自编码器学习未给药心肌细胞的钙信号

心肌细胞的钙活动随药物、浓度及供者背景发生变化。美国雪城大学(Syracuse University)等机构的团队在 Computational and Structural Biotechnology Journal 报道一种自编码器评分方法:先学习未给药细胞的钙信号,再根据给药后信号与模型重建信号的差异,分析心肌功能受到的扰动。

研究使用此前公开的筛选资料,共有 1,029 种化合物。其中 28 种是综合体外致心律失常评价计划(Comprehensive in vitro Proarrhythmia Assay,CiPA)中的参照药物,已按尖端扭转型室性心动过速风险分类;另外 1,001 种来自 ToxCast 环境化学品库。另有 6 组参考条件用于检测基准和评分阈值。

原实验使用 5 个健康供者来源的人诱导多能干细胞(iPSC)衍生的心肌细胞,采用 384 孔板及钙荧光记录,在给药前和给药 90 分钟后采集信号。各化合物有 4 个测试浓度,原始记录持续 100 秒;本次分析从中取稳定的中间片段作为输入。

用未参与训练的供者细胞检验模型

自编码器由压缩和重建两部分构成,把 400 个时间点压缩到较少的潜在特征,再恢复原信号。训练资料仅来自 4 个供者的 18,512 条基线记录,另一个供者完全保留,用来观察模型对未参加训练细胞的适用情况。

团队在基线训练资料中校正了供者间的系统性幅度差异,并排除低幅度噪声。给药后的信号保留原有差异,再与模型学习到的基线形态比较;每段记录分为 8 个窗口,计算归一化重建误差后取平均。

溶剂对照通常可以较好地重建,改变搏动频率或波形的化合物则出现较高误差。团队利用已知心肌活性和细胞毒性参照,将误差划分为低、中、高三档,再汇总各供者在同一浓度下的评分。

分档边界根据参照组确定:0.291 和 0.582 分别用于低—中、中—高评分之间的划分。每个供者得到 0、1 或 2 分,药物浓度反应汇总 4 个供者,最高为 8 分;第 5 个供者另作适用性检查。

自编码器结构、供者分组及心肌细胞钙信号重建示例。
自编码器结构、供者分组及心肌细胞钙信号重建示例。(Danny Vu et al. / Computational and Structural Biotechnology Journal, 2026, Fig. 2;CC BY 4.0;NLM/PMC)窄屏可横向滑动查看完整图表。

28 种药物用于浓度反应比较

在全部化合物中,831 种呈现可用于拟合的单调浓度反应;28 种 CiPA 药物中有 25 种获得了功能评分的半数抑制浓度(IC50)估计。维拉帕米的估计值为 0.1 μM,苄普地尔为 1.07 μM,反映这一钙信号方法对部分离子通道作用的敏感性。

研究同时比较了两种计算方式:一种先给每个供者分档,再拟合汇总评分;另一种直接拟合供者平均的连续误差。两种 IC50 估计的相关性为 Spearman ρ=0.463,克拉霉素和雷诺嗪等药物出现明显差异。

将 IC50 除以临床最大血浆浓度 Cmax 后,团队得到用于方法间比较的暴露裕度。较高风险药物在本方法、既有深度学习、特征提取和 hERG 数据中总体显示较低裕度;中等风险药物的结果更分散。

以伊布利特为例,自编码器给出的裕度为 55.50,而对照深度学习模型和 hERG 估计更低。钙活动、膜电位及单一离子通道检测覆盖的功能不同,是作者讨论这些差别时的重要因素。

药物参照的作用机制影响评分。例如,维拉帕米对 L 型钙通道的作用会明显改变钙活动;某些对复极化有影响的药物,在其他功能检测中可能出现不同结果。

不同供者的钙信号评分并不一致

不同供者在相同化合物条件下的评分并不总是一致。研究用敏感性指数汇总各供者的反应,发现部分细胞来源更容易出现中、高评分,另一些则较稳定;保留供者的总体反应落在训练供者的范围内。

环境化学品部分进一步比较了各类别的评分和供者一致程度。部分化合物同时具有较高平均评分和较大供者差异,作者据此提出扩大供者面板,结合基因和表达资料,分析易感性的生物学原因。

药物暴露比较采用临床 Cmax;环境化学品则采用根据暴露估计和毒代动力学模型得到的稳态血浆浓度。

供者分析还比较了敏感性指数的权重。提高高评分的权重时,供者排名较稳定;把各档等权处理时,部分相邻供者会交换位置。

继续整合其他心肌功能指标

目前的训练供者数量有限,固定窗口也可能把一段搏动波形切开。作者计划扩大具有不同风险背景的供者范围,并采用更贴合搏动周期的窗口设计,减少分段边界造成的影响。

钙记录覆盖心肌功能中的一部分。后续可结合微电极阵列(MEA)、收缩检测和可解释模型分析,进一步辨认误差主要来自波形的哪个阶段。本次药物比较中,部分 CiPA 参照也用于评分阈值设定。

来源与延伸阅读

  1. A Deep-Learning-Based Scoring Framework for Large-Scale Multi-donor Cardiotoxicity Screening. Computational and Structural Biotechnology Journal (2026). ↗