揭开药物诱导胆固醇性肝损伤的潜在机制:使用机器学习技术识别人类体外数据集中的关键基因
Jian Jiang1, Jonas van Ertvelde2, Gökhan Ertaylan3
1Entity of In Vitro Toxicology and Dermato‑Cosmetology, Department of Pharmaceutical and Pharmacological Sciences, Vrije Universiteit Brussel, Laarbeeklaan 103, 1090, Brussels, Belgium. jian.jiang@vub.be.
Archives of toxicology
|August 21, 2023
概括
这项研究使用机器学习识别了13个关键基因,用于预测药物诱导的肝内胆固醇症 (DIC). 这种方法通过提高预测人类肝脏毒性的准确性来增强早期药物开发.
科学领域:
- 毒理学 毒理学 毒理学
- 基因组学就是基因组学.
- 药物开发 药物开发
背景情况:
- 药物诱导的肝脏内胆固醇症 (DIC) 是一种严重的肝毒性形式.
- 在药物开发的早期预测DIC是具有挑战性的,因为动物模型往往无法识别人类相关的风险.
- 使用人类肝细胞的体外毒基因组学为预测人类相关的DIC提供了有希望的方法.
研究的目的:
- 为了识别用于预测药物诱导的肝内胆固醇症 (DIC) 的转录基因特征.
- 开发和验证机器学习模型,以提高DIC预测的准确性.
- 探索已识别的基因与DIC的不良结果途径网络之间的机制联系.
主要方法:
- 应用机器学习算法,特别是监督分类和顺序向后选择,到开放的TG-GATE数据库.
- 选择了9个DIC和9个非DIC化合物进行分析.
- 通过逻辑回归和特征选择技术确定了13个预测基因.
主要成果:
- 使用13个基因的预测模型实现了高的内部验证性能 (准确率:0.958,F1得分:0.956).
- 该模型在外部验证集上显示了0.71的平均预测准确度.
- 鉴定的基因与DIC的不良结果途径网络有机械联系.
结论:
- 与机器学习相结合的转录形状分析可以显著提高药物诱导的肝毒性预测.
- 鉴定出来的基因特征为细胞对化学毒性的反应提供了洞察力.
- 这种方法推进了药物开发中危险识别的新方法.


