio sono stati limitati dalla scala e dalla metodologia. Gli approoli precedenti si sono basati su:

1. Conteggi di sesso esplicitamente riportati, che sono spesso incompleti o incoerenti (ad esempio, mancanti in circa il 50% dei record di ClinicalTrials.gov).
2. Annotazioni di sesso fornite dai repository, che sono assenti per la maggior parte dei campioni pubblicamente disponibili.
3. Predizione diretta dai dati di espressione utilizzando l'abbinamento esatto di testo, che non riesce a catturare sinonimi e terminologie correlate nei metadati.

Di conseguenza, vi è una mancanza di framework automatizzati e su larga scala capaci di identificare aree di ricerca con squilibri di sesso attraverso migliaia di termini di malattie e milioni di campioni biologici.

Metodologia
Gli autori presentano un framework computazionale multimodale per inferire il solo biologico e quantificare lo squilibrio di sesso derivante dalla ricerca su larga scala. Il flusso di lavoro consiste in quattro fasi primarie:

1. Raccolta e pre-elaborazione dei dati:

   • Lo studio ha analizzato 229.528 campioni trascrittomici umani (124.748 microarray e 104.780 RNA-Seq) da Gene Expression Omnibus (GEO) e refine.bio.
   • Un sottoinsieme "gold-standard" di 30.339 campioni con etichette di sesso ed età curate manualmente è stato utilizzato per addestrare e validare il modello di inferenza.

2. Inferenza del sesso dai profili di espressione:

   • Invece di fare affidamento sui metadati, il sesso è stato inferito direttamente dai dati di espressione genica.
   • Gli autori hanno identificato nove geni con la più alta accuratezza bilanciata (>0,82) attraverso 11 gruppi di età per separare i campioni maschili da quelli femminili. Questi geni si trovano principalmente sul cromosoma Y (ad esempio, RPS4Y1, KDM5D, EIF1AY) e uno sul cromosoma X (XIST).
   • Le etichette di sesso sono state assegnate in base a un voto di maggioranza di questi nove geni rispetto alle soglie di espressione. Il metodo ha raggiunto un'accuratezza del 98% per i microarray e del 95% per i campioni RNA-Seq nel sottoinsieme gold-standard.
   • La qualità del campione è stata valutata per garantire che i campioni di bassa qualità (che potrebbero portare a una classificazione errata a causa della bassa espressione del cromosoma Y) non sbilanciassero i risultati; solo una piccola frazione di campioni è stata considerata di "scarsa qualità".

3. Estrazione e mappatura dei termini delle malattie:

   • I termini delle malattie sono stati estratti da due fonti di metadati: ~9.000 descrizioni di studi e ~5.000 abstract di pubblicazioni.
   • Strumenti di Elaborazione del Linguaggio Naturale (NLP) (spaCy con il modello "en_core_sci_md" e PubTator3) sono stati utilizzati per estrarre i termini.
   • I termini estratti sono stati mappati sulla Mondo Disease Ontology utilizzando una pipeline personalizzata di Generazione Aumentata dal Recupero (RAG) combinata con chiamate alle API di OpenAI per gestire sinonimi, abbreviazioni e variazioni di testo libero.

4. Quantificazione dello squilibrio:

   • Squilibrio derivante dalla ricerca: Calcolato come la correlazione di rango di Spearman tra il punteggio TF-IDF di ciascun termine di malattia e il rapporto femmina-maschio all'interno di ogni studio o pubblicazione.
   • Squilibrio del sesso biologico: Per distinguere il bias della ricerca dai differenziali biologicamente giustificati (ad esempio, il tumore alla prostata), i valori derivati dalla ricerca sono stati corretti utilizzando i dati globali di prevalenza delle malattie per sesso provenienti dal Global Health Data Exchange (GHDx). Questa correzione ha ridotto l'entità dello squilibrio per le malattie con nota prevalenza specifica per sesso, isolando le aree con sottorappresentazione ingiustificata.
   • Clustering: I termini delle malattie sono stati incorporati e raggruppati utilizzando node2vec e l'algoritmo di Louvain per identificare gruppi di malattie con modelli di squilibrio simili.

