基于肝脏类器官模型的药源性急性损伤的预测方法及系统

技术领域

本发明属于药源性急性损伤模拟领域，具体涉及基于肝脏类器官模型的药源性急性损伤的预测方法及系统。

背景技术

肝脏是人体最大的解毒与代谢器官，也是药物副作用的常见目标器官之一。药物性肝损伤(DILI)是指药物本身或其代谢产物引起的肝脏损害，是临床上常见且严重的药物不良反应。由于新药研发过程成本高、周期长、难度大、成功率低，以及临床试验的局限性，很多药物的真实治疗效果和不良反应只有在上市后才能被发现。DILI的发生不仅会给患者带来严重的健康危害，还会导致医疗事故、药物退市和巨大的经济损失。因此，DILI研究对于保障药物研发和临床安全具有重要意义。

然而，目前DILI研究仍面临着许多挑战和困难：

(1)常用的细胞系和动物模型与人类肝脏有较大的差异，难以模拟真实的药物代谢和肝毒性；

(2)原代肝细胞虽然能够较好地反映人类肝脏的功能，但是在体外培养过程中会迅速失去分化特性；

(3)人原代肝细胞来源有限，供体缺乏，个体差异性大；

(4)二维培养系统无法模拟肝脏的三维结构和细胞间相互作用，无法准确预测药物效应和疾病机制。

为了克服这些问题，近年来出现了一种新型的体外肝脏模型——肝脏类器官。肝脏类器官是通过三维培养技术将原代组织或诱导多能干细胞分化为肝脏相关细胞，并形成类似于真实肝脏的微结构和功能的细胞簇。

肝脏类器官具有以下优点：

(1)能够保持肝脏细胞的分化状态和功能，更好地模拟人类肝脏的生理特性；

(2)能够构建多种类型的肝脏类器官，包括单一类型或多种类型的肝脏细胞组成的类器官，以及包含血管、胆管和免疫细胞等其他非肝细胞组成的类器官；

(3)能够与高通量筛选、高内涵技术、人工智能等领域结合，提高DILI预测的效率和准确性。

目前已有一些涉及到利用肝脏类器官进行DILI预测的技术，例如类器官芯片建立3D人原代肝细胞模型用于预测药物性肝损伤和科途综述发表：肝脏类器官的研究及应用进展。

这些技术的优点是能够模拟人类肝脏的生理特性和代谢功能，提高DILI预测的敏感性和特异性，降低药物研发的成本和风险。然而，这些技术也存在一些问题，例如：

肝脏类器官的构建过程复杂，需要高精度的三维培养技术和设备，难以实现规模化生产；

肝脏类器官的来源有限，主要依赖于原代组织或诱导多能干细胞，供体缺乏，个体差异性大；

肝脏类器官的稳定性和可重复性有待提高，可能受到培养条件、基质材料、细胞类型等多种因素的影响；

因此，传统DILI实验模型均或多或少存在弊端。如哺乳动物模型与人有较大差异，导致研究结果难以进行临床转化；HepG2 2D或3D模型代谢酶分泌水平较低，无法切实反映药物代谢过程，另外，原代肝细胞会在体外培养过程中迅速去分化而失去肝功能。

其次，模型训练的特征数据集提取多依赖于基因测序技术，成本较高，且对特异质性DILI预测效果不显著，性价比低。现有肝脏类器官的评价标准和方法尚不统一，难以进行不同研究之间的比较和验证。

发明内容

本发明的目的是为了解决现有技术中的不足，提供一种可以克服上述问题的，新颖、经济，且通用的基于肝脏类器官模型的药源性急性损伤的预测方法。

为解决上述技术问题，本发明采用的技术方法是：本发明公开了基于肝脏类器官模型的药源性急性损伤的预测方法，包括以下步骤：包括以下步骤：

S1.构建基于人原代肝类器官的DILI体外模型，选择药物进行DILI测试，并收集各种指标数据，包括白蛋白、尿素、谷丙转氨酶、细胞活力、代谢组学，并收集培养基和类器官明场三维成像数据；

