3 курс / Фармакология / НАУЧНО_МЕТОДИЧЕСКОЕ_ОБОСНОВАНИЕ_БИОСКРИНИНГОВЫХ_ПЛАТФОРМ_ДЛЯ_ИСПОЛЬЗОВАНИЯ

101

Рисунок 30. Поведенческие

группе), апостериорный критерий Данна для значимых данных теста Крускала-Уоллиса.

Рисунок 31. Поведенческие эффекты острого 20-минутного воздействия ареколина (10 мг/л) и экстракта ореха арека (3, 6 и 12 г/л) на взрослых зебраданио в 5-минутном ЧБК (Serikuly et al., 2021). *p<0,05 против контроля (n = 12-13 в группе), U-критерий Манна-Уитни или апостериорный критерий Данна для значимых данных теста Крускала-

Уоллиса.

https://t.me/medicina_free

102

особями, см

Контроль 10 Арпеколин Контроль 10 Контроль 10

Ареколин

Рисунок 32. Влияние ареколина на стрессорные реакции зебраданио. На верхних панелях показано острое воздействие ареколина (10 мг/л) в ТПК

(n = 24 в группе) и тесте социального предпочтения (n = 15 в группе)

(Serikuly et al., 2021). *p<0,05, **p<0,01, ***p<0,001, ****p<0,0001 против контроля, U-критерий Манна-Уитни или апостериорный критерий Данна для значимых данных теста Крускала-Уоллиса. Нижние панели:

отсутствие эффектов препарата на уровень кортизола (слева, n = 14 в

группе) и пример выраженного седативного действия, оцененного по спектру вибрации, генерируемой локомоцией рыб (уменьшение амплитуды пика).

https://t.me/medicina_free

103

Норадреналин Серотонин Дофамин

Рисунок 33. Влияние острого 20-минутного воздействия ареколина (10

мг/л) на моноамины мозга - норадреналин (NE), серотонин (5-HT),

дофамин (DA) и их метаболиты 5-гидроксииндолуксусную кислоту (5- HIAA), 3,4-дигидроксифенилуксусную кислоту (DOPAC) и

гомованилиновую кислоту (HVA), оцененные высокоэффективной жидкостной хроматографией (ВЭЖХ) (Serikuly et al., 2021). *p<0,05, **p<0,01, ***p<0,001, ****p<0,0001 (n = 12 в группе), U-критерий Манна-

Уитни.

https://t.me/medicina_free

104

Рисунок 34. Влияние острого (10 мг/л) действия ареколина (АР) на экспрессию маркерных ранних протоонкогенов в мозге зебраданио

(Serikuly et al., 2021). *p<0,05, **p<0,01, ***p<0,001, ****p<0,0001 против контроля (Контр, (n = 9-11 в группе), U-критерий Манна-Уитни.

Рисунок 35. Влияние хронического (1 мг/л, 7 дней) ареколина (ХАР) на экспрессию в мозге отдельных генов зебраданио (Serikuly et al., 2021). *p<0,05, **p<0,01, ***p<0,001, ****p<0,0001 против контроля (n = 9-11 в

группе), U-критерий Манна-Уитни.

https://t.me/medicina_free

105

Рисунок 36. Поведенческие эффекты острой 2-часовой отмены 12-

часовой обработки 1 мг/л ареколина на зебраданио в 5-минутном ТНА

(Serikuly et al., 2021). *p<0,05, **p<0,01, ***p<0,001, ****p<0,0001 против контроля (n = 15 в группе), апостериорный критерий Данна для значимых данных Крускала-Уоллиса.

Хроническое действие ареколина (1 мг/л, 7 дней) на зебраданио вызывало сходные анксиолитические эффекты в ТНА, повышало экспрессию в мозге генов биомаркеров микроглии М2 egr1 и ym1, но не влияло на уровень кортизола. Наконец, 2-часовая отмена ареколина вызывала у зебраданио анксиогенное поведение, подобное синдрому отмены (Serikuly et al., 2021). Полученные данные указывают на выраженную анксиолитическую активность ареколина у зебраданио,

сопровождающуюся повышенным уровнем ключевых моноаминов в мозге при остром воздействии, и потенциальным вовлечением защитной М2-микроглии при хроническом введении.

https://t.me/medicina_free

106

ГЛАВА 4. ПРИМЕНЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

(ИИ) ДЛЯ АНАЛИЗА ЭФФЕКТОВ НЕЙРОТРОПНЫХ ВЕЩЕСТВ НА ЗЕБРАДАНИО

4.1. Применение ИИ в доклинических исследованиях на зебраданио

Методы ИИ быстро набирают популярность в биомедицинских исследованиях (Bali et al., 2019). В настоящем исследовании впервые была применена система ИИ для анализа нейрофенотипов зебраданио к широкому спектру нейротропных препаратов. В работе использовалась модель сверточной нейронной сети (СНС), специально разработанная для работы с визуальными данными (изображениями) на основе кортикальной системы обработки визуальной информации (Lindsay, 2021). Эта система извлекает простые функции изображения (градиенты или линии) и объединяет их на следующем уровне для получения более богатого и сложного представления изображения (например, формы).