Risultati chiave

• Validazione: Il metodo di inferenza del sesso si è dimostrato robusto, con il 97% delle etichette dei campioni correttamente inferite nel set gold-standard. L'intero compendio ha mostrato una distribuzione bimodale del sesso inferito, con un'alta confidenza nella maggior parte dei campioni.
• Prevalenza dello skew maschile: Tra tutti i corpora di metadati, i termini orientati verso la rappresentazione maschile superavano numericamente quelli orientati verso quella femminile.
  • Nei metadati delle pubblicazioni, il 54–61% dei primi 100 termini con la maggiore entità di squilibrio era orientato al maschile senza giustificazione biologica.
  • Dopo la correzione per la prevalenza globale delle malattie, fino al 58% dei termini di malattie nelle pubblicazioni associate a RNA-Seq e fino al 57% in quelle associate a microarray mostravano un'associazione verso il maschile.
• Aree specifiche sotto-studiate:
  • Orientate al maschile (biologicamente ingiustificate): Malattie come glioblastoma, cirrosi, fibrosi polmonare idiopatica, schizofrenia, infarto del miocardio e carcinoma epatocellulare sono emerse come criticamente sotto-studiate nelle femmine, nonostante colpiscano entrambi i sessi in modo comparabile.
  • Orientate alla femmina (biologicamente ingiustificate): Termini tra cui tumore al pancreas, tumore al colon-retto e melanoma uveale hanno mostrato una sovrarappresentazione femminile.
• Clustering: L'analisi ha rivelato che gli squilibri di sesso non sono casuali ma concentrati in specifici domini biologici. I cluster con skew maschile includevano malattie cardiache, malattie del fegato e disturbi mentali, mentre i cluster orientati alla femmina includevano tumori mammari/ovarici e disturbi autoimmuni.

Significato e rivendicazioni
L'articolo sostiene di fornire una base rigorosa e basata sui dati per dare priorità agli sforzi di ricerca compensativa. Spostando la valutazione dello squilibrio di sesso dal monitoraggio manuale di poche riviste a un audit computazionale scalabile e ripetibile di centinaia di migliaia di campioni, il framework offre uno strumento riutilizzabile per il monitoraggio continuo della rappresentazione del sesso nella letteratura biomedica.

Gli autori sottolineano che i loro risultati evidenziano aree specifiche in cui la mancanza di una ricerca rigorosa utilizzando modelli femminili ha gravi conseguenze per la salute pubblica, in particolare dove il sesso gioca un ruolo critico nella risposta al trattamento (ad esempio, l'effetto protettivo degli estrogeni nel glioblastoma o gli effetti collaterali differenziali nella schizofrenia). Il framework consente a ricercatori, finanziatori e riviste di identificare dove sono necessari più urgentemente gli studi compensativi e di tracciare se gli investimenti stiano colmando il divario nel tempo.

Limitazioni riconosciute dagli autori

• Bias di inferenza: Il metodo ha inferito una proporzione leggermente superiore di campioni femminili nel compendio completo rispetto al gold standard. Sebbene la scarsa qualità del campione sia stata esclusa come causa primaria, gli autori notano che la perdita di cromosomi Y nelle linee cellulari o un reale eccesso di campioni derivati da femmine nei repository pubblici potrebbero contribuire.
• Estrazione dei termini: La pipeline NLP ha estratto termini non legati alle malattie (ad esempio, "adulto", "danno") e acronimi che hanno richiesto correzioni manuali o mappatura assistita dall'IA, il che potrebbe introdurre errori minori nella mappatura dell'ontologia.
• Assunzione di monotonicità: L'approccio di correlazione assume una relazione monotona tra la rilevanza del termine della malattia e il rapporto tra i sessi; se un termine di malattia appare sia in studi dominati dai maschi che in quelli dalle femmine per diverse ragioni biologiche, la correlazione potrebbe sottostimare il vero squilibrio.