机器学习在预测药物心脏毒性的所有主要形式中起着关键作用

机器学习在预测药物心脏毒性的所有主要形式中起着关键作用，可能有助于减少后期临床试验失败。

一位研究作者布兰卡·罗德里格斯（Blanca Rodriguez）表示，即，牛津大学和计算机医学大学计算心血管科学小组的研究人员展示了他们的“机器学习算法如何从基因表达数据中识别出可能导致六种潜在形式的心脏不良后果的药物”。 ，来自牛津大学计算机科学系。研究人员在《药理学前沿》上发表了他们的发现。

研究证明了该算法在精选的转录和分子谱数据集上的预测，包括1，131种药物，35%具有已知心脏毒性的药物和9，933个样品。药物心脏毒性的六种形式包括：心脏疾病的体征和症状，心律不齐，心力衰竭，冠状动脉疾病，心包疾病和心肌疾病。

研究人员收集了数据，然后提出并实施了“使用嵌套堆叠方法”的分类器链，以根据其预测心脏毒性形式的风险对药物进行分类。在采用无用药交叉验证策略的所有心脏毒性类型中，机器学习方法对291种药物的平均AUC均达到0.80。

遗弃药物交叉验证策略模型可以区分心脏毒性类型为AUC为0.70的安全药物和不安全药物，但是该模型对于某些特定的药物作用和药物类型更为准确，包括“心包疾病，心脏疾病和研究人员写道，它们分别是抗肿瘤药，抗炎药，心血管药和中枢神经系统药的症状，心力衰竭和心肌病。”

该模型可以预测药物的急性和慢性作用。

“利用转录和分子特征，使用拟议的分类器链模型，通过嵌套-堆叠-药物交叉验证验证，可以相对较好地预测所有药物诱导的心脏毒性研究形式，并考虑所有算法……”研究人员写道。