使用人工神经网络与ToR-ORd in silico模型输出模型对心脏亲节律失常风险的评估
Nurul Qashri Mahardika T1, Ali Ikhsanul Qauli1,2, Aroli Marcellinus1
1Computational Medicine Lab, Department of IT Convergence Engineering, Kumoh National Institute of Technology, Gumi, Republic of Korea.
Frontiers in physiology
|April 19, 2024
概括
这项研究使用人工神经网络与计算模型增强了药物诱导的Torsades de pointes (TdP) 风险预测. 该方法准确地分类TdP风险,改善心脏安全评估.
科学领域:
- 心血管药理学心血管药理学
- 计算生物学是一种计算生物学.
- 药物基因组学 药物基因组学
背景情况:
- 药物诱导的Torsades de pointes (TdP) 是一种严重的心律失常,与心脏突然死亡有关.
- 目前的风险评估方法在准确性和通用性方面存在局限性.
- 综合性体外前节律失常检测 (CiPA) 计划旨在改善药物前节律失常风险评估.
研究的目的:
- 评估TdP风险分类表现的指标从体内细胞模型的Tomek-O'Hara Rudy (ToR-ORd).
- 使用这些指标开发和优化基于人工神经网络 (ANN) 的分类器.
- 评估ANN模型将药物TdP风险分类为高,中,低等级的能力.
主要方法:
- 从ToR-ORd心室细胞模型的模拟中使用,以生成TdP指标.
- 采用人工神经网络 (ANN) 分类器,以TdP指标作为输入.
- 优化了使用网格搜索 (GS) 进行超参数调整的ANN模型.
主要成果:
- 在TdP风险分类方面,ANN分类器取得了高绩效.
- 曲线下的面积 (AUC) 值为0.979 (高风险),0.791 (中等风险) 和0.937 (低风险).
- 证明了ToR-ORd模型在预测TdP风险方面的能力.
结论:
- ToR-ORd心室细胞模型有效地将药物TdP风险分为三个类别.
- 基于ANN的方法提供了改进的TdP风险预测和心脏安全评估.
- 这项研究为开发更准确的药物偏节律风险评估方法提供了宝贵的见解.
