暨南大學副教授白杰云、教授張曉慎團隊聯合奧克蘭大學、根特大學等機構研究者，創新性地將數字孿生技術與機器學習算法相結合，首次實現了III類抗心律失常藥物的性別特異性精準識別，為心房顫動的個性化治療開辟了全新路徑。近日，相關成果發表于《PLoS計算生物學》（PLOS Computational Biology）。
數字孿生技術在個性化用藥應用的概略圖。研究團隊供圖
心房顫動作為全球最常見的心律失常，影響著約1%～2%的人口，其中女性患者不僅面臨更高的并發癥風險，治療效果也普遍欠佳。
該研究在國家自然科學基金等項目的資助下，構建了涵蓋5,663名男性和6,184名女性的心肌細胞數字孿生模型庫，結合體外實驗數據進行校準后，系統模擬了12種臨床常用抗心律失常藥物（其中6種為III類藥物，6種為非III類藥物）對心肌細胞動作電位和鈣瞬變的影響。通過提取14項關鍵生物標志物（包括靜息膜電位、動作電位時程、鈣瞬變幅度等），利用支持向量機等機器學習算法訓練出性別特異性分類器，成功實現了對III類藥物的精準識別。
該研究的關鍵發現包括：性別特異性模型顯著提升了藥物識別的預測精度，其中支持向量機分類器的準確率超89%，F1分數達87%以上，較非性別特異性模型準確率提升約7%；靜息膜電位變化、動作電位幅度變化、動作電位時程及新提出的動作電位面積變化是區分性別藥物反應的核心生物標志物；女性心肌細胞中IK1、INa和Ito離子電流水平較低，可能是導致藥物反應性別差異的重要機制。
該研究證實納入性別因素可大幅提升抗心律失常藥物分類的準確性，為臨床精準用藥提供了量化工具。例如，借助該模型能更精準預測女性患者對胺碘酮、索他洛爾等藥物的反應，降低致命性心律失常（如尖端扭轉型室速）的發生風險。此外，該研究構建的數字孿生-機器學習框架可通過模擬藥物對不同性別心肌細胞的影響，無需依賴大量臨床試驗即可評估候選藥物的性別特異性療效，大幅加速藥物篩選流程并降低研發成本。
相關論文信息：https://doi.org/10.1371/journal.pcbi.1013154
本文鏈接：首次實現III類抗心律失常藥物的性別特異性精準識別http://m.sq15.cn/show-11-24414-0.html
聲明：本網站為非營利性網站，本網頁內容由互聯網博主自發貢獻，不代表本站觀點，本站不承擔任何法律責任。天上不會到餡餅，請大家謹防詐騙！若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。
上一篇： 新研究攻克右心房分割難題
下一篇： 第二屆計算建模與應用數學國際學術會議召開