機械学習を応用した疾患細胞の特徴や生体機能効果、薬物応答の解明

Probing the characteristics and biofunctional effects of disease-affected cells and drug response via machine learning applications.

• Deborah Mudali
• Jaison Jeevanandam
• Michael K Danquah

抄録

細胞レベルおよび分子レベルでの疾患特性の薬剤による変化は、薬物動態や薬力学を強化した新薬や改良薬の最適設計を可能にしながら、医薬品成分の有効性を予測・評価する機会を提供しています。機械学習は、特定の疾患特性を持つ細胞をシミュレートし、薬物取り込みに対する細胞の反応を決定するために使用される有望なツールです。生物物理学的、生化学的、生理学的特性を含む正常細胞と感染細胞の特性の違いは、機械学習アプリケーションのための基本的な細胞プロービングプラットフォームを開発する上で重要な役割を果たしています。細胞の挙動の動的な違いをプローブするために、薬剤処理された細胞、感染した細胞、および正常な細胞の両方の画像セグメンテーションから細胞の特徴を定期的に抽出することができる。細胞のセグメンテーションは、特定の細胞または細胞のグループに対する薬剤効果のレベルを反映するために、確率スコアリングで評価することができます。この論文では、癌、糖尿病、神経変性疾患治療への応用のための薬物成分の薬物動態取り込みに応答して、感染した細胞の生物物理学的、生化学的、生理学的特性の違いをプローブするための機械学習法の使用について説明する。

Drug-induced transformations in disease characteristics at the cellular and molecular level offers the opportunity to predict and evaluate the efficacy of pharmaceutical ingredients whilst enabling the optimal design of new and improved drugs with enhanced pharmacokinetics and pharmacodynamics. Machine learning is a promising tool used to simulate cells with specific disease properties and to determine their response toward drug uptake. Differences in the properties of normal and infected cells, including biophysical, biochemical and physiological characteristics, plays a key role in developing fundamental cellular probing platforms for machine learning applications. Cellular features can be extracted periodically from both the drug treated, infected, and normal cells image segmentations in order to probe dynamic differences in cell behavior. Cellular segmentation can be evaluated to reflect the levels of drug effect on a distinct cell or group of cells probability scoring. This article provides an account for the use of machine learning methods to probe differences in the biophysical, biochemical and physiological characteristics of infected cells in response to pharmacokinetics uptake of drug ingredients for application in cancer, diabetes and neurodegenerative disease therapies.