Каждый слой СНС (или «свертки») увеличивает сложность обрабатываемых данных, тем самым помогая извлекать нетривиальные паттерны передвижения животных (Liu et al., 2017). В работе ИИ обучили распознавать различные вещества из широкого спектра протестированных психотропных агентов в ТНА, а затем подтвердили точность предсказания обученного ИИ, сравнив несколько агентов с известными схожими поведенческими и фармакологическими профилями. Так, после ТНА для всех тестируемых животных были созданы стандартные 2D-изображения траектории (Cachat et al., 2011) и

извлечены из видеозаписей с использованием программы Ethovision XT711. Для анализа использовался вид сбоку с вертикальными координатами

(проекция ТНА сверху и снизу) записанных треков (Egan et al., 2009).

https://t.me/medicina_free

107

Много-классовый вычислительный эксперимент

Двух-классовый вычислительный эксперимент

Рисунок 37. Схематическая диаграмма, обобщающая много- и двух-

классовые вычислительные эксперименты 1-6, используемых нейронной сетью (NN) в настоящем исследовании. Отдельные препараты (Drugs 1–

3), протестированные в in vivo экспериментах (Experiments 1–3), также приведены для иллюстрации (Bozhko et al., 2022). Test (тест) – стадия тестирование нейросети, train (обучение) – стадия обучение нейросети, confusion matrix – конфузионный матрикс (выходные данные,

иллюстрирующие обучаемость нейросети).

https://t.me/medicina_free

108

Все координаты были нормализованы к размеру ТНА путем деления каждой координаты на разницу максимальных и минимальных значений соответствующего локомоторного пути. Чтобы преобразовать следы в изображения, были сгенерировали траектории движения рыб с цветами,

отражающими скорость животных, используя цветовую палитру «viridis»

вбиблиотеке Python matplotlib 3.5.2 (Nunez et al., 2018).

Вработе адаптировали сетевую архитектуру ResNet34 с

использованием 34 уровней, остаточных соединений для каждого третьего уровня, размера сверток 3 × 3 и шага = 1, функций активации

ReLU и нормализации 2D-пакетов с импульсом = 0,1. Для обучения сети использовали размер пакетов 64, 50 эпох и оптимизатор Адама с графиком скорости обучения косинусного отжига, с размером шага 100

итераций, бета 0,9, максимальной скоростью обучения 0,01 и

минимальной скоростью обучения 0,0001. В работе специально провели этот эксперимент in silico, чтобы выяснить, можно ли использовать ИИ у контрольных зебраданио дикого типа для оценки их естественной двигательной активности. По сути, этот эксперимент представлял собой общий тест для определения того, какие данные можно объединить в один набор данных для процедуры обучения ИИ. Чтобы классифицировать записанные видеодорожки, были проведены эксперименты in silico с

двумя и более классами, где «класс» представлял собой контроль,

разовую дозу тестируемого препарата или комбинированные дозы одного препарата (рис. 35).

Мультиклассовые эксперименты включали 4 вычислительных эксперимента. В первом из них каждая доза лекарства и соответствующий контроль рассматривались как отдельные классы данных, что дало 45

исходных классов для их классификации. Во втором вычислительном эксперименте каждая доза всех испытанных препаратов представляла

https://t.me/medicina_free

109

отдельный класс, при этом все соответствующие контроли были объединены в один «контрольный» класс. В третьем вычислительном эксперименте все препараты были объединены в отдельные классы, при этом разные дозы одного и того же препарата формировали один класс данных. Наконец, для дальнейшего подтверждения нашего подхода,

четвертый эксперимент включал только контроли из всех экспериментов с зебраданио in vivo, чтобы оценить, могут ли данные, полученные в отдельные дни в разных лабораториях разными экспериментаторами,

быть обобщаемыми.

Двухклассовые эксперименты проводились для валидации данного подхода с фармакологической точки зрения (рис. 35) с двумя сильнодействующими «эталонными» нейротропными препаратами -

холинергическими агонистами никотином и ареколином. Вкратце,

двухклассный вычислительный эксперимент использовал ареколин и контрольные локомоторные треки в качестве двух классов для обучения ИИ, а затем использовал никотин и его соответствующие контрольные треки в качестве проверенного набора данных для оценки того, как ИИ,

обученный ареколину, будет классифицировать данные по никотину.

Наконец, локомоторные траки при действии никотина использовались в другом эксперименте для обучения нейронной сети как два отдельных класса, где классификация нейроактивных веществ с помощью ИИ,

обученного по эффектам никотина, тестировалась на ареколине и его соответствующих контрольных данных.

https://t.me/medicina_free

110

Таблица 10. Точность предсказания системой искусственного интеллекта

(ИИ) для лекарств, использованных в экспериментах 1–3 (Bozhko et al.,

2022).

https://t.me/medicina_free