機器學習在預(yù)測藥物心臟毒性的所有主要形式中起著關(guān)鍵作用，可能有助于減少后期臨床試驗失敗。

一位研究作者布蘭卡·羅德里格斯（Blanca Rodriguez）表示，即，牛津大學和計算機醫(yī)學大學計算心血管科學小組的研究人員展示了他們的“機器學習算法如何從基因表達數(shù)據(jù)中識別出可能導(dǎo)致六種潛在形式的心臟不良后果的藥物”。 ，來自牛津大學計算機科學系。研究人員在《藥理學前沿》上發(fā)表了他們的發(fā)現(xiàn)。

研究證明了該算法在精選的轉(zhuǎn)錄和分子譜數(shù)據(jù)集上的預(yù)測，包括1，131種藥物，35%具有已知心臟毒性的藥物和9，933個樣品。藥物心臟毒性的六種形式包括：心臟疾病的體征和癥狀，心律不齊，心力衰竭，冠狀動脈疾病，心包疾病和心肌疾病。

研究人員收集了數(shù)據(jù)，然后提出并實施了“使用嵌套堆疊方法”的分類器鏈，以根據(jù)其預(yù)測心臟毒性形式的風險對藥物進行分類。在采用無用藥交叉驗證策略的所有心臟毒性類型中，機器學習方法對291種藥物的平均AUC均達到0.80。

遺棄藥物交叉驗證策略模型可以區(qū)分心臟毒性類型為AUC為0.70的安全藥物和不安全藥物，但是該模型對于某些特定的藥物作用和藥物類型更為準確，包括“心包疾病，心臟疾病和研究人員寫道，它們分別是抗腫瘤藥，抗炎藥，心血管藥和中樞神經(jīng)系統(tǒng)藥的癥狀，心力衰竭和心肌病?！?/p>

該模型可以預(yù)測藥物的急性和慢性作用。

“利用轉(zhuǎn)錄和分子特征，使用擬議的分類器鏈模型，通過嵌套-堆疊-藥物交叉驗證驗證，可以相對較好地預(yù)測所有藥物誘導(dǎo)的心臟毒性研究形式，并考慮所有算法……”研究人員寫道。