整合机器学习和多模式数据融合,用于扩展性心肌病变的iPSC模型中的病态表型特征识别

科学领域:

• 生物医学工程 生物医学工程
• 心血管研究研究心血管研究
• 干细胞生物学 干细胞生物学

背景情况:

• 由于数据集成的复杂性,在人类疾病模型中准确预测分子病变类型特征是具有挑战性的.
• 扩张性心肌病 (DCM) 是一种复杂的心脏病,需要先进的分析方法.
• 人类诱导的多能干细胞衍生心肌细胞 (iPSC-CMs) 为研究DCM提供了有价值的模型.

研究的目的:

• 开发和验证基于机器学习的数据整合方法,用于区分DCM中亚细胞病态现象特征.
• 评估多模式数据融合 (MDF) 和XGBoost算法在分析iPSC-CM数据中对DCM的有效性.
• 为了比较不同的iPSC-CM模型类型 (单细胞,单层,3D球形) 的预测准确度.

主要方法:

• 使用DCM突变模型 (TnT-R141W) 在iPSC-CMs与健康对照相比.
• 应用多式数据融合 (MDF) 集成Ca2+过渡物,力测量和收缩性记录.
• 采用非负盲解卷 (NNBD) 进行数据分析和XGBoost用于单细胞,单层和3D球形iPSC-CM模型的预测建模.

主要成果:

• 对于合的iPSC-CM模型 (单细胞,单层,3D球形) 实现了高预测准确度 (≥92%).
• 对于化Ca2+短暂,冲击力和收缩性数据,已证明优异的预测准确性 (>96%).
• 验证了集成的MDF和XGBoost方法对DCM病态现象特征预测的有效性.

结论:

• 多式联络数据融合 (MDF) 和XGBoost的整合为分析复杂的人类心脏病模型 (如DCM) 提供了强大而准确的工具.
• 这种方法使得使用iPSC-CMs在亚细胞水平上精确预测病态表型特征.
• 这些发现支持在心血管研究中使用先进的机器学习进行自动化分析和发现.