Chemikalien in Ihren Möbeln können Ihren Stoffwechsel beeinflussen

        Wissenschaftler der Boston University Schools of Medicine and Public Health haben Methoden des maschinellen Lernens entwickelt, die in der Lage sind, den Stoffwechsel störende Chemikalien zu identifizieren und zu charakterisieren.  Ihre Forschung wurde in Environmental Health Perspectives veröffentlicht.

Obesogene

Wenn Sie zu viel auf Ihrem Sofa sitzen, können Sie an Gewicht zunehmen. Klingt nach einer Aussage des gesunden Menschenverstands, oder? Gewichtszunahme ist jedoch möglicherweise nicht nur das Ergebnis einer übermäßig sitzenden Lebensweise. Vielmehr könnte es durch den Kontakt mit bestimmten Chemikalien verursacht werden, die möglicherweise in Ihren Möbeln vorhanden sind.

Diese Chemikalien sind als stoffwechselstörende Chemikalien (MDCs) oder „Obesogene“ bekannt und können in verschiedenen Haushaltsgegenständen und in der gesamten Umwelt gefunden werden. Wie der Name schon sagt, können MDCs Veränderungen in den Stoffwechselprozessen einer Person auslösen und durch die Stimulierung der Bildung von Fettzellen (Adipozyten) eine Prädisposition für eine Gewichtszunahme schaffen.

Die wissenschaftliche Forschung hat erst vor kurzem damit begonnen, genau zu untersuchen, welche Art von Fettzellen – es gibt verschiedene Arten – als Folge der Einwirkung solcher Chemikalien gebildet werden. „Das ist eine wichtige Frage, da nicht alle Fettzellen ‚gleich geschaffen‘ sind“, sagt Dr. Stefano Monti vom Department of Medicine der Boston University. „Weiße Fettzellen speichern Energie und tragen so zu Fettleibigkeit bei. Braune und Brite-Fettzellen (braun auf weiß) verbrennen Energie und reduzieren Fettleibigkeit. Unsere frühere Arbeit deutet darauf hin, dass Umweltchemikalien eher die Bildung weißer Fettzellen stimulieren.“

Monti erklärt, dass ein Zusammenhang besteht zwischen der erhöhten Produktion von MDCs aus der Umwelt (und der Belastung durch diese) und der beim Menschen beobachteten schnellen Zunahme von Fettleibigkeit und Stoffwechselerkrankungen. „Jüngste Studien haben gezeigt, dass der Anstieg des BMI in den letzten Jahren nicht einfach auf eine übermäßige Kalorienaufnahme und/oder einen unzureichenden Energieverbrauch zurückzuführen ist“, fügt er hinzu.

Um unsere Exposition gegenüber und die Verwendung dieser potenziell schädlichen Chemikalien zu begrenzen, müssen wir wissen, was und wo sie sind, was sich als schwierig erwiesen hat. Monti und Kollegen, darunter Dr. Jennifer Schlezinger, haben jedoch eine neue Studie veröffentlicht, die Ansätze des maschinellen Lernens nutzte, um MDCs in einer Reihe nicht klassifizierter Chemikalien erfolgreich zu identifizieren und zu charakterisieren.

Was ist maschinelles Lernen?
Maschinelles Lernen, ein Zweig der künstlichen Intelligenz (KI), nutzt Daten und Algorithmen, um die Art und Weise nachzubilden, wie Menschen lernen. Um zum Beispiel eine Aufgabe zu lernen, wiederholen Menschen sie und führen die Aufgabe aus, bis sie optimiert ist. Das gleiche passiert beim maschinellen Lernen; wobei sich die Genauigkeit jedes Mal verbessert.

Warum maschinelles Lernen?

