Гетерогенные графовые нейронные сети выявляют молекулярные механизмы дефицита фолата при плацентарной недостаточности через интеграцию мультиомики

Почему это важно для матерей и детей

Фолат наиболее известен как витамин в пренатальных препаратах, который помогает предотвращать врождённые дефекты, но его роль в здоровой беременности гораздо глубже. В этом исследовании рассматривается, как недостаток фолата может незаметно повредить плаценту — орган, который питает и защищает растущего ребёнка. Объединив передовую биологию и современные методы искусственного интеллекта, исследователи показывают, как тонкие изменения в генах, белках и малых молекулах работают совместно, лишая плаценту необходимых ресурсов, и обсуждают, как эти знания в будущем могут помочь врачам раньше выявлять беременностей с высоким риском.

Когда плацента не справляется

Плацентарная недостаточность возникает, когда плацента не может доставить плоду достаточное количество кислорода и питательных веществ, что приводит к таким осложнениям, как замедление роста, преэклампсия и преждевременные роды. Она затрагивает примерно от пяти до десяти процентов беременностей во всём мире. Фолат находится в центре многих клеточных процессов — строит ДНК, контролирует, какие гены включены или выключены, и поддерживает здоровье кровеносных сосудов. Когда уровни фолата слишком низки, эти системы могут давать сбои, но точная цепочка событий в тканях плаценты была трудно прослеживаема. Традиционные исследования обычно рассматривают один тип биологических данных за раз, например гены или метаболиты, упуская более широкую картину взаимодейсвтвия этих слоёв.

Чтение плаценты через множество призмен

Чтобы справиться с этой сложностью, команда собрала образцы плаценты при родах от 156 беременностей с фолат‑связанной плацентарной недостаточностью и 142 здоровых контролей. В каждом образце они измерили четыре разных типа молекулярной информации: изменения в ДНК, активность генов, уровни белков и малые метаболиты. Вместо того чтобы рассматривать эти измерения как длинные разрозненные списки, они связали их в большую биологическую карту, содержащую 6 704 молекулы и более 16 000 известных взаимодействий. Гены, белки и метаболиты были представлены разными типами узлов, соединённых рёбрами, отражающими то, как они связываются, регулируют или трансформируют друг друга в настоящих клетках.

Обучение «умной» сети распознавать проблемы

Затем исследователи обучили специализированную модель искусственного интеллекта, называемую гетерогенной графовой нейронной сетью, на этой молекулярной карте. В отличие от стандартных алгоритмов, которые рассматривают каждое измерение в изоляции, эта модель «слушает», как сигналы распространяются по всей сети. Она назначает веса внимания, чтобы выделить наиболее информативные молекулы и связи для различения больных плацент и здоровых. На отложенной тестовой выборке модель правильно классифицировала 94,7% плацент и достигла почти идеальной площади под ROC‑кривой — 0,978, явно превосходя традиционные методы машинного обучения и любые анализы, использующие только один тип данных. Это демонстрирует, что сигнал заболевания скрыт не только в отдельных маркерах, но и в шаблонах, общих для нескольких биологических уровней.

Выявление скрытых цепочек повреждений

Помимо предсказаний, конструкция модели позволила авторам увидеть, какие молекулы несли наибольшую значимость в её решениях. Несколько из них выделялись. Ключевые компоненты обработки фолата — такие как фермент MTHFR и фолатный транспортер FOLR1 — были значительно снижены в поражённых плацентах, тогда как гомоцистеин, токсичный побочный продукт, накапливался более чем в шесть раз. Из сети выделилось семь основных функциональных модулей, связывающих нарушенную фолатную химию с пониженной метилацией ДНК, повышенным окислительным стрессом, нарушением роста кровеносных сосудов, воспалением и избыточной гибелью клеток. Иначе говоря, дефицит фолата повреждает плаценту не одним способом; он запускает сеть взаимосвязанных сбоев, которые в совокупности ограничивают кровоток и доставку питательных веществ плоду.

Что это может означать для будущего ухода

Пока что эта работа представляет собой скорее мощный микроскоп, чем прикроватный тест. Поскольку все образцы были взяты при родах, модель пока нельзя использовать для прогнозирования риска во время беременности, когда вмешательство имело бы наибольшее значение. Тем не менее молекулярные подписи, которые она выявляет — особенно комбинированные изменения в транспорте фолата, накоплении гомоцистеина и повреждённых путях роста сосудов — дают дорожную карту для поиска маркёров в крови, которые могли бы отражать происходящее в плаценте. При дальнейших исследованиях, отслеживающих матерей во времени и сопоставляющих их кровь с тканью плаценты, этот подход мог бы помочь создать ранние неинвазивные скрининговые тесты и более целенаправленные нутритивные или медицинские стратегии для защиты уязвимых беременностей.

Цитирование: Xie, X., Li, Z., Xiao, Q. et al. Heterogeneous graph neural networks reveal molecular mechanisms of folate deficiency in placental insufficiency through multiomics integration. Sci Rep 16, 8417 (2026). https://doi.org/10.1038/s41598-026-38288-y

Ключевые слова: плацентарная недостаточность, дефицит фолата, графовые нейронные сети, мультиомика, осложнения беременности