S2.对数据进行预处理和标注；将数值类数据按照药物种类进行整理，将全部数据汇总整理成一个表格格式文件备用；

对明场三维图像数据进行图像像素标准化、去除无意义空白背景区域、统一不同批次图像的分辨率等操作；

基于实验数据实际情况和FDADILIRank数据库中的DILI等级标签分类，将数据划分成三类：强肝毒性、低肝毒性和无肝毒性；

S3.利用卷积神经网络和支持向量机对所述数值类数据和明场三维图像数据进行多分类，输出0-1的值，根据阈值最终得到DILI等级结果；

S4.通过迭代和调节超参数寻找最优模型，并使用验证集对模型进行灵敏度和特异度评估。

进一步的，所述构建基于人原代肝类器官的DILI体外模型的步骤包括：

S11.利用专用的培养基和消化液，将冻存的人原代肝类器官样本进行复苏、培养和传代，得到生长状态稳定的人肝类器官，并将其转移至384细胞培养板中；

S12.给予不同浓度梯度的药物进行DILI测试，给药时间为7天，每2天半换液1次，于第7天检测各种指标数据；

所述药物浓度梯度为0*Cmax-0.1*Cmax-1*Cmax-10*Cmax-100*Cmax；其中Cmax为药物在人体血液中达到最高浓度时的浓度值；

所述指标数据包括白蛋白、尿素合成水平以及谷丙转氨酶产生量、细胞活力、代谢组学，并收集培养基和类器官明场三维成像数据。

进一步的，在所述步骤S1中，所述药物进行DILI测试的步骤包括：基于现有公开数据库、文献、相关指南等信息，综合考虑药物的结构、机理和种类，以及药物性肝损伤的等级、严重程度和标签部分，构建较为全面的肝脏毒性药物信息数据库。

进一步的，所述数据库、文献、相关指南等信息包括但不限于DILIRank、SeverityClass、LabelSection、LiverTox；

所述药物性肝损伤的等级、严重程度和标签部分是根据FDA批准的药物标签文件中描述药物性肝损伤的部分进行分类的，通常有四个部分：黑框警告、警告和注意事项、不良反应和无匹配。

进一步的，在所述步骤S1中，所述收集各种指标数据的步骤包括：

收集培养基，检测白蛋白、尿素合成水平以及谷丙转氨酶产生量；

类器官进行细胞活力检测，使用Cell-Titer-Glo发光法检测各孔类器官内ATP相对值；

进行代谢组学检测，检测指标包含但不限于ATP、乳酸、胆碱、核苷酸、抗氧化剂、氧化产物等代谢指标，使用过滤层析方法进行分离提取，并进行数据初步分析；

通过在高内涵成像仪中设置不同z轴间距，每2h设定拍照1次，8-12张/次，共拍摄7天，以此生成类器官明场三维成像数据，使用10倍放大进行采集。

进一步的，在所述步骤S2中，所述对数据进行预处理和标注的步骤包括：

S21.将数值类数据按照药物种类进行整理，将全部数据汇总整理成一个表格格式文件备用；

S22.针对明场三维图像数据进行图像像素标准化、去除无意义空白背景区域、统一不同批次图像的分辨率等操作；

S23.基于实验数据实际情况和FDADILIRank数据库中的DILI等级标签分类，将数据划分成三类：强肝毒性、低肝毒性和无肝毒性。

进一步的，在所述步骤S3中，所述利用卷积神经网络和支持向量机对数值类数据和明场三维图像数据进行多分类的步骤包括：

S31.按照5:1的比例，将数据集划分成训练集和验证集；

S32.使用SVM对数值类数据进行多分类，在训练阶段，选择AB、AC、BC所对应的数据作为训练集，训练出3个binarySVM；在测试阶段，使用对应分类数据对3个训练结果分别进行测试，最得到“强肝毒性”、“低肝毒性”、“无肝毒性”中的某一类结果；

S33.使用CNN对明场三维图像数据进行多分类，在训练阶段，使用卷积层、池化层、全连接层等构建深度神经网络，并使用激活函数、损失函数、优化器等设置模型参数；在测试阶段，使用测试集对模型进行评估，输出0-1的值，根据阈值最终得到“强肝毒性”、“低肝毒性”、“无肝毒性”中的某一类结果。

