Kinase inhibitor screening using artificial neural networks and engineered cardiac biowires
Notice bibliographique
Résumé
Abstract Kinase inhibitors are often used as cancer targeting agents for their ability to prevent the activation of cell growth and proliferation signals. Cardiotoxic effects have been identified for some marketed kinase inhibitors that were not detected during clinical trials. We hypothesize that more predictive cardiac functional assessments of kinase inhibitors on human myocardium can be established by combining a high-throughput two-dimensional (2D) screening assay and a high-content three-dimensional (3D) engineered cardiac tissue (Biowire TM ) based assay, and using human induced pluripotent stem cell-derived CMs (hiPSC-CMs). A subset (80) of compounds from the GlaxoSmithKline published kinase inhibitor set were tested on hiPSC-CM monolayers and significant effects on cell viability, calcium transients, and contraction frequency were observed. Artificial neural network modelling was then used to analyze the experimental results in an efficient and unbiased manner to select for kinase inhibitors with minimal effects on cell viability and function. Inhibitors of specific interest based on the modeling were evaluated in the 3D Biowire tissues. The three-dimensional Biowire platform eliminated oversensitivity in detecting both Ca 2+ transient amplitude enhancements as well as the acute detrimental effects on cell viability due to the kinase inhibitor application as compared to the monolayer testing.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».