通过共识对跨壁室内细胞模型的平均值来改善在中的心脏安全预测
Nurul Qashri Mahardika T1, Ali Ikhsanul Qauli2, Yunendah Nur Fuadah3
1Computational Medicine Lab, Department of IT Convergence Engineering, Kumoh National Institute of Technology, Gumi, 39177, Republic of Korea.
Annals of biomedical engineering
|March 3, 2026
概括
这项研究引入了一种新的顺序逻辑回归 (OLR) 框架,用于改进 in silico Torsade de Pointes (TdP) 风险评估. 多细胞电生理学数据的概率平均值提高了预测的准确性和稳定性.
科学领域:
- 计算电生理学 计算电生理学
- 心脏安全药理学心脏安全药理学
- 在模型建模.
背景情况:
- 在Torsade de Pointes (TdP) 建立的风险评估模型依赖于单细胞生物标志物.
- 室腔外移性异质性影响心脏再极化和心律失常机制.
- 多细胞数据的直接集成可以导致多线性和模型不稳定.
研究的目的:
- 开发一个强大的顺序逻辑回归 (OLR) 框架用于TdP风险评估.
- 整合多细胞电生理信息 (内心脏,上心脏,心肌中部),同时保持生理上下文.
- 为了减轻多对线性和提高预测模型的统计稳定性.
主要方法:
- 在CiPAORdV1.0和ORd心室细胞模型中实现了药物数据 (IC50,希尔系数).
- 计算定量网络 (qNet) 生物标志物独立用于内心脏,上心脏和心肌中细胞.
- 为最终TdP风险预测平均细胞特异性OLR模型概率,与单细胞和直接多细胞方法进行比较.
主要成果:
- 在使用ChanTest数据集的CiPA-ORd v1.0模型中,qNet方法在CiPA-ORd v1.0模型中实现了高性能 (AUC为1.000和0.958).
- 在ORd模型中,概率平均化在ORd模型中的手动和ChanTest数据集中始终提高了性能.
- 拟议的方法满足了TdP风险的七个"优秀"分类标准.
结论:
- 多细胞qNet预测的概率平均集成有效地减轻了多对线性.
- 这种方法保持了生理学相关性,导致更稳定和准确的in silico TdP风险分类.
- 该框架支持在临床前心脏安全评估中更广泛的适用性.
