本發(fā)明涉及藥物研發(fā)，具體涉及一種輔助藥物發(fā)現的斑馬魚表型深度學習分析方法，該方法將斑馬魚行為學分析與深度學習技術相結合，用于輔助精神類藥物的早期篩選。

背景技術：

1、目前，藥物研發(fā)主要采用基于靶點和基于表型兩種篩選策略。在早期篩選階段，需要對大量候選化合物進行評估，這一過程耗時且成本高昂。雖然基于靶點的篩選是最常用方法，但需要預先確定作用靶點?；诒硇偷暮Y選雖可直接觀察藥效，但傳統(tǒng)方法主要依賴人工觀察和簡單運動分析，存在以下問題：1.數據分析效率低，難以應對大量化合物的初篩；2.人工觀察主觀性強，結果可能不穩(wěn)定；3.缺乏快速識別潛在價值化合物的手段；4.篩選成本高，需要更多輔助決策工具。

技術實現思路

1、為解決上述技術問題，本發(fā)明提供了一種輔助藥物發(fā)現的深度學習分析方法，該方法結合高通量活體實驗和人工智能技術，可快速分析斑馬魚行為特征，為早期藥物篩選提供決策參考。

2、本發(fā)明的技術方案如下：

3、一種輔助藥物發(fā)現的斑馬魚表型深度學習分析方法，包括以下步驟：

4、1.斑馬魚培養(yǎng)與藥物暴露：

5、-選用野生型ab品系斑馬魚，在28℃條件下培養(yǎng)；

6、-在受精后2小時內開始藥物暴露；

7、-在e3培養(yǎng)液中設置2種濃度梯度(1μg/l和10μg/l)；

8、-采用48孔板進行暴露實驗，每孔放置一只胚胎，設置47個復孔。

9、2.行為表型數據采集：

10、-在特定發(fā)育時期(5-6dpf)進行行為記錄；

11、-采用攝像系統(tǒng)記錄運動軌跡；

12、-使用zebralab軟件提取固定時長的累積行為軌跡圖。

13、3.斑馬魚表型特征庫建立：

14、-使用python程序將運動軌跡轉化為統(tǒng)一分辨率的軌跡圖；

15、-構建不同持續(xù)時間條件的多個數據集；

16、-進行數據清洗和均衡采樣；

17、-刪除錯誤數據和缺失數據樣本。

18、4.藥物特征識別模型訓練：

19、-使用卷積神經網絡架構，包括densenet、efficientnet等；

20、-優(yōu)化網絡層數、學習率等參數；

21、-設置batch?normalization層和全連接層。

22、5.模型評估與藥物作用特征分析：

23、-模型分類準確率評估；

24、-umap語義特征降維可視化。

25、本發(fā)明的有益效果：

26、本發(fā)明具有以下優(yōu)點：

27、1.提供了一種新型的輔助篩選工具，可快速預測化合物的可能作用類別；

28、2.densenet161分類準確率達67.36％，可作為早期篩選的有效參考；

29、3.可與傳統(tǒng)篩選方法優(yōu)勢互補，提供新的數據分析視角。

技術特征：

1.一種輔助藥物發(fā)現的斑馬魚表型深度學習分析方法，其特征在于，包括以下步驟：

2.根據權利要求1所述的一種輔助藥物發(fā)現的斑馬魚表型深度學習分析方法，其特征在于，所述步驟(3)需構建不同持續(xù)時間條件的多個數據集，同時刪除錯誤數據和缺失數據樣本。

3.根據權利要求1所述的一種輔助藥物發(fā)現的斑馬魚表型深度學習分析方法，其特征在于，所述步驟(4)需優(yōu)化網絡層數、學習率等參數，同時設置batch?normalization層和全連接層。

技術總結
本發(fā)明涉及藥物研發(fā)技術領域，具體涉及一種輔助藥物發(fā)現的斑馬魚表型深度學習分析方法，其步驟為：(1)斑馬魚培養(yǎng)與藥物暴露；(2)行為表型數據采集；(3)斑馬魚表型特征庫建立；(4)藥物特征識別模型訓練；(5)模型評估與藥物作用特征分析。本發(fā)明方法可以有效識別具有相似作用機制的藥物，為早期藥物篩選提供了一種新的輔助決策工具。本發(fā)明方法驗證了基于深度學習的斑馬魚表型分析方法在藥物初篩階段的應用可行性，可作為傳統(tǒng)藥物篩選方法的有益補充。

技術研發(fā)人員：朱亞
受保護的技術使用者：臺州學院
技術研發(fā)日：
技術公布日：2025/5/8