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

Resumo Técnico: Detecção Automatizada em Larga Escala de Desequilíbrio de Sexo em Pesquisa Biomédica

Definição do Problema
Décadas de pesquisa biomédica têm dependido desproporcionalmente de sujeitos de estudo do sexo masculino, criando lacunas significativas na compreensão da biologia de doenças específicas do sexo feminino. Embora o sexo seja uma variável biológica crítica que afeta o risco de doenças, a progressão e a resposta ao tratamento, os esforços existentes para quantificar esse desequilíbrio foram limitados pela escala e metodologia. Abordagens anteriores baseavam-se em:

1. Contagens de sexo explicitamente relatadas, que são frequentemente incompletas ou inconsistentes (ex: ausentes em ~50% dos registros do ClinicalTrials.gov).
2. Anotações de sexo fornecidas pelos repositórios, que estão ausentes para a maioria das amostras publicamente disponíveis.
3. Predição direta a partir de dados de expressão usando correspondência exata de texto, que falha em capturar sinônimos e terminologias relacionadas nos metadados.

Consequentemente, há uma falta de frameworks automatizados e de larga escala capazes de identificar áreas de pesquisa com desequilíbrios de sexo através de milhares de termos de doenças e milhões de amostras biológicas.

Metodologia
Os autores apresentam um framework computacional multimodal para inferir o sexo biológico e quantificar o desequilíbrio de pesquisa derivado em escala. O fluxo de trabalho consiste em quatro estágios primários:

1. Coleta e Pré-processamento de Dados:

   • O estudo analisou 229.528 amostras transcriptômicas humanas (124.748 microarrays e 104.780 RNA-Seq) do Gene Expression Omnibus (GEO) e refine.bio.
   • Um subconjunto de "padrão-ouro" de 30.339 amostras com rótulos de sexo e idade curados manualmente foi utilizado para treinar e validar o modelo de inferência.

2. Inferência de Sexo a partir de Perfis de Expressão:

   • Em vez de depender de metadados, o sexo foi inferido diretamente dos dados de expressão gênica.
   • Os autores identificaram nove genes com a maior acurácia balanceada (>0,82) entre 11 grupos de idade para separar amostras masculinas e femininas. Esses genes estão localizados principalmente no cromossomo Y (ex: RPS4Y1, KDM5D, EIF1AY) e um no cromossomo X (XIST).
   • Os rótulos de sexo foram atribuídos com base em uma votação majoritária desses nove genes contra limiares de expressão. O método alcançou 98% de acurácia para microarrays e 95% para RNA-Seq no subconjunto padrão-ouro.
   • A qualidade das amostras foi avaliada para garantir que amostras de baixa qualidade (que poderiam levar a erros de classificação devido à baixa expressão do cromossomo Y) não enviesassem os resultados; apenas uma pequena fração das amostras foi considerada de "baixa qualidade".

3. Extração e Mapeamento de Termos de Doenças:

   • Termos de doenças foram extraídos de duas fontes de metadados: ~9.000 descrições de estudos e ~5.000 resumos de publicações.
   • Ferramentas de Processamento de Linguagem Natural (NLP) (spaCy com o modelo "en_core_sci_md" e PubTator3) foram usadas para extrair termos.
   • Os termos extraídos foram mapeados para a Ontologia de Doenças Mondo usando um pipeline customizado de Geração Aumentada por Recuperação (RAG) combinado com chamadas de API da OpenAI para lidar com sinônimos, abreviações e variações de texto livre.

4. Quantificação do Desequilíbrio:

   • Desequilíbrio Derivado da Pesquisa: Calculado como a correlação de postos de Spearman entre o escore TF-IDF de cada termo de doença e a razão de amostras femininas para masculinas dentro de cada estudo ou publicação.
   • Desequilíbrio de Sexo Biológico: Para distinguir o viés de pesquisa de diferenças biologicamente justificadas (ex: câncer de próstata), os valores derivados da pesquisa foram ajustados usando dados globais de prevalência de doenças por sexo da Global Health Data Exchange (GHDx). Este ajuste reduziu a magnitude do desquadro para doenças com prevalência de sexo conhecida, isolando áreas com sub-representação injustificada.
   • Agrupamento (Clustering): Os termos de doenças foram incorporados (embedded) e agrupados usando node2vec e o algoritmo Louvain para identificar grupos de doenças com padrões de desequilíbrio semelhantes.

