从同一孔的处理前后钙信号提取特征
雪城大学（Syracuse University）等团队将人诱导多能干细胞（induced pluripotent stem cells，iPSC）来源心肌细胞培养在 384 孔板中，比较维拉帕米、异丙肾上腺素和西沙必利的反应。
每孔起始加入 1 万个细胞，第 4 天记录基础钙信号。各药物采用 1 nM 至 10 μM 的 5 个浓度，处理 30 分钟后再次记录，每浓度设 7 个重复孔。
每次记录持续 100 秒、间隔 0.125 秒，共 800 个采样点。研究先提取峰频率、峰幅、峰宽和上升或衰减时间等 7 个波形指标，再用相空间重构计算嵌入维度与分形维度。
非线性特征描述节律与波形的不规则变化
嵌入维度主要描述节律规律性变化，分形维度对波形中的细小不规则变化更敏感。在较高浓度维拉帕米处理中，部分明显变化由非线性参数识别，传统波形参数未表现出相同敏感度。
团队把各指标的浓度反应曲线与随机数据划分相结合，设置 3 项分类任务：区分处理前后、区分高于或低于本文功能响应阈值的暴露，以及判断受测的 3 种药物。
增加特征对不同分类器的作用并不一致
数据随机分为约三分之二训练集、三分之一测试集。支持向量机、随机森林和人工神经网络对处理前后的分类准确率均超过 92%；加入非线性特征主要改善前者及神经网络，随机森林没有同样增益。
药物分类中，神经网络准确率由 71.4% 升至 80%，支持向量机由 54.3% 升至 65.7%，随机森林约为 62.9%，增加特征未改善其药物分类。
在本文按功能浓度反应划定的阈值分类任务中，加入非线性特征后 3 个模型均达到 100% 测试准确率。研究另用降维图展示数据分布，帮助观察哪些暴露条件更容易分开。
需要在更多供者和药物中检验分类表现
本次使用一个男性供者的商品化心肌细胞，主要测量自发搏动中的钙信号，没有外部电刺激。明场收缩视频的噪声较大，未用于最终机器学习。
研究以同一数据集的随机划分评价分类性能。作者将本项工作定位为概念验证，下一步计划扩大药物和供者范围，检验对未知药物的分类能力。