BlastRNAPredict：用机器学习从胚胎培养液RNA预测试管婴儿成功率

本文介绍了BlastRNAPredict项目，该项目通过分析囊胚培养液中的RNA分子特征，建立机器学习模型预测试管婴儿的妊娠及活产结局。相比传统形态学评估，该模型预测准确率更高，为无创胚胎评估提供了新方向。项目由VafaeeLab开发，发布于2026年5月26日的GitHub平台。

体外受精（IVF）技术面临核心挑战——如何准确预测胚胎着床及发育潜能。目前临床广泛使用的形态学评分（显微镜下观察胚胎外观）主观性强、准确率有限。随着分子生物学和AI技术发展，研究人员开始探索基因表达层面的预测途径，BlastRNAPredict正是这一方向的代表。

BlastRNAPredict是端到端机器学习流程，核心步骤包括：

1. 数据预处理：用DESeq2标准化RNA测序数据；
2. 特征选择：Bootstrap增强的LASSO方法筛选与结局相关的基因子集；
3. 模型构建：采用Ridge回归（主要分类器）和随机森林（对比模型）；
4. 验证策略：同胞分层10折交叉验证（内部）及跨中心外部验证，确保模型可靠性。

项目数据集含490个样本，核心BF队列（囊胚培养液）75个样本。基线模型结果显示：

• 形态学-only模型：内部交叉验证AUC 0.561，外部验证AUC 0.667，预测能力有限；
• 年龄-only模型：内部AUC 0.626，外部仅0.458，跨中心稳定性差。

BlastRNAPredict的价值体现在：

• 科学层面：验证了培养液RNA作为胚胎质量生物标志物的可行性；
• 临床层面：提供无创、客观的胚胎筛选方案，有望提高单胚胎移植成功率，减少多胎风险；
• 方法学层面：严格的验证策略（同胞分层交叉验证、跨中心验证）为领域树立标杆。

项目存在样本量小（核心BF队列仅75样本）、RNA测序成本高、生物学机制待阐明等局限。未来方向包括：扩大样本量多中心验证、探索RNA与形态学联合模型、开发快速检测方法、整合多组学数据提升精度。