Principais Resultados

• Validação: O método de inferência de sexo provou ser robusto, com 97% dos rótulos de amostras corretamente inferidos no conjunto padrão-ouro. O compêndio completo mostrou uma distribuição bimodal de sexo inferido, com alta confiança na maioria das amostras.
• Prevalência de Viés Masculino: Entre todos os corpora de metadados, termos inclinados para a representação masculina superaram os termos inclinados para a representação feminina.
  • Nos metadados de publicações, 54–61% dos 100 principais termos com a maior magnitude de desequilíbrio eram inclinados ao sexo masculino sem justificativa biológica.
  • Após o ajuste pela prevalência global de doenças, até 58% dos termos de doenças em publicações associadas a RNA-Seq e até 57% em publicações associadas a microarrays mostraram uma associação voltada para o sexo masculino.
• Áreas Subestudadas Específicas:
  • Inclinadas ao Masculino (Biologicamente Injustificadas): Doenças como glioblastoma, cirrose, fibrose pulmonar idiopática, esquizofrenia, infarto do miocárdio e carcinoma hepatocelular emergiram como criticamente subestudadas em mulheres, apesar de afetarem ambos os sexos comparavelmente.
  • Inclinadas ao Feminino (Biologicamente Injustificadas): Termos incluindo câncer de pâncreas, câncer colorretal e melanoma uveal mostraram super-representação feminina.
• Agrupamento: A análise revelou que os desequilíbrios de sexo não são aleatórios, mas concentrados em domínios biológicos específicos. Clusters com viés masculino incluíram doenças cardíacas, doenças hepáticas e transtornos mentais, enquanto clusters inclinados ao feminino incluíram câncer de mama/ovário e distúrbios autoimunes.

Significância e Alegações
O artigo afirma fornecer uma base fundamentada e baseada em dados para priorizar esforços de pesquisa compensatória. Ao mudar a avaliação do desequilíbrio de sexo do monitoramento manual de algumas revistas para uma auditoria computacional escalável e repetível de centenas de milhares de amostras, o framework oferece uma ferramenta reutilizável para o monitoramento contínuo da representação de sexo na literatura biomédica.

Os autores enfatizam que seus achados destacam áreas de doenças específicas onde a falta de pesquisa rigorosa utilizando modelos femininos tem consequências graves para a saúde pública, particularmente onde o sexo desempenha um papel crítico na resposta ao tratamento (ex: o efeito protetor do estrogênio no glioblastoma ou efeitos colaterais diferenciais na esquizofrenia). O framework permite que pesquisadores, financiadores e periódicos identifiquem onde os estudos compensatórios são mais urgentemente necessários e acompanhem se os investimentos estão fechando essa lacuna ao longo do tempo.

Limitações Reconhecidas pelos Autores

• Viés de Inferência: O método inferiu uma proporção ligeiramente maior de amostras femininas no compêndio completo em comparação ao padrão-ouro. Embora a baixa qualidade da amostra tenha sido descartada como causa primária, os autores observam que linhagens celulares que perdem cromossomos Y ou um excesso genuíno de amostras derivadas de fêmeas em repositórios públicos podem contribuir.
• Extração de Termos: O pipeline de NLP extraiu termos não relacionados a doenças (ex: "adulto", "dano") e siglas que exigiram correção manual ou mapeamento assistido por IA, o que pode introduzir erros menores no mapeamento de ontologia.
• Suposição de Monotonicidade: A abordagem de correlação assume uma relação monotônica entre a relevância do termo da doença e a razão de sexo; se um termo de doença aparecer tanto em estudos dominados por homens quanto por mulheres por diferentes razões biológicas, a correlação pode subestimar o verdadeiro desequilíbrio.