针对药物诱导心脏毒性检测的二维深度学习框架

科学领域:

• 生物医学工程 生物医学工程
• 计算生物学 计算生物学
• 药理学 药理学是指药理学的学科.

背景情况:

• 药物诱导的心脏毒性带来了重大的临床和经济挑战.
• 现有的体内和体外模型在准确识别心脏毒性物质方面存在局限性.
• 准确的心脏毒性评估对于患者安全和有效的药物开发至关重要.

研究的目的:

• 开发新的深度学习框架,以改善心脏毒性评估.
• 为了利用诱导的多能干细胞衍生心肌细胞 (iPSC-CMs) 获得与人类相关的数据.
• 提高药物安全评估的准确性和可靠性.

主要方法:

• 利用诱导多能干细胞衍生的心肌细胞 (iPSC-CMs) 和阻抗测量来记录机械跳动信号.
• 应用了短时间里叶变换 (STFT) 和同步挤压变换 (SST) 来将时间信号转换为2D表示.
• 开发并实施STFT-CNN和SST-CNN深度学习框架用于数据分析.

主要成果:

• 在药物类型分类方面,SST-CNN的准确度达到98.55%,在心脏毒性分类方面达到99%.
• 这些框架在分类各种药物度时显示了98.5%的平均准确性.
• 在准确性和可靠性方面,超过了传统模型,如反复神经网络 (RNN) 和1D-CNN.

结论:

• 拟议的STFT-CNN和SST-CNN框架为心脏毒性评估提供了一个范式转变.
• 这些深度学习模型为药物安全提供了更强大,更有效,更与人类相关的方法.
• 这些框架的可扩展性承诺将彻底改变药物安全性评估,并减少对患者的伤害.