Warum maschinelles Lernen in diesem Zusammenhang einsetzen? Die Entscheidung basierte auf dem Wunsch von Monti und seinen Kollegen, einen unvoreingenommenen und datengestützten Ansatz zu entwickeln. Mithilfe von maschinellem Lernen konnte das Team effektiv aus früheren Forschungsstudien „lernen“. „Wir haben eine Reihe von mehr als 60 Chemikalien mit bekannten Wirkungen (dh bekanntermaßen entweder obesogene oder nicht-obesogene) „profiliert“ und sie verwendet, um ein Computermodell zu „trainieren“, um ihr stoffwechselstörendes Potenzial vorherzusagen“, beschreibt Monti .

Die Profilierungsphase des Experiments umfasste die Behandlung von Präadipozytenzellen – die von Mäusen stammen – mit jeder der Chemikalien und die Extraktion von mRNA aus ihnen. Als nächstes wurde die mRNA unter Verwendung von RNA-Sequenzierungsverfahren (RNA-seq) für die Transkriptionsanalyse sequenziert. Dieser Prozess lieferte den Forschern Informationen darüber, wie die Gene der Zellen auf die chemische Belastung reagiert hatten. „Diese RNA-Sequenzierungsprofile wurden zusammen mit den bekannten chemischen Markierungen in ein Computermodell eingespeist, das darauf trainiert war, zwischen den beiden Klassen zu unterscheiden, und dann auf die Klassifizierung nicht gekennzeichneter Chemikalien angewendet“, sagt Monti.

Die RNA-seq-Profile lieferten Informationen über die Auswirkungen einer kurzfristigen Exposition gegenüber den Chemikalien, während die Bezeichnungen (z. B. obesogen oder nicht-obesogen) verwendet wurden, um längerfristige Expositionseffekte bereitzustellen. Daher wurde das maschinelle Lernmodell darauf trainiert, die kurzfristigen Expressionsprofile zu verwenden, um die möglichen langfristigen Expositionseffekte der nicht gekennzeichneten Chemikalien vorherzusagen. Monti betont, dass dies ein subtiler, aber wichtiger Punkt ist.

Das Design des Experiments baut auf früheren Arbeiten auf, dem Carcinogenome Project, das darauf abzielte, potenzielle Karzinogene zu identifizieren. „Zusammen bieten die beiden Studien einen konzeptionellen, experimentellen und rechnerischen Rahmen (d. h. ein umfassendes ‚Rezept‘) mit allgemeiner Anwendbarkeit für das Screening großer Gruppen von Chemikalien auf ihre potenziellen langfristigen Nebenwirkungen, einschließlich, aber nicht beschränkt auf, Stoffwechselstörungen und Karzinogenität“, erklärt Monti.

Die volle Wirkung der MDC-Exposition

Die Forschungsgruppe möchte betonen, dass die Anwendungen ihrer neuesten Studie über die Besonderheiten der verwendeten Methode und ihrer Vorhersagefähigkeiten hinausgehen. Zu den profilierten Chemikalien in der Studie gehörten auch Medikamente, die zur Behandlung von Stoffwechselerkrankungen eingesetzt werden. So ermöglichte ihre Methodik den Wissenschaftlern, einen genaueren Blick darauf zu werfen, wie diese Medikamente den Stoffwechsel einer Zelle beeinflussen. „Dieses Verständnis wird wiederum für die Entwicklung wirksamerer und gezielterer Medikamente mit minimalen Nebenwirkungen von entscheidender Bedeutung sein“, sagt Monti.

Die Identifizierung einer Chemikalie als MDC ist nur der erste Schritt, erklärt Monti: „Wir haben zwei der hochrangigen Vorhersagen (Tonalid und Quinoxyfen, zwei häufig verwendete Pestizide) ausgewählt und eine umfassende Funktionsvalidierung durchgeführt, die ihre nachteiligen Auswirkungen auf die menschliche Fettbildung schlüssig bestätigte Zellen. Es wären jedoch weitere Tests erforderlich, um dies zu rechtfertigen [regulatory] Aktion“, schließt er.

            <br>

Quellen: