基于机器学习模型的心脏肌节单次收缩动力学预测

《Machine Learning with Applications》：Machine learning model for cardiac sarcomere twitch contraction dynamics

　　

摘要：本研究提出一种基于人工神经网络（ANN）的机器学习（ML）框架，作为心脏肌节收缩动力学的精准替代模型。该ANN基于Rice肌丝模型在等肌节长度、细胞缩短及等长收缩三种实验方案下生成的合成数据集进行训练，数据覆盖生理相关参数范围。研究结果表明，浅层网络对瞬态单次收缩动力学的拟合存在欠拟合现象，而深层网络在预测精度、稳定性和泛化能力方面均有显著提升。经训练的模型能够准确预测大鼠和兔心肌中的力与缩短动力学，并成功捕捉物种特异性力学响应。在所有收缩模式下，深层ANN均能复现肌节行为在未见条件下的幅度特征与时间特征。尽管心脏肌节动力学因钙激活、横桥循环和力产生之间的非线性相互作用而具有高度复杂性，本研究所提出的ML框架将机制建模与数据驱动学习相结合，能够实现心脏肌肉单次收缩动力学的快速且具有生物物理一致性的预测。

基于机器学习模型的心脏肌节单次收缩动力学研究解读

一、研究背景与问题提出

心脏收缩功能的核心执行单元是肌节（sarcomere），其由细肌丝（肌动蛋白，actin）、粗肌丝（肌球蛋白，myosin）、Z盘、肌联蛋白（titin）以及肌钙蛋白（troponin）和原肌球蛋白（tropomyosin）等调节蛋白组成。这些蛋白通过协调的分子相互作用和构象变化调控钙依赖性收缩过程。尽管已有大量研究，但横桥循环（cross-bridge cycling）、协同性细肌丝激活（cooperative thin filament activation）以及单次收缩（twitch contraction）过程中瞬态力产生的关键机制仍未完全阐明。

传统数学模型通常依赖预设的生化与物理规则来描述蛋白相互作用和力产生过程，常将ATP水解与横桥附着-解离动力学（attachment–detachment kinetics）相耦合。虽然这些模型在稳态肌肉力学研究中提供了重要见解，但在捕捉单次收缩等瞬态行为方面存在明显不足，也难以预测基因突变和病理重塑对动态肌节功能的影响。其他理论方法如布朗棘轮模型（Brownian ratchet models）虽能描述肌球蛋白-肌动蛋白相互作用的随机热运动，但往往忽略了原肌球蛋白动力学和相邻调节单元间的协同相互作用等关键调控机制。基于马尔可夫链蒙特卡洛（MCMC）的随机建模方法则依赖拟合的转移速率和参数，限制了其在不同实验方案和病理条件下的泛化能力。

鉴于上述局限性，深度学习（DL）提供了一种补充性研究路径。DL模型能够在高维数据集中捕捉复杂的非线性关系和时间依赖性，在合成或实验数据上训练后，可生成力发展、肌节缩短和松弛动力学的时间分辨预测，同时隐式纳入协同激活和横桥动力学，从而提升肌节建模的预测精度和计算效率。

二、研究目的与主要技术方法

本研究的主要目标是首次证明深度学习工具能够准确预测不同实验方案下心脏肌节收缩的动态单次收缩响应。具体而言，研究人员采用基于人工神经网络（ANN）算法的机器学习方法，在等肌节长度（isosarcometric）、细胞缩短（cell-shortening）和等长收缩（isometric）三种条件下研究心肌单次收缩。ANN模型使用Rice等人（2008）建立的心脏肌节横桥动力学数学模型生成的合成动态单次收缩数据进行训练，并应用于大鼠和兔两种生理特性不同的物种，以评估单次收缩动力学和收缩行为的物种依赖性差异。

研究采用的关键技术方法主要包括：

1. Rice横桥循环肌节模型：采用Rice等人（2008）开发的基于肌动蛋白和肌球蛋白横桥循环理论的模型生成合成数据。该模型将肌节力（包括被动力和主动力）表示为力学系统，并通过矩阵形式描述肌丝状态变量的时间演化。合成数据集的参数范围涵盖：最大钙瞬变（Ca²⁺_max）在0.85–1.45 [μM]之间变化，初始肌节长度（SL₀）范围为1.4–2.4 [μm]，串联弹性元件刚度（KSE）值为1–50 [归一化力/μm]，温度在20–30 [°C]之间变化。

2. 人工神经网络架构：采用基于感知机（perceptron）构建的深度学习模型。研究比较了浅层网络与深层网络的预测性能，以评估网络深度对瞬态单次收缩动力学捕捉能力的影响。

3. 多方案数据生成与验证：在等肌节长度、细胞缩短和等长收缩三种实验方案下生成训练数据，并在大鼠和兔两种物种的生理参数范围内进行验证，以评估模型的泛化能力和物种特异性预测能力。

三、研究结果

3.1 浅层网络与深层网络的性能对比

研究结果表明，浅层网络对瞬态单次收缩动力学的拟合存在明显的欠拟合现象，难以准确捕捉力发展和松弛过程中的瞬态特征。相比之下，深层网络在预测精度、稳定性和泛化能力方面均有显著提升，能够更准确地再现肌节收缩的幅度特征和时间特征。

3.2 跨方案预测能力

在等肌节长度、细胞缩短和等长收缩三种收缩模式下，深层ANN均能准确预测肌节行为在未见条件下的动态响应。模型不仅能够复现力的幅值，还能捕捉收缩和松弛过程的时间特征，表明该框架对不同实验方案的适应性较强。

3.3 物种特异性响应

将训练后的模型应用于大鼠和兔心肌数据时，模型成功捕捉了两物种间的特异性力学响应差异。这一结果表明，该ML框架能够隐式学习不同物种的生理参数差异，并据此生成符合物种特性的收缩动力学预测。

3.4 跨模式泛化能力

在所有收缩模式下，深层ANN均能同时复现肌节收缩的幅度特征与时间特征，验证了该框架在多种生理条件下的泛化能力。模型对先前未见条件的准确预测表明，其已学习到肌节动力学背后的非线性映射关系，而非简单的数据记忆。

四、讨论与结论

讨论部分指出，尽管心脏肌节动力学因钙激活、横桥循环和力产生之间的非线性相互作用而具有高度复杂性，本研究所提出的ML框架成功地将机制建模与数据驱动学习相结合。该框架不仅作为Rice模型的替代模型，还提供了一种跨多种收缩方案和物种特异性生理状态的统一数据驱动表示。

研究结论表明，基于深度ANN的机器学习方法能够实现心脏肌肉单次收缩动力学的快速且具有生物物理一致性的预测。该研究将机器学习框架从稳态肌肉收缩建模扩展至动态肌肉行为建模，为心脏肌节动力学研究提供了新的方法论工具。该框架有望加速心脏病理状态下的肌节功能预测，并为药物筛选和个性化医疗等应用提供计算支撑。论文发表于《Machine Learning with Applications》。