A Computational Pipeline to Predict Cardiotoxicity
Notice bibliographique
Résumé
RATIONALE: Drug-induced proarrhythmia is so tightly associated with prolongation of the QT interval that QT prolongation is an accepted surrogate marker for arrhythmia. But QT interval is too sensitive a marker and not selective, resulting in many useful drugs eliminated in drug discovery. OBJECTIVE: To predict the impact of a drug from the drug chemistry on the cardiac rhythm. METHODS AND RESULTS: In a new linkage, we connected atomistic scale information to protein, cell, and tissue scales by predicting drug-binding affinities and rates from simulation of ion channel and drug structure interactions and then used these values to model drug effects on the hERG channel. Model components were integrated into predictive models at the cell and tissue scales to expose fundamental arrhythmia vulnerability mechanisms and complex interactions underlying emergent behaviors. Human clinical data were used for model framework validation and showed excellent agreement, demonstrating feasibility of a new approach for cardiotoxicity prediction. CONCLUSIONS: We present a multiscale model framework to predict electrotoxicity in the heart from the atom to the rhythm. Novel mechanistic insights emerged at all scales of the system, from the specific nature of proarrhythmic drug interaction with the hERG channel, to the fundamental cellular and tissue-level arrhythmia mechanisms. Applications of machine learning indicate necessary and sufficient parameters that predict arrhythmia vulnerability. We expect that the model framework may be expanded to make an impact in drug discovery, drug safety screening for a variety of compounds and targets, and in a variety of regulatory processes.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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 ».