在没有标签的形态学基础上,对脊柱和腹筋肌肉缩肌肉细胞模型的表型分析
Kenji Sakakibara1, Kenjiro Tanaka2, Madoka Iida1
1Department of Neurology, Nagoya University Graduate School of Medicine, Tokai National Higher Education and Research System, 65 Tsurumai-cho, Showa-ku, Nagoya, Aichi 466-8550, Japan.
Disease models & mechanisms
|June 6, 2025
概括
一种新的基于形态学的测定方法有效地选脊柱肌肉缩 (SBMA) 的药物. 这种方法使用机器学习快速识别神经肌肉疾病的潜在治疗方法.
科学领域:
- 神经科学是一个神经科学.
- 细胞生物学 细胞生物学
- 药理学 药理学是指药理学的学科.
背景情况:
- 脊柱和柱状肌肉缩 (SBMA) 是一种遗传性神经肌肉疾病,由安卓受体 (AR) 基因中的CAG三核酸扩张引起.
- 目前用于SBMA药物发现的以细胞为基础的试验需要提高效率和定量评估.
研究的目的:
- 为SBMA的肌肉细胞模型开发和验证一种基于形态学的新型表型分析.
- 量化评估候选药物对SBMA肌肉细胞表型的治疗作用.
- 建立一个机器学习模型,根据形态特征预测药物反应.
主要方法:
- 开发了SBMA肌肉细胞的多参数形态分析分析.
- 验证了使用二测试 (exacerbates SBMA) 和pioglitazone (改善SBMA) 的测定.
- 利用基因表达分析来识别激活通路 (JNK),并测试了JNK抑制剂纳拉特里普坦,通过LDH测试证实了这一点.
- 训练了一种机器学习模型,根据形态特征对药物反应进行分类.
主要成果:
- 基于形态学的分析量化评估了药物对SBMA肌肉细胞表型的影响.
- 基因表达揭示了SBMA细胞中的JNK通路激活;纳拉特里普坦,一种JNK抑制剂,调节了表型变化.
- 机器学习模型成功地区分了pioglitazone类型和naratriptan类型的形态特征.
- 该试验在确定药物效应方面表现出有效性,并通过已知的SBMA调节化合物进行验证.
结论:
- 开发的基于形态的表型分析是一种非侵入性和有效的查方法,用于SBMA药物发现.
- 这种方法加速了对脊柱和腹筋肌肉缩的治疗方法的识别和开发.
- 机器学习集成增强了用于药物反应分类的形态分析的预测能力.
