根据对细胞c-Fos表达的全脑成像进行迷幻药物和精神活性药物的分类

科学领域:

• 神经科学是一个神经科学.
• 药理学 药理学是指药理学的学科.
• 计算生物学 计算生物学

背景情况:

• 精神活性化合物 (psilocybin,ketamine,MDMA) 显示出治疗潜力,但需要精确的临床前查.
• 现有的测试可能无法完全捕捉这些化合物对神经可塑性的微妙影响.

研究的目的:

• 开发和验证机器学习管道,以基于神经可塑性标记器对精神活性药物进行分类.
• 评估该管道在区分各种迷幻和相关化合物的准确性.

主要方法:

• 利用光板光显微镜来分析小鼠大脑组织中早期的基因表达.
• 应用机器学习算法用于基于细胞分辨率基因表达模式的药物分类.
• 采用沙普利增材解释来识别影响分类准确性的关键大脑区域.

主要成果:

• 机器学习模型在从八个小组中识别确切的药物时达到67%的准确性,明显超过机会 (12.5%).
• 在对对比的比较中,psilocybin与其他测试化合物 (5-MeO-DMT,胺,MDMA,急性fluoxetine) 准确区分,准确度>95%.
• 沙普利分析确定了特定的大脑区域,这些区域对于准确的药物分化至关重要.

结论:

• 开发的管道为表征精神活性化合物提供了一种新的高通量方法.
• 这种方法有效地根据它们对神经可塑性的影响来区分药物,支持它们的潜在治疗验证.
• 这些发现为更准确的心理类似药物的临床前查铺平了道路.