深度学习模型InceptionTime的应用用于预测恶心,吐,腹和便秘,使用胃肠起器活性药物数据库 (GIPADD)

科学领域:

• 药理学和毒理学 药理学和毒理学
• 计算生物学 计算生物学
• 生物医学工程 生物医学工程

背景情况:

• 准确的临床前预测药物不良反应 (ADRs),如胃肠道影响,仍然是药物开发中的一个重大挑战.
• 胃肠鼓动器活动药物数据库 (GIPADD) 为药物研究提供了一种新的,大规模的电生理学数据资源.
• 现有的方法很难从复杂的生物信号中可靠地预测ADR.

研究的目的:

• 探索使用来自胃肠组织的原始电生理记录来预测特定药物不良反应 (ADRs) 的可行性.
• 开发和验证一种深度学习模型,用于分析药物对胃肠道心脏起器活动的影响.
• 评估模型对恶心,吐,腹和便秘等常见副作用的预测性能.

主要方法:

• 利用了胃肠鼓动器活动药物数据库 (GIPADD),包含11943个数据集中的172种药物的电生理学概况.
• 应用了最先进的深度学习模型,修改了InceptionTime分类器 (ICT),用于原始电生理记录的时间序列分类.
• 纳入药物度和组织类型作为共变量,并使用负控制和外部验证来确保模型的稳定性.

主要成果:

• 性能最好的模型,一个由五个ICT分类器组成的组合,在预测恶心 (0.87),吐 (0.89),腹 (0.85) 和便秘 (0.91) 方面取得了很高的准确性.
• 通过药物的精度值在0.88到0.99之间,接收器操作特征曲线 (AUROC) 下的区域值达到了0.96,显示出强大的预测能力.
• 在混合标签 (负控) 上训练的模型表现明显较低,证实了ICT分类器识别真正ADR相关特征的能力.

结论:

• 深度学习模型,特别是InceptionTime分类器,可以有效地从原始电生理学数据中预测药物不良反应.
• 结合先进的计算方法,GIPADD提供了一个强大的工具,可以加速临床前药物安全性评估.
• 这种方法具有显著的潜力,可以通过可靠地分析药物对胃肠道功能的影响来改善药物开发管道.