将高保真hiPSC心肌细胞与基于人工智能的建模技术相结合，以提升心律失常风险的评估能力

《Archives of Toxicology》：Integrating high-fidelity hiPSC-cardiomyocytes with AI-driven modeling for enhanced proarrhythmic risk assessment

　　摘要：心脏毒性仍然是药物研发失败的主要因素；然而，当使用传统的hERG检测方法和动物模型时，其预测效果仍然不理想。人类诱导多能干细胞衍生的心肌细胞（hiPSC-CMs）提供了一种与CiPA倡议和ICH E14/S7B指南一致的人类相关替代方案。本研究验证了一个集成平台，该平台结合了高纯度的hiPSC-CMs和人工智能（AI），以提高预测药物诱发的心律失常风险的准确性。hiPSC-CMs的表型特征显示了高心脏分化效率（cTnT+ > 95%）和主要的室性特征（MLC-2 V+，78–84%），确保了其在评估室性心律失常方面的生物学相关性。通过多电极阵列（MEA）收集了28种CiPA参考化合物的电生理数据，用于训练多种机器学习模型。人工神经网络的表现优于其他架构，达到了0.982的优越ROC-AUC值。该平台的实用性使用12种抗癌药物进行了评估。尽管大多数药物显示出基于阻抗的存活率随剂量下降，但有四种化合物（伊达鲁滨、厄洛替尼、舒尼替尼、环磷酰胺）没有表现出明显的结构细胞毒性。然而，MEA分析显示，在长期治疗后，舒尼替尼和厄洛替尼处理的样本中出现了显著的功能紊乱，包括FPDcF延长。随后，AI模型将这两种药物分类为高至中等风险的心室颤动（TdP），从而量化了它们的时间依赖性心律失常风险。这些发现表明该平台能够检测到标准存活率检测常常遗漏的隐藏功能心脏毒性。AI-hiPSC-CM系统提供了一个高通量的早期安全筛查工具，它将体外数据和临床结果与标准化的风险评估框架联系起来。

引言：药物诱发的心脏毒性仍然是制药行业面临的一个严峻挑战（Jiang等人，2016年；Li等人，2017年，2020年），这经常导致临床试验的后期失败或已批准治疗药物的上市后撤回（Blinova等人，2018年）。历史上，临床前安全评估主要集中在阻断人类ether-à-go-go相关基因（hERG）钾通道上，作为威胁生命的心室心律失常（如心室颤动（TdP）的替代指标（Gintant，2008年）。然而，以hERG为中心的范式和非人类体内遥测方法往往缺乏足够的预测准确性。这种不足主要是由于心脏复极化的复杂性和整合性，这是由多个相互作用的离子通道控制的，并且电生理学存在物种特异性差异，限制了动物模型向人类临床结果的转化（Hamlin和Keene，2020年）。最近实施的FDA现代化法案2.0进一步推动了全球从强制性动物试验的转变，强调了开发经过验证的新方法（NAMs）的重要性。在这个监管背景下，建立了全面体外心律失常检测（CiPA）倡议，提出了一个整合多种心脏离子通道检测、计算机模拟和在人类相关细胞模型中进行功能评估的机制框架（Strauss等人，2019年）。人类诱导多能干细胞衍生的心肌细胞（hiPSC-CMs）已成为这一框架的基石（Sharma等人，2013年）。与单一离子通道检测不同，hiPSC-CMs提供了一个全面的心电图生理环境，能够密切模拟人类心脏组织，从而促进对药物效应的更全面评估（Harris等人，2013年）。虽然已经使用CiPA 28种参考化合物验证了hiPSC-CMs的实用性，但仍迫切需要严格的表型特征分析，特别是为了获得高纯度的室性细胞群，以确保实验室间安全信号的一致性和可靠性（Sala等人，2017年；Lee等人，2024年）。鉴于TdP本质上是一种以复极化延迟和早期去极化为特征的心室现象，使用具有高生物学保真度的亚型特异性细胞对于捕捉与临床结果相关的细微电生理紊乱至关重要。尽管hiPSC-CMs结合MEA技术可以生成高内容的多参数数据集，但通过传统的基于阈值的分析来解释这些复杂信号仍然是一个瓶颈（Guerrelli等人，2024年）。人工智能（AI）和机器学习（ML）的整合提供了一个变革性的解决方案。AI驱动的模型可以辨别多参数电生理变化与临床心律失常风险之间的微妙非线性关系，从而显著提高体外检测的预测能力（Golgooni等人，2019年；Serrano等人，2023年）。一些团队已经开始将机器学习应用于hiPSC-CMs的MEA记录，主要使用有限的特征集或单一建模策略。例如，Blinova等人结合了用Fridericia公式校正的场电位持续时间（FPDcF）变化和逻辑回归来分类CiPA化合物中的TdP风险，而Serrano等人使用手工制作的时间序列特征和线性模型来提高预测性能（Blinova等人，2018年；Serrano等人，2023年）。Pramudito等人最近的一项研究使用随机森林、XGBoost和一个浅层人工神经网络（ANN）的堆叠集成，在两种ΔFPDcF衍生的预测因子上进行了训练，在CiPA MEA数据上取得了出色的区分能力（Park等人，2025年）。Yun-Gwi Park等人进一步将基于MEA的建模扩展到特定疾病和患者来源的hiPSC-CMs，使用了ANN、随机森林（RF）和XGBoost（Park等人，2025年）。此外，迫切需要将这些先进平台应用于具有挑战性的治疗类别，如抗癌药物，因为在这些药物中，功能心脏毒性通常在没有明显结构损伤或细胞死亡的情况下发生。重要的是，许多这些效应是时间依赖的，需要长期监测（例如120小时）来检测传统短期检测经常遗漏的风险。在这项研究中，我们开发并验证了一个强大的心脏毒性筛查平台，该平台结合了高纯度的室性hiPSC-CMs和优化的AI学习模型。我们首先确定了CiPA 28种参考化合物的预测性能。我们的方法利用AI来解码多个生物标志物之间的复杂相互作用，包括搏动周期、FPDcF、尖峰幅度和搏动不规则性。通过整合多样化的电生理特征，我们的模型捕捉到了复杂的心脏毒性非线性模式，实现了0.982的接收者操作特征曲线下面积（ROC-AUC），这显著超过了现有的单一生物标志物或线性建模方法。随后，我们将这个经过验证的模型应用于评估各种抗癌药物的心脏毒性特征，包括蒽环类药物、酪氨酸激酶抑制剂（TKIs）和化疗药物。通过区分基于阻抗的细胞毒性和基于MEA的功能不规则性，我们证明了这个集成的AI-hiPSC-CM平台可以识别传统存活率检测遗漏的隐藏心律失常风险，提供了一个连接临床前筛查和临床心脏安全的人类相关工具。

材料与方法：本研究使用了市面上可获得的人类诱导多能干细胞衍生的心肌细胞（Cardiosight?-S；NEXEL，韩国）。冷冻保存的Cardiosight?-S被解冻、接种，并严格按照制造商推荐的方案进行维护。细胞培养板涂有磷酸盐缓冲盐水稀释的纤维连接蛋白（Sigma-Aldrich，F1141），最终浓度为50 μg/mL。涂布后的板子在含有5% CO2的潮湿环境中于37°C下孵育1小时，然后进行细胞接种。解冻后，按照制造商推荐的接种密度接种Cardiosight?-S。细胞附着后，每2天更换一次培养基。所有培养基更换都小心进行，以尽量减少对细胞的机械应力。从接种后的第7天开始使用hiPSC-CMs进行实验，以便有足够的时间进行细胞恢复、附着和功能稳定。只有在稳定期后，才进行功能和电生理分析，包括药物治疗。

CiPA参考化合物的MEA记录：使用MEA系统（Axion Biosystems）评估CiPA参考化合物的电生理反应。hiPSC-CMs以每孔5×10^4个细胞的密度接种在MEA板上，并在实验前培养7天。MEA记录在生理条件下（37°C，5% CO2）进行。在药物治疗前，细胞在MEA系统中平衡30分钟，然后在没有化合物的情况下获得基线记录。依次测试了28种CiPA参考化合物，浓度分别为其各自临床最大血浆浓度的0.1、1、10和100倍。使用二甲基亚砜（DMSO）作为阴性对照，所有实验条件下的最终DMSO浓度保持不变。对于每个浓度，移除十分之一的培养基体积，并用含有相应浓度化合物的等体积培养基替换。添加每种药物后，让细胞稳定30分钟，然后进行MEA记录。MEA数据用于评估搏动周期、FPDcF、尖峰幅度和搏动不规则性，并以变异系数（CoV）表示。记录的信号使用AxIS Navigator软件（Axion Biosystems）提取和分析。本研究使用的CiPA 28种参考药物和抗癌药物的详细信息总结在表1和表2中。

数据分析和统计：使用ImageJ软件对荧光图像进行了定量分析。FPDcF使用Fridericia公式（von Hoff等人，1979年）计算。药物诱导的反应随时间的变化表示为相对于基线值的百分比变化。所有测量至少进行了三次技术重复。统计分析使用GraphPad Prism软件（版本10.6.1）进行。根据需要，使用单因素或双因素方差分析进行组间比较，然后进行事后多重比较测试。P<0.05的值被认为是统计学上显著的。

hiPSC-CMs的表型特征：为了建立生物学相关性和确保高保真度安全评估的批次间一致性，我们对冷冻保存的hiPSC-CMs（Cardiosight?-S）进行了严格的表型特征分析。解冻和随后的培养后，hiPSC-CMs在体外第7天（DIV）达到完全融合，表现出强健且同步的自发收缩（图1a）。对全心脏标志物心肌肌钙蛋白T（cTnT）的流式细胞术分析证实了三个独立批次之间极高的可重复分化效率：95.13%（批次#1）、97.92%（批次#2）和96.63%（批次#3）（图1b）。此外，亚型特异性分析显示了主要的室性特征，MLC-2 V+细胞的比例在78.46%到84.91%之间（图1c）。免疫染色进一步验证了细胞的结构成熟度和完整性，通过α-actinin显示了组织良好的肌节模式，以及间隙连接蛋白Connexin 43的独特表达（图1d）。这些结果证明了一个功能连接且高度整合的心肌合胞体的发展，为电生理药物筛查提供了可靠的人类相关基础。

