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

Technische Samenvatting: Grootschalige automatische detectie van seksuele onbalans in biomedisch onderzoek

Probleemstelling
Decennia aan biomedisch onderzoek zijn onevenredig veel gebaseerd op mannelijke proefpersonen, wat heeft geleid tot significante hiaten in het begrip van vrouwspecifieke ziektebiologie. Hoewel geslacht een cruciale biologische variabele is die de ziekterisico's, het verloop en de behandelingsrespons beïnvloedt, zijn bestaande inspanningen om deze onbalans te kwantificeren beperkt door schaal en methodologie. Eerdere benaderingen vertrouwden op:

1. Expliciet gerapporteerde geslachtsverhoudingen, die vaak incompleet of inconsistent zijn (bijv. ontbrekend in ~50% van de ClinicalTrials.gov-records).
2. Door repositories verstrekte geslachtsannotaties, die voor de meerderheid van de publiekelijk beschikbare monsters ontbreken.
3. Directe voorspelling vanuit expressiedata met behulp van exacte tekstmatching, wat faalt bij het vastleggen van synoniemen en gerelateerde terminologie in metadata.

Als gevolg hiervan is er een gebrek aan geautomatiseerde, grootschalige kaders die in staat zijn om onderzoeksgebieden met geslachtsonevenwichtigheden te identificeren over duizenden ziekte-termen en miljoenen biologische monsters.

Methodologie
De auteurs presenteren een multimodale computationele framework om biologisch geslacht af te leiden en onderzoek-geëxtraheerde geslachtsonevenwichtigheid op grote schaal te kwantificeren. De workflow bestaat uit vier primaire fasen:

1. Dataverzameling en Preprocessing:

   • De studie analyseerde 229.528 humane transcriptomische monsters (124.748 microarray en 104.780 RNA-Seq) uit de Gene Expression Omnibus (GEO) en refine.bio.
   • Een "gouden standaard"-subset van 30.339 monsters met handmatig gecureerde geslacht- en leeftijdslabels werd gebruikt om het inferentiemodel te trainen en te valideren.

2. Geslachtsinferentie uit Expressieprofielen:

   • In plaats van te vertrouwen op metadata, werd het geslacht direct afgeleid uit genexpressiedata.
   • De auteurs identificeerden negen genen met de hoogste gebalanceerde nauwkeurigheid (>0,82) over 11 leeftijdsgroepen voor het scheiden van mannelijke en vrouwelijke monsters. Deze genen bevinden zich voornamelijk op het Y-chromosoom (bijv. RPS4Y1, KDM5D, EIF1AY) en één op het X-chromosoom (XIST).
   • Geslachtslabels werden toegewezen op basis van een meerderheidsstemming van deze negen genen tegen expressiedrempels. De methode bereikte een nauwkeurigheid van 98% voor microarray en 95% voor RNA-Seq monsters in de gouden standaard-subset.
   • Monsterkwaliteit werd beoordeeld om te garanderen dat monsters van lage kwaliteit (die tot misclassificatie kunnen leiden door een lage Y-chromosoomexpressie) de resultaten niet zouden verkenen; slechts een klein deel van de monsters werd als "slechte kwaliteit" beschouwd.

3. Extractie en Mapping van Ziekte-termen:

   • Ziekte-termen werden geëxtraheerd uit twee metadata-bronnen: ~9.000 studiebeschrijvingen en ~5.000 publicatieabstracts.
   • Natural Language Processing (NLP) tools (spaCy met het "en_core_sci_md" model en PubTator3) werden gebruikt om termen te extraheren.
   • Geëxtraheerde termen werden gemapt naar de Mondo Disease Ontology met behulp van een aangepaste Retrieval-Augmented Generation (RAG) pipeline gecombineerd met OpenAI API-oproepen om om te gaan met synoniemen, afkortingen en vrije tekstvariaties.

4. Kwantificering van Onbalans:

   • Onderzoek-geëxtraheerde Onbalans: Berekend als de Spearman rangcorrelatie tussen de TF-IDF score van elke ziekte-term en de vrouw-naar-man monsterratio binnen elke studie of publicatie.
   • Biologische Geslachtsonevenwichtigheid: Om onderzoekersbias te onderscheiden van biologisch gerechtvaardigde verschillen (bijv. prostaatkanker), werden de onderzoek-geëxtraheerde waarden aangepast met behulp van wereldwijde geslechtsspecifieke prevalentiegegevens van de Global Health Data Exchange (GHDx). Deze aanpassing verminderde de magnitude van de onbalans voor ziekten met een bekende geslechtsspecifieke prevalentie, waardoor gebieden met ongeoorloofde ondervertegenwoordiging werden geïsoleerd.
   • Clustering: Ziekte-termen werden geëngbed en geclusterd met behulp van node2vec en het Louvain-algoritme om groepen ziekten met vergelijkbare onbalanspatronen te identificeren.

