基于机器学习的缺血再灌注动物模型药物反应预测新策略

《Scientific Reports》：Machine learning-based prediction of drug response in ischemia reperfusion animal model

为解决心肌缺血再灌注（MI/R）损伤缺乏有效干预措施的临床难题，研究人员开展了一项整合分子与生化特征的双层机器学习预测模型研究。该研究评估了反式茴香脑（TNA）、己酮可可碱（PTX）和矢车菊素-3-O-葡萄糖苷（Cy3G）三种药物的治疗效果，发现k-近邻（kNN）模型预测准确率最高（91.56%），并筛选出dP/dtmax、cTnT和SOX5等关键预测标志物。该研究为MI/R损伤的个性化治疗提供了新的计算生物学方法。

　　

在全球范围内，缺血性心脏病（IHD）是导致死亡的主要原因，即使是在发达国家，它仍然是健康负担和死亡率的首要因素。心肌再灌注是治疗急性心肌梗死（AMI）后损伤最广泛采用的策略之一，但再灌注过程本身可能通过一种称为缺血再灌注（I/R）损伤的过程加剧组织损伤。MI/R损伤涉及炎症、氧化应激、细胞凋亡、自噬、坏死、铁死亡、细胞外基质重塑和纤维化等多种通路。目前的治疗方法主要集中在降低死亡率，但无法治愈纤维化或预防慢性心力衰竭，这促使研究人员寻找能够保护MI/R损伤后心肌的新治疗策略。

在此背景下，一篇发表在《Scientific Reports》的研究论文《Machine learning-based prediction of drug response in ischemia reperfusion animal model》提出了一种创新的解决方案。该研究旨在利用监督机器学习模型，预测三种具有抗炎特性的药物——反式茴香脑（TNA）、己酮可可碱（PTX）和矢车菊素-3-O-葡萄糖苷（Cy3G）——在大鼠MI/R模型中的治疗反应。这项研究的意义在于，它试图通过整合分子特征和生化标志物，构建一个更稳健、更具生物学相关性的预测框架，以应对MI/R损伤的多因素复杂性，并推动个性化治疗的发展。

为了开展研究，作者团队运用了几个关键的技术方法。他们通过构建大鼠MI/R模型，系统评估了不同剂量药物对心脏功能、血清标志物和组织病理学的影响。研究整合了生物信息学分析，从基因表达综合数据库（GEO）筛选出与自噬和炎症相关的差异表达基因（DEGs），并利用miRWalk和RNA22工具预测了与之相互作用的microRNA（miRNA）和长链非编码RNA（lncRNA），从而构建了一个分子调控网络。核心的实验技术包括实时定量聚合酶链式反应（RT-qPCR）用于检测分子标志物（如mRNA、miRNA、lncRNA）的表达；血流动力学监测用于评估心脏功能参数（如dP/dt_max、左心室舒张末期压力LVEDP）；酶联免疫吸附试验（ELISA）和生化分析用于测量血清心脏标志物（如肌钙蛋白T cTnT、肌酸激酶同工酶CK-MB、乳酸脱氢酶LDH）；以及苏木精-伊红（H&E）和Masson三色染色进行组织病理学评估和纤维化分析。最终，研究利用五种机器学习分类器（逻辑回归LR、支持向量机SVM、随机森林RF、神经网络NN、k-近邻kNN）结合顺序前向选择（SFS）特征降维方法，建立了基于不同特征组合（分子、生化、联合）的药物反应预测模型，并通过k折交叉验证和合成少数类过采样技术（SMOTE）评估模型性能。

效果对心脏性能和标志物的影响

研究发现，与假手术组相比，MI/R损伤导致显著的心肌损伤（P<0.001）。TNA、PTX和Cy3G治疗均表现出剂量依赖的心脏保护作用。较高剂量（TNA200, PTX40, Cy3G15）能显著恢复心脏功能：例如，TNA200处理组的LVEDP接近正常水平（3.06±0.7 mmHg vs MI/R组: 14.94±1.7 mmHg; P<0.001）。同时，损伤生物标志物也呈剂量相关性降低（例如，Cy3G15组的cTnT为0.37±0 ng/mL vs MI/R组: 1.19±0.2 ng/mL; P<0.001）。成功的治疗（损伤评分DS≤2）与这些生化指标的改善 consistently 相关，验证了分子/生化特征可用于预测治疗反应的假设。

组织病理学检查

通过H&E和Masson三色染色对左心室组织进行检查。假手术组心肌组织学形态正常。相比之下，MI/R组显示严重的心肌坏死、心肌细胞排列紊乱、细胞核固缩、间质水肿和炎症细胞浸润。各药物治疗组，特别是高剂量组（TNA200, PTX40, Cy3G15），均显示出心肌组织学特征的明显改善，坏死、水肿和炎症细胞浸润减少。Masson三色染色显示MI/R组有大量胶原纤维沉积，而药物治疗后胶原沉积显著减少，Cy3G15、TNA200和PTX40使纤维化减少超过50%（p<0.001）。

心脏分子标志物

在MI/R损伤组，DCN、LINC00654和CTC-448F2.4的相对表达量（RQ）与假手术组相比显著上调，而VAV3、SOX5、miR-1298、miR-133a-3p和JRKL-AS1的表达则显著下调。TNA、PTX和Cy3G治疗调控了这些表达模式，其中高剂量（TNA200, PTX40, Cy3G15）效果最为显著，能使多种标志物的表达水平恢复至接近正常水平。

使用机器学习模型预测治疗反应

研究构建了多种监督机器学习模型来预测治疗反应（反应者：DS≤2；无反应者：DS>2）。模型使用了三种特征组合：分子特征（9个）、生化特征（6个）以及两者联合（15个）。特征选择（SFS）方法筛选出最重要的预测特征：分子特征中仅保留了SOX5；生化特征中保留了dP/dt_max和cTnT；而联合特征的简化模型也只保留了dP/dt_max和cTnT。在五种分类器中，基于生化特征或分子-生化联合特征的简化kNN模型表现最佳，其准确率达到0.9156±0.0242，ROC曲线下平均面积（AUC）为0.90，马修斯相关系数（MCC）为0.82。该模型能成功预测122个真实反应样本中的111个（真阳性），以及56个真实无反应样本中的52个（真阴性）。

讨论与结论

本研究证实了TNA、PTX和Cy3G在MI/R大鼠模型中的剂量依赖性心脏保护作用，这些作用主要通过抗炎、抗氧化和调节表观遗传调控因子实现。研究的关键创新点在于成功构建了一个双层机器学习框架，该框架整合了分子特征（如基因SOX5）和功能性血流动力学标志物（如dP/dt_max, cTnT），用于预测药物反应。通过特征选择，研究确定了最关键的预测因子，简化了模型的同时提高了可解释性。在众多机器学习算法中，kNN模型在预测治疗反应方面表现出最优异的性能和鲁棒性。

该研究的意义在于，它为解决MI/R损伤治疗的个体化差异问题提供了一种新的、可扩展的计算方法。通过识别关键的生物标志物组合，并利用机器学习模型进行整合分析，该方法有望指导临床医生为患者选择最有效的药物和剂量，从而实现个性化治疗，改善心肌缺血患者的预后。未来，需要进一步在更大样本和临床环境中验证该模型的普适性，并探索将其应用于其他心脏保护药物的反应预测中。