整合炎症生物标志物分析和人工智能支持的基于图像的分析,以确定肠道纤维化药物标

科学领域:

• 胃肠病学 胃肠病学
• 药物发现 药物发现 药物发现
• 计算生物学 计算生物学

背景情况:

• 肠道纤维化是炎症性肠道疾病的并发症,导致显著的发病率,如狭窄和阻塞.
• 目前肠道纤维化的治疗选择有限,这阻碍了有效的患者管理.
• 缺乏可选的细胞表型,阻碍了对肠道纤维化的药物发现工作.

研究的目的:

• 开发和实施一种新的表型查平台,用于识别肠道纤维化治疗化合物.
• 利用细胞绘画和机器学习来识别能够逆转肠道肌纤维细胞激活的小分子.
• 通过高通量查,发现新的药物标和药物类别来治疗肠道纤维化.

主要方法:

• 利用细胞绘画,一个可扩展的基于图像的形态学试验,以分析细胞表型.
• 应用机器学习算法来解释细胞绘画数据并识别相关的形态变化.
• 对大约5000种FDA批准或临床阶段化合物进行了高通量化学基因组学选.

主要成果:

• 确定了几种小分子和向类,它们有可能逆转肠道肌纤维细胞中激活的纤维化表型.
• 证明了整合形态分析与人工智能的疗效,用于疾病相关的细胞查.
• 验证了一种新的表型查平台,以加速发现肠道纤维化治疗药物.

结论:

• 开发的表型查平台显著推进了对肠道纤维化药物标的识别.
• 这种人工智能增强的方法为发现纤维性疾病的治疗方法提供了强大的工具.
• 已识别的化合物和向类代表了未来肠纤维化治疗发展的有希望的途径.