可解释的人工智能 (XAI) 寻找心脏药物毒性评估的最佳体生物标志物

科学领域:

• 计算毒理学计算毒理学
• 心血管药理学心血管药理学
• 人工智能在药物安全方面的作用

背景情况:

• 评估药物诱导的TdP风险对于心脏安全至关重要.
• 现有的用于毒性预测的机器学习模型缺乏对生物标志物贡献的清晰度.
• 综合性体外前节律失常检测 (CiPA) 倡议旨在改进毒性评估方法.

研究的目的:

• 采用可解释AI (XAI) 来阐明in-silico生物标志物对药物毒性预测的影响.
• 量化个体生物标志物对心脏药物毒性风险评估的贡献.
• 系统地评估用于预测TdP风险的分类器和最佳生物标志物.

主要方法:

• 使用马尔科夫链蒙特卡洛来生成数据集 (28种药物).
• 计算了12个in-silico生物标志物用于训练机器学习模型 (ANN,SVM,RF,XGBoost,KNN,RBF).
• 应用SHAP (SHapley添加式解释) 进行生物标志物贡献分析和选择.

主要成果:

• 人工神经网络 (ANN) 模型使用了11个关键的in-silico生物标志物,实现了高AUC得分 (0.92高风险,0.83中等风险,0.98低风险).
• SHAP分析显示,最佳生物标志物在分类模型之间可能有所不同.
• 生物标志物选择并没有持续改善性能,突出了评估各种分类器的必要性.

结论:

• XAI,特别是SHAP,有效量化了心脏药物毒性预测中的生物标志物贡献.
• 该ANN模型在使用精选的in-silico生物标志物对TdP风险进行分类方面表现强.
• 这种系统的方法有助于选择最佳的分类器和生物标志物,以进行可靠的心脏安全评估.