基于图像的高通量测试用于在体外识别肝细胞微管破坏
Yang Li1, Andrew J Bowling1, Audrey Lehman1
1Corteva Agriscience, Indianapolis, Indiana 46268, United States.
Journal of agricultural and food chemistry
|September 23, 2024
概括
这项研究开发了一种使用机器学习的高通量测试,以准确预测微管破坏,这是基因毒性和癌症风险的关键因素. 这种方法有助于设计更安全的分子,以保护人类健康和农作物.
科学领域:
- 细胞生物学 细胞生物学
- 毒理学 毒理学 毒理学
- 计算生物学 计算生物学
背景情况:
- 微管稳定性对细胞功能至关重要; 干扰可能导致基因毒性和致癌.
- 查微管体剂对于开发对人类健康安全的分子至关重要.
- 肝脏RG细胞为基于肝脏的毒性研究提供了具有代谢能力的模型.
研究的目的:
- 开发一种高通量选试验,用于评估微管破坏.
- 为了利用机器学习准确预测微管向化合物.
- 促进在药物和作物保护开发中设计更安全的分子.
主要方法:
- 使用HepaRG细胞建立了一个384井免疫细胞化学测定与高含量成像相结合.
- 一个受监督的机器学习模型,一个由八个分类器组成的组合,在180个化合物上受过训练.
- 该模型根据图像分析预测了微管破坏.
主要成果:
- 该预测模型实现了高准确性 (>99.0%在样本中,93.5%在样本外) 和F1得分 (>98.4%在样本中,94.3%在样本外).
- 基于图像的自动化测试证明了识别微管破坏者的效率和可靠性.
- 该方法成功验证了它对未见化合物的预测能力.
结论:
- 这种基于图像的自动化测试为选化合物提供了一种简单且高通量的方法.
- 开发的机器学习模型准确地预测了微管破坏,有助于早期的化合物评估.
- 这种方法可以显著降低产品开发中的基因毒性风险,特别是作物保护剂.