进一步的，在所述步骤S4中，所述通过迭代和调节超参数寻找最优模型，并使用验证集对模型进行灵敏度和特异度评估的步骤包括：

S41.在训练集上使用梯度下降法优化损失函数，调整学习率、批量大小、正则化系数等超参数，以提高模型的泛化能力和收敛速度；

S42.在每个训练周期结束后，使用验证集对模型进行测试，计算模型的准确率、召回率、F1值等指标，以评估模型的预测性能；

S43.选择在验证集上表现最佳的模型作为最终模型，保存其参数和架构。

进一步的，所述药物包括：奈法唑酮Nefazodone、丁螺环酮Buspirone、曲格列酮Troglitazone、吡格列酮Pioglitazone、曲伐沙星Trovafloxacin、左氧氟沙星Levofloxacin、托卡朋Tolcapone、恩他卡朋Entacapone、地高辛Digoxin、氢化可的松Hydrocortisone、利多卡因Lidocaine、扑尔敏Chlorpheniramine、辛伐他汀Simvastatin、司他夫定Stavudine、齐留顿Zileuton、泰利霉素Telithromycin、苯溴马隆Benzbromarone、双氯芬酸Diclofenac、异烟肼Isoniazid、尼美舒利Nimesulide、对乙酰氨基酚Acetaminophen、苯妥英Phenytoin、氟他胺Flutamine、紫杉醇Paclitaxel、长春碱Vinblastine、喜树碱Camptothecine、环磷酰胺Cyclophosphamide、甲氨蝶呤Methotrexate、多柔比星Doxubicin、厄洛替尼Erlotinib、吉非替尼Gefitinib、伊普利姆单抗Ipriimumab。

本发明还公开了一种基于上述基于肝脏类器官模型的药源性急性损伤的预测方法的基于肝脏类器官模型的药源性急性损伤的预测系统，包括以下组件：

数据采集模块，用于从人原代肝类器官的DILI体外模型中收集各种指标数据，并将其存储在一个数据库中；

数据处理模块，用于对数据库中的数据进行预处理和标注，将数值类数据和明场三维图像数据分别整理成表格格式文件和图像文件，并按照DILI等级标签进行分类；

模型训练模块，用于利用卷积神经网络和支持向量机对数值类数据和明场三维图像数据进行多分类，并通过迭代和调节超参数寻找最优模型，并将其保存在一个文件中；

模型评估模块，用于使用验证集对保存的最优模型进行灵敏度和特异度评估，并输出评估结果；

用户界面模块，用于接收用户输入的药物名称或编号，并从数据库中查询相应的数值类数据和明场三维图像数据，并将其输入到最优模型中，得到DILI等级结果，并将其显示给用户。

有益效果：

本发明基于人源肝脏类器官的DILI模型，更接近人体实际情况，提高了预测的准确性和可靠性；综合了多种药物性肝损伤的评价指标，如白蛋白、尿素、谷丙转氨酶、ATP等，以及代谢组学检测，增加了预测的全面性和深入性；利用卷积神经网络(CNN)对类器官明场三维图像数据进行特征提取和分类，利用支持向量机(SVM)对数值类数据进行分类，结合两种方法的结果，实现了预测的高效性和灵活性；并通过数据预处理、模型训练、模型优化和性能评估等步骤，保证了本发明中预测方法及系统预测的稳定性和可复现性。

具体实施方式

下面结合具体实施方式对本发明作进一步详细的描述。

本发明公开了基于肝脏类器官模型的药源性急性损伤的预测方法，包括如下步骤：第一阶段：肝类器官DILI模型构建及其相关特征数据收集

1.构建基于人原代肝类器官的DILI体外模型

1.1DILI测试药物集

本发明基于现有公开数据库、文献、相关指南等信息，综合致肝损药物的结构、机理，以及种类，构建较为全面的肝脏毒性药物信息数据库，共32种药物，如下：

其中，DILIRank：药物性肝损伤等级，根据药物引起肝损伤的风险对FDA批准的药物进行排序的数据集。

Severity Class：严重程度类别，根据药物性肝损伤的严重程度对药物进行分级的方法，通常有四个等级：最高、较高、较低和无关。

Label Section：标签部分，指FDA批准的药物标签文件中描述药物性肝损伤的部分，通常有四个部分：黑框警告、警告和注意事项、不良反应和无匹配。

Liver Tox：肝毒性，是指药物或其他化学物质对肝脏造成的损害或功能障碍。

1.2基于人源肝脏类器官的DILI模型

取出冻存的人原代肝类器官样本进行复苏，使用专用的人源肝类器官培养基；

将复苏后的人源肝类器官样本进行培养传代，经至少3次传代周期后，得到生长状态稳定的人肝类器官；

使用Triple消化液适度消化后转移至384细胞培养板为例，接种8-10个原代肝脏类器官/孔，以0*Cmax-0.1*Cmax-1*Cmax-10*Cmax-100*Cmax设置药物6浓度梯度，每个浓度设置3个平行孔。

