识别精度高达76.32%，浙大、之江团队用深度学习加速大规模药物发现和再利用

编辑 | 萝卜皮

大规模药物研发和再利用具有挑战性。确定作用机制 (MOA) 至关重要，但目前的方法成本高昂且通量低。

---

在这里，浙江大学、之江实验室以及斯坦福大学的研究人员介绍了一种通过分析线粒体表型变化来识别 MOA 的方法。

通过对线粒体形态和膜电位进行时间成像，研究人员建立了监测时间分辨线粒体图像的流程，得到了一个数据集，其中包含 570,096 张暴露于 1,068 种美国食品和药物管理局批准药物的细胞单细胞图像。

该团队开发了一种名为 MitoReID 的深度学习模型，该模型使用重新识别 (ReID) 框架和 Inflated 3D ResNet 主干。它提供了一种自动化且经济高效的靶标识别替代方法，可以加速大规模药物发现和再利用。

该研究以「Deep learning large-scale drug discovery and repurposing」为题，于 2024 年 8 月 21 日发布在《Nature Computational Science》。

线粒体形态、膜电位和氧化还原状态已被用于识别功能化合物或遗传扰动的影响；然而，过去的研究仅侧重于提取有限数量的形态特征，导致大量有助于改善目标识别的信息丢失。

为了解决这一限制，浙江大学、之江实验室以及斯坦福大学的研究人员在此引入了时间维度来评估暴露于具有不同作用机理的化合物后的线粒体形态和膜电位。

具体来说，研究人员生成了一个由 1,000 多种美国食品药品管理局 (FDA) 批准的药物治疗的线粒体表型数据集，涵盖 16 个时间点的 570,096 张单细胞图像。

传统的机器学习技术无法充分区分线粒体表型和 MOA 之间的关系，因为在识别时间数据的复杂性方面缺…

论文链接：https://www.nature.com/articles/s43588-024-00679-4

---

---

感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。