采用机器学习方法来评估可卡因对大鼠的病理生物学效应

《Xenobiotica》：Use of a machine learning approach to estimate pathobiological effects of crack cocaine administration in rats

本研究应用机器学习流程，通过随机森林模型分析啮齿类动物接受可卡因不同剂量（i.p. 18/36 mg/kg；被动吸入25/50/100 mg）后的生理参数，85%训练准确率与100%测试准确率验证模型有效性，特征重要性分析揭示肝核溶解、肾Ki-67表达、肝双核化及逃逸行为为关键预测因子。

　　

摘要

1. 本研究旨在应用机器学习工作流程来识别预测可卡因剂量和给药途径的最相关生物参数。

2. 研究了暴露于不同剂量可卡因（腹腔注射18或36毫克/千克，i.p.，或被动吸入25、50或100毫克）的大鼠体内的17个变量。使用随机森林分析构建预测模型，通过特征重要性分析确定关键变量，并通过交互依赖性分析探索变量之间的关系。

3. 80%的数据用于训练，20%的数据用于测试。该模型在训练阶段的准确率为85%，在测试阶段的准确率为100%。在训练过程中，吸入100毫克可卡因组的准确率最高，而吸入50毫克可卡因组的准确率最低。值得注意的是，20%的50毫克腹腔注射病例被错误分类为36毫克腹腔注射病例。特征重要性分析突出了四个关键预测因子：肝脏核溶解、肾脏Ki-67表达、肝脏双核现象以及逃避行为。

4. 这些发现表明，机器学习能够准确预测可卡因的剂量和给药途径，并能揭示与该药物系统效应和行为效应相关的生物学参数。