给药时间为7天，每2天半换液1次，于第7天检测相应指标，具体包括：收集培养基，检测白蛋白(Albumin,ALB)、尿素合成水平以及谷丙转氨酶产生量(Alanineaminotransferase,ALT)。另外，对类器官进行细胞活力检测。

1.3DILI数据集(药物性肝损伤(DILI)数据集)

(1)基于时间序列的类器官明场三维成像：通过在高内涵成像仪中设置不同z轴间距，每2h设定拍照1次，8-12张/次，共拍摄7天。拍摄采用10倍放大进行采集，以此生成类器官明场三维成像数据；

(2)ALB合成水平检测：取100μL的培养上清液，通过ALB Assay ELISA Kit进行检测，读取吸光度后代入定量标准曲线，换算白蛋白浓度(ng/mL)；

(3)尿素合成水平检测：取100μL的培养上清液，通过Urea Assay Kit进行检测，读取吸光度后代入定量标准曲线，换算尿素浓度(μmol)；

(4)类器官细胞活性检测：Cell-Titer-Glo发光法检测各孔类器官内ATP相对值；

(5)ALT分泌量检测：取100μL的培养上清液，通过ALT ELISA Assay Kit进行检测，读取吸光度后代入定量标准曲线，换算谷丙转氨酶浓度(pg/mL)；

(6)代谢组学检测：取100μL的培养上清液，进行采集富集，通过过滤层析方法进行分离提取，以及检测，检测指标包含但不限于ATP、乳酸、胆碱、核苷酸、抗氧化剂、氧化产物等代谢指标。进行代谢组学数据初步分析后以样本为单位进行数据记录。

将以上实验数据制成数据集。

第二阶段：深度学习下的DILI预测模型构建

2.1数据预处理

将ALB、Urea、ALT、ATP等数值类数据按照药物种类进行整理，将全部数据汇总整理成一个表格格式文件备用。

针对明场三维图像所存在的图片亮度不一致问题、不同批次可能的尺寸不一致问题等，进行图像像素标准化，去除无意义空白背景区域，统一不同批次图像的分辨率。

基于实验数据实际情况，同时结合FDA DILI Rank数据库中对于不同药物的DILI等级标签分类，进行DILI标签标注，根据FDA DILI等级划分标准将数据划分成3类：vMost-DILI-Concern、vLess-DILI-Concern、vNo-DILI-Concern，分别代表“强肝毒性”、“弱低毒性”、“无毒性”。

2.2基于细胞形态图像数据构建基于AI技术的肝脏毒性预测模型

(1)数值类数据机器学习分类模型构建：按照5:1的比例，将数据集划分成训练集和验证集，利用机器学习SVM支持向量机将数据进行多分类。

在训练阶段，选择AB、AC、BC所对应的数据作为训练集，训练出3个binary SVM；在测试阶段，使用对应分类数据对3个训练结果分别进行测试，最终得到“强肝毒性”、“低肝毒性”、“无肝毒性”中的某一类结果。

(2)3D明场图像分类模型构建：类器官明场三维成像数据集(共21,504张图片)分为2部分：训练数据集(占总数的83％)与测试数据集(占总数的17％)。

使用卷积神经网络(CNN)训练数据集用于架构和参数选择，输出0-1的值，根据阈值最终得到“强肝毒性”、“低肝毒性”、“无肝毒性”中的某一类结果。

在完成整个参数调整和架构选择过程后，测试数据集仅用于最终验证最佳神经网络。

总之，基于药物肝脏毒性实验数据得到的类器官明场三维成像数据，构建以深度卷积神经网络为基础架构的AI深度学习模型，同时对其他实验数据指标进行机器学习分析，实现对实验数据指标的特征提取，寻找数据指标与药物肝脏毒性等级之间的关系。

第三阶段：模型优化与性能评估

训练集用于药物肝脏毒性预测模型训练阶段，在训练过程中，通过不断的迭代和调节不同的超参数，根据梯度下降的方向寻找模型最优参数，得到最优参数下的模型；

得到最优参数模型后，使用验证集对模型的药物肝脏毒性预测能力进行验证和评估，通过灵敏度与特异度来进行模型预测能力评估。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。