导语

心律失常是心脏猝死的主要原因之一，每年因心律失常死亡的人数约占全球死亡总数的15%~20%。导致心律失常的原因繁多，有如遗传因素、患者的身体和精神状况因素以及某些药物的副作用因素等。众所周知，心律失常的发生和严重程度是难以预测的，在年轻人和无心脏病史的患者中更是如此。近日，一项研究表明，利用以及人工智能技术对干细胞进行数据集训练和分析，可以对心律失常的发生几率进行较为准确的预测。

01、研究背景

现阶段，预测和预防心律失常是全球心血管康复领域关注的重点问题之一。近年来，心血管的风险评估技术有所突破，但心源性猝死仍占死亡总数的15%~20%。目前，有多项研究通过改进建模平台，以更准确地识别无心脏疾病健康人群的异常电生理和心律失常的风险。

此外，由于对药物副作用的检测技术并非十分成熟，最近，从临床市场召回了近10%的药物，因此关于改进确定药物对心脏副作用方法的研究迫在眉睫。基于以上研究需求，体细胞重编程技术为个性化医疗和疾病特异性治疗铺平了道路。

有三种方法可以生成适合模型训练的电生理数据：膜片夹紧、多电极阵列(MEAs)和Ca2+瞬态荧光报告跟踪，产生的电生理数据形式的差异使得研究更倾向于采用Ca2+的瞬态分析，而不是其他两种方法。尽管膜片夹紧技术被广泛认为是离子通道研究的黄金标准，但其相对较低的吞吐量以及该项技术要求实验人员训练有素等因素限制了其生成大规模、高质量数据集的能力。

基于现阶段研究的局限性，新加坡分子与细胞生物学研究所的Boon-Seng Soh、Jeremy Kah Sheng Pang及其同事将干细胞技术与机器学习相结合，用于在实验室中对心律失常进行准确预测。该研究结果最近发表在《Stem Cell Reports》杂志上。

02、研究内容

在该项利用干细胞和人工智能技术并面向心律失常预测技术的研究中，研究人员使用了在实验室中由多能干细胞制成的人类的心肌细胞展开深入研究。研究中使用的不同心肌细胞由于培养因基因突变或药物治疗而具有不同心律失常的可能性。

虽然Ca2+瞬态可以用Ca2+荧光团跟踪，但用荧光团治疗副作用较大，因此实验中选择稳定表达基因编码的Ca2+指示物GCaMP6s。利用CRISPR技术将GCaMP6s插入到该研究使用的hPSC细胞系中表达。

从三组独立实验中对健康和心律失常进行分类

该研究对产生的荧光强度随时间的数据进行处理，将Ca2+循环作为描述心肌细胞电生理的参数。然后对每个心肌细胞的Ca2+信号逐帧处理，以识别对应的荧光峰。峰的识别算法基于三个标准：（1）峰的绝对荧光强度是局部最大值；（2）峰值前存在一个一阶微分大于阈值的时间点，对应单次去极化的开始；（3）该峰值处的绝对荧光强度高于指定的阈值，防止将荧光最小值的微小波动检测为峰值。

机器学习的训练框架

03、研究意义

在心律失常建模领域，人们对机器学习越来越感兴趣，最近有多篇文章使用训练过的机器学习模型来研究心肌细胞的电生理学。现有研究着重突出了单个机器学习分类器是如何通过经验丰富的研究人员的分类来精确地确定异常Ca2+瞬态的。在以上研究的基础上，该项工作进一步展示了人工智能在心律失常建模中的应用，训练方法通过机器学习分类器可以使用来自健康和心律失常来源的心肌单细胞分解Ca2+瞬态，从而实现了在没有任何专家辅助的情况下预测特定心律失常的存在。此外，该研究表明，二元机器学习分类器确实可使用生物学上的参数来进行预测，因此可以以一种无偏差的方式来识别关键的电生理变化。

该项研究使用来自3000多个健康以及容易出现心律失常的心肌细胞的视频数据，利用细胞内钙浓度变化的可见指标，当做心脏功能的衡量指标，对培养物的特定跳动行为训练了一个机器学习程序，利用该系统，计算机算法在预测药物或遗传诱发心律失常的发生方面达到了90%以上的准确率，并识别出了不同的心律失常预测模式。

这项研究为基于机器学习的患者风险分析和源性心肌细胞的药物毒性测试奠定了基础，这可对更安全、更有效药物的研发提供重要参考。

图片源自网络

内容来源

https://www.cell.com/stem-cell-reports/fulltext/S2213-6711(22)00321-6