基于人工智能的抗癌药物的分类揭示了核细胞凝结作为免疫性预测的因素

科学领域:

• 在瘤学瘤学.
• 计算生物学 计算生物学
• 药物发现 药物发现 药物发现

背景情况:

• 免疫性细胞死亡 (ICD) 诱导剂对于癌症治疗至关重要.
• 目前的识别方法依赖于检测与危险相关的分子模式 (DAMPs).
• 这项研究探讨了核细胞凝结 (CON) 作为ICD.的形态相关物.

研究的目的:

• 开发一种人工智能驱动的方法,以简化ICD诱导者的识别.
• 为了利用细胞形态学,特别是CON,作为ICD的预测标记.
• 创建一个预测模型来识别潜在的ICD诱导因子,并尽量减少不良影响.

主要方法:

• 应用基于人工智能的成像分析对细胞涂料染色细胞来识别CON.
• 使用光染色和显微镜进行了CON的特征.
• 训练了一个基于神经网络的定量结构-活动关系 (QSAR) 模型,将分子描述符与CON联系起来.
• 使用独立药物数据集验证QSAR分类器.

主要成果:

• CON与DNA到RNA转录的抑制有很强的相关性.
• 抑制RNA合成的细胞毒药物有效地诱导了ICD,类似于常规药物.
• QSAR分类器准确地预测了具有高诱导CON的可能性的药物.
• 基于人工智能的算法证明了成功预测CON诱导药物.

结论:

• 开发了基于分子描述符的AI算法,用于预测基于分子描述符的CON诱导药物.
• 使用自动化微图分析验证了这些算法.
• 这为癌症治疗中选ICD诱导体提供了一种新的方法.