Belangrijkste Resultaten

• Validatie: De methode voor geslachtsinferentie bleek robuust, waarbij 97% van de monsterlabels correct werd afgeleid in de gouden standaard-set. Het volledige compendium vertoonde een bimodale verdeling van de afgeleide geslachten, met een hoog vertrouwen in de meerderheid van de monsters.
• Prevalentie van Mannelijke Scheefheid: Termen die naar mannelijke representatie neigden, overtroffen de termen die naar vrouwelijke representatie neigden, verspreid over alle metadata-corpora.
  • In de publicatie-metadata vertoonden 54–61% van de top 100 termen met de hoogste onbalansmagnitude een mannelijke scheefheid zonder biologische rechtvaardiging.
  • Na aanpassing voor de wereldwijde ziekteprevalentie, vertoonden tot 58% van de RNA-Seq geassocieerde publicaties en tot 57% van de microarray-geassocieerde publicaties een mannelijke neiging.
• Specifieke Onderbelichte Gebieden:
  • Mannelijk-georiënteerd (Biologisch Ongerechtvaardigd): Ziekten zoals glioblastoom, cirrose, idiopathische longfibrose, schizofrenie, myocardinfarct en hepatocellulair carcinoom kwamen naar voren als kritisch onderzocht in vrouwen, ondanks dat ze beide geslachten vergelijkbaar treffen.
  • Vrouwelijk-georiënteerd (Biologisch Ongerechtvaardigd): Termen zoals pancreaskanker, colorectale kanker en uveaal melanoma vertoonden een vrouwelijke overrepresentatie.
• Clustering: De analyse toonde aan dat geslachtsonevenwichtighedenheden niet willekeurig zijn, maar geconcentreerd zijn in specifieke biologische domeinen. Clusters met een mannelijke scheefheid omvatten hartziekten, leverziekten en mentale gezondheidsstoornissen, terwijl vrouwelijke-georiënteerde clusters borst-/eierstokkanker en auto-immuunziekten omvatten.

Betekenis en Claims
Het artikel claimt een geprincieerd, datagedreven fundament te bieden voor het prioriteren van compenserende onderzoeksinspanningen. Door de beoordeling van geslachtsonevenwichtigheid te verschuiven van handmatige monitoring van enkele tijdschriften naar een schaalbare, herhaalbare computationele audit van honderdduizenden monsters, biedt het framework een herbruikbare tool voor de voortdurende monitoring van de geslachtsrepresentatie in de biomedische literatuur.

De auteurs benadrukken dat hun bevindingen specifieke ziektegebieden belichten waar een gebrek aan rigoureus onderzoek met vrouwelijke modellen ernstige volksgezondheidsgevolgen heeft, met name waar geslacht een cruciale rol speelt bij de behandelingsrespons (bijv. het beschermende effect van oestrogeen bij glioblastoom of differentiële bijwerkingen bij schizofrenie). Het framework stelt onderzoekers, financiers en tijdschriften in staat om te identificeren waar compenserende studies het meest dringend nodig zijn en om te volgen of investeringen de kloof in de loop van de tijd verkleinen.

Erkende Beperkingen door de Auteurs

• Inferentiebias: De methode leidde een iets hoger aandeel vrouwelijke monsters af in het volledige compendium vergeleken met de gouden standaard. Hoewel werd uitgesloten dat slechte monsterkwaliteit de primaire oorzaak was, merken de auteurs op dat cellijnen die Y-chromosomen verliezen of een werkelijk overschot aan vrouwelijke monsters in publieke repositories, hieraan kunnen bijdragen.
• Termextractie: De NLP-pipeline extraheerde niet-ziekte-termen (bijv. "volwassene", "schade") en acroniemen die handmatige correctie of AI-gestuurde mapping vereisten, wat kleine fouten in de ontologie-mapping kon introduceren.
• Monotonie-aanname: De correlatiebenadering gaat uit van een monotone relatie tussen de relevantie van een ziekte-term en de geslachtsverhouding; als een ziekte-term zowel in mannelijke als vrouwelijke gedomineerde studies voorkomt om verschillende biologische redenen, kan de correlatie de werkelijke onbalans onderschatten.