科学家们展示了一种新方法，以空前的速度和精度检测人类胎盘中烟草烟雾的危险化学物质的存在。 赖斯大学的科学家和贝勒医学院（BCM）的合作伙伴展示了一种新方法，以空前的速度和精度检测人类胎盘中烟草烟雾的危险化学物质的存在。
研究小组使用光学成像技术与机器学习（ML）算法的组合，识别和标记多环芳烃（PAHs）及其衍生物（PACs）——这些是通过有机材料的不完全燃烧产生的有毒化合物。在怀孕期间接触这些化学物质会导致负面的健康结果，例如早产、低出生体重和发育问题。
“我们的工作解决了母亲和胎儿健康中的一个关键挑战，通过改善我们检测试样中有害化合物如PAHs和PACs的能力，”赖斯大学研究科学家Oara Neumann表示，她是发表在《美国国家科学院院刊》上的一项研究的第一作者。“研究结果显示，机器学习增强的振动光谱技术能够准确区分吸烟者和非吸烟者的胎盘样本。”
该新方法用于分析报告在怀孕期间吸烟的女性和自我报告的非吸烟者的胎盘，确认仅在从吸烟者收集的样本中存在PAHs和PACs。这些发现为环境和健康监测提供了一个重要工具，使能够识别和标记与吸烟以及其他来源（例如森林大火、火灾、超级基金场所和其他高污染环境以及受污染产品）相关的有害毒素。
“测量胎盘中的环境化学物质水平可以让我们洞悉母亲和婴儿在怀孕期间经历的暴露情况，”贝勒医学院的妇产科助理教授Melissa Suter表示。“这些信息可以帮助我们理解这些化学物质如何影响怀孕和婴儿的发育，并帮助科学家制定公共卫生措施。”
该研究依赖于表面增强光谱技术，这是一种利用特殊设计的纳米材料增强特定光波长与目标化合物相互作用的方式。在这种情况下，研究人员利用了由Naomi Halas领导的纳米工程光子学和等离子体研究小组设计的金纳米壳的特殊光学特性。
“我们结合了两种互补技术——表面增强拉曼光谱和表面增强红外吸收，生成胎盘样本中分子的高度详细的振动特征，”Halas说道，她是这项研究的通讯作者。
Halas与彼得·诺德兰德（Peter Nordlander）一起，诺德兰德是物理和天文学的威斯讲座教授，以及赖斯大学电气与计算机工程及材料科学与纳米工程的教授，为等离子体学作出了重要贡献，即研究金属纳米颗粒表面上的光诱导自由电子的集体振荡。表面增强光谱利用等离子体学，使可能以非常高的分辨率对生物和环境样品中发现的痕量浓度的分子结构进行深入研究。
机器学习算法的集成——特征峰提取（CaPE）和特征峰相似性（CaPSim）揭示了数据中微妙的模式，否则这些模式可能会被忽视。CaPE从复杂数据集中识别关键化学特征，而CaPSim则将这些信号与已知的PAH化学特征匹配。这个结果展示了计算工具对医学和公共卫生应用的变革性影响。
赖斯大学的电气与计算机工程助理教授Ankit Patel表示，机器学习能“过滤掉数据中的‘噪音’”。
“这就像所谓的‘鸡尾酒会效应’，”帕特尔说。“想象一个噪音和拥挤的房间，许多人同时在交谈。我们能够关注一个特定的对话，只需过滤掉其他部分——以同样的方式，机器学习能够比人类更有效地解析与PAHs和PACs相关的光谱数据。”
后续实验验证了研究发现，确认新方法提供了传统的、劳动和时间密集型技术的功能替代。在吸烟相关暴露之外，该研究可能使在自然灾害或工业事故后监测环境毒素的暴露成为可能，为医疗保健提供者提供了一种更快速、更可靠的方式来评估风险，并可能改善胎儿和母亲的健康结果。
“这种新方法提供了前所未有的细节水平，”贝勒医学院的Kurt Randerath MD教授、儿科和新生儿学教授Bhagavatula Moorthy表示。“这项研究为扩展在血液和尿液等生物液体中及空气、水和土壤中对PAHs、PACs和其他危险化学物质的超灵敏检测技术奠定了基础，从而有助于人类风险评估。”
其他赖斯大学的共同作者包括计算机科学博士生Yilong Ju，他开发了机器学习算法，以及来自Halas研究小组的电气与计算机工程博士生Andres Sanchez-Alvarado，他是进行实验的团队的一部分。
该研究得到了国家卫生研究院（P42ES027725）、维尔奇基金会（C-1220，C-1222）和赖斯大学Smalley-Curl研究所的支持。此处内容仅为作者的责任，未必代表资助组织和机构的官方观点。
