Mezcla de expertos para el aprendizaje multitarea en la evaluación de la cardiotoxicidad

Área de la Ciencia:

• Toxicología
• La bioquímica
• Investigación biomédica
• Inteligencia artificial
• Aprendizaje automático

Sus antecedentes:

• Las enfermedades cardiovasculares son una de las principales causas de muerte a nivel mundial.
• Las sustancias químicas como los contaminantes ambientales, los pesticidas, los aditivos alimentarios y las drogas presentan riesgos cardiotóxicos.
• Las pruebas toxicológicas tradicionales consumen mucho tiempo, consumen muchos recursos y carecen de escalabilidad.

Objetivo del estudio:

• Desarrollar y evaluar un modelo de inteligencia artificial (IA) para predecir la cardiotoxicidad química.
• Explorar los beneficios de las redes neuronales multitarea dentro de un enfoque integrado de pruebas y evaluación (IATA).
• Reducir la dependencia de los métodos de ensayo in vivo tradicionales.

Principales métodos:

• Utilizó métodos de inteligencia artificial (IA) y aprendizaje automático (ML).
• Desarrolló un modelo de red neuronal multitarea, que incorpora la arquitectura de mezcla de expertos (MoE).
• Entrenado y validado el modelo en doce puntos finales de cardiotoxicidad de la Red de vías de resultados adversos.

Principales resultados:

• El modelo multitarea superó a los modelos de línea de base de una sola tarea.
• Logró un alto rendimiento en un conjunto de retención a través de múltiples puntos finales de cardiotoxicidad.
• El mejor modelo demostró una precisión equilibrada del 78%, una sensibilidad del 80% y una especificidad del 76%.

Conclusiones:

• Un avanzado modelo multitarea predice eficazmente los mecanismos de cardiotoxicidad inducidos por pequeñas moléculas.
• El modelo ofrece una amplia cobertura mecánica y un rendimiento comparable al de los métodos de última generación.
• Este modelo de IA puede servir como un componente valioso en las metodologías de nuevo enfoque (NAM) para priorizar las pruebas de seguridad química.