浙江大学、之江实验室和斯坦福大学的研究团队近期在《Nature Computational Science》上发表了一项突破性研究，展示了深度学习如何通过分析线粒体表型变化来加速大规模药物发现和再利用。该研究的识别精度高达76.32%，为药物研发领域带来了自动化和经济高效的解决方案。
研究背景与挑战
大规模药物研发与再利用面临着成本高昂和通量低下的问题。确定药物的作用机制（MOA）是关键步骤，但传统方法效率较低。为解决这一难题，研究团队引入了深度学习模型，以线粒体作为生物标记物，监测药物对细胞的影响。
研究方法与成果
研究人员建立了监测时间分辨线粒体图像的流程，收集了570,096张细胞单细胞图像，涉及1,068种美国食品和药物管理局（FDA）批准的药物。他们开发的深度学习模型名为MitoReID，采用重新识别（ReID）框架和Inflated 3D ResNet主干，能够自动化识别药物的靶标。
MitoReID模型在测试集上取得了76.32%的Rank-1准确率和65.92%的平均精度，成功预测了477种药物的38种MOA，以及六种未训练药物和多种天然化合物的MOA。该模型通过学习线粒体形状和时间动态的全局特征，无需复杂的预处理，提升了预测效率。
深度学习的优势与局限
MitoReID模型的优势在于其能够捕捉全面的线粒体特征，但性能受限于数据质量、实验条件和标签注释的准确性。未来的研究方向包括整合药物-靶点和药物-疾病关系信息，利用图神经网络（GNN）进一步提升预测性能，以创建更精细的药物分类框架。
应用前景与影响
该研究为药物发现和再利用开辟了新路径，其数据集和MitoReID模型的应用将有助于识别潜在的治疗候选药物，优化治疗策略，尤其是在心血管疾病和其他线粒体疾病领域。通过多学科方法的结合，研究团队期望为开发更有效、更精准的治疗方法作出贡献。
论文链接：论文链接地址
这一创新研究展示了深度学习在生物医学领域的强大潜力，有望重塑药物研发的未来。
【source】https://www.jiqizhixin.com/articles/2024-08-28-6
Views: 4