预测小分子的线粒体毒性:机械检测和细胞绘画数据的洞察
Marina Garcia de Lomana1, Paula Andrea Marin Zapata1, Floriane Montanari1
1Bayer AG, Machine Learning Research, Research & Development, Pharmaceuticals, 13353 Berlin, Germany.
Chemical research in toxicology
|July 6, 2023
概括
机器学习模型通过结合细胞绘画的形态数据来改善线粒体毒性预测. 这种方法通过更早,更准确地识别潜在的有毒化合物来增强药物发现.
科学领域:
- 药理学和毒理学 药理学和毒理学
- 计算生物学 计算生物学
- 细胞生物学 细胞生物学
背景情况:
- 线粒体毒性是药物发现的关键问题,可能导致肝损伤和心脏毒性.
- 现有的体外分析检测在各种机械水平上检测线粒体毒性.
- 细胞绘画试验提供了对细胞反应的表型见解,包括线粒体健康.
研究的目的:
- 开发用于预测线粒体毒性的机器学习模型.
- 为了利用细胞绘画的形态特征来丰富数据集和提高预测准确性.
- 研究不同作用机制对毒性预测的影响.
主要方法:
- 产生了精心策划的线粒体毒性数据集,包括特定机制的子集.
- 机器学习模型使用化学结构和细胞绘画形态特征进行训练.
- 研究了使用细胞涂料数据来标记额外的化合物的潜力.
主要成果:
- 采用Cell Painting形态配置文件的模型表现优于仅在化学结构上训练的模型.
- 来自细胞涂料图像的毒性标签在外部测试组上改善了预测.
- 该研究强调了考虑线粒体破坏的多种机制的重要性.
结论:
- 细胞绘画数据有望提高药物发现中的线粒体毒性预测.
- 需要进一步的研究来完善基于图像的Cell Painting标签的可靠性.
- 将表型数据与机器学习集成为毒理学评估提供了一个强大的策略.
更多相关视频
00:12A Strategy to Identify Compounds that Affect Cell Growth and Survival in Cultured Mammalian Cells at Low-to-Moderate Throughput
Published on: September 22, 2019
8.6K
08:03Unveiling Xenobiotic Transport and Effects in Isolated Mitochondria: Insights from Respirometric and Enzymatic Assays
Published on: March 7, 2025
656