图1：此图像的替代文本可能是使用AI生成的。高倍率免疫荧光染色显示肌节α-肌动蛋白（红色）、心肌肌钙蛋白T（cTnT，绿色）以及间隙连接蛋白Connexin 43（CX43，红色）。基于AI的致心律失常风险预测的验证为了验证Cardiosight?-S在心脏安全评估中的实用性，我们使用MEA平台评估了28种CiPA参考化合物的电生理反应（图2a）。在药物暴露前后，我们量化了包括心跳周期、FPDcF、尖峰幅度和心跳不规则性（CoV）在内的高含量生物标志物，以捕捉这些化合物引起的复杂离子相互作用。对Cmax浓度下FPDcF变化的分析表明，其延长或缩短的程度与已建立的临床TdP风险分类高度相关（图2b）。具体来说，高风险药物显著延长了复极化阶段，而低风险化合物则表现出最小的偏差或预期的缩短效应。

图2：该图像的替代文本可能是使用AI生成的。

全尺寸图像：使用CiPA 28种参考化合物在hiPSC-CMs中对致心律失常风险进行AI驱动的验证。a. 心脏安全评估的集成工作流程。该平台结合了hiPSC-CMs（Cardiosight?-S）和基于AI的学习模型。这涉及用28种CiPA参考化合物在多个浓度（0.1–00 X Cmax）处理细胞，随后进行高含量多电极阵列（MEA）数据采集和多参数分析，以训练和验证TdP预测模型。b. CiPA参考化合物的电生理反应。28种参考药物在Cmax浓度下校正场电位持续时间（FPDcF）百分比变化的分布。结果显示，FPDcF的延长或缩短与临床TdP风险类别（高、中和低风险）紧密对齐，证实了hiPSC-CM（Cardiosight?-S）平台的电生理敏感性。c. AI集成心脏毒性筛选平台的工作流程示意图。MEA生物标志物经过数据清洗、归一化和集成二元分类处理，然后分为训练集（12种CiPA化合物）和测试集（16种CiPA化合物）。四种机器学习模型（LR、ANN、RF、XGB）在训练数据集上进行了训练，并在保留的测试集上进行了评估。d. MEA生物标志物的皮尔逊相关矩阵。热图显示了四种MEA衍生生物标志物（心跳周期、FPD、FPDcF、尖峰幅度和心跳不规则性）之间的成对相关性，每个单元格中的相关系数范围从0到1。FPD和FPDcF表现出最高的相关性（r = 0.95），而FPDcf/FPD与其他生物标志物之间的相关性低于0.30，表明每个参数捕获了互补的信息。e. 在情景1（基于FPDcF）和情景2（基于FPD）生物标志物组合下四种机器学习模型的性能比较。雷达图显示了使用FPDcF或未校正FPD作为主要复极化生物标志物训练的LR、ANN、RF和XGB模型的中位性能指标（AUC、F1分数、准确性、敏感性）。

为了分类致心律失常风险，我们使用四种不同的机器学习架构开发了基于AI的预测模型。这些模型在12种CiPA参考化合物的全面MEA数据集上进行了训练，并在16种保留的测试化合物上进行了验证（图2a、c和补充图1a）。输入的相关性分析显示FPD和FPDcF之间存在强相关性（r = 0.95）（图2d）。相比之下，这些参数与其他生物标志物之间的相关性较低（r < 0.30），表明这些特征为风险预测提供了互补信息。为了严格评估模型的泛化能力，我们实施了10,000次独立测试迭代的重复采样策略。我们比较了两种不同的多生物标志物情景，以确定分类TdP风险的最佳组合。情景1使用了FPDcF、尖峰幅度、心跳周期和心跳不规则性，而情景2则使用了未校正的FPD。在情景1（基于FPDcF）中，所有四种模型都表现出高性能，中位AUC值超过0.95。ANN的中位AUC为0.982，XGBoost的中位AUC为0.964，逻辑回归（LR）的中位AUC也为0.964（图2e，补充图1b）。在情景2（基于FPD）中，RF的中位AUC为0.964，ANN的中位AUC为0.982，XGBoost的中位AUC为0.873，LR的中位AUC也为0.964（图2e和补充图1b）。所有10,000次迭代的详细性能指标，包括中位准确性、敏感性、特异性和F1分数及其95%置信区间，都在补充图1b中呈现。此外，图2e中的雷达图全面可视化了两种情景下模型的性能指标。总体而言，这些发现证实了我们的集成AI-hiPSC-CM平台是预测临床致心律失常风险的高度特定和定量的工具，其敏感性显著高于仅依赖单一FPDcF参数。

为了评估hiPSC-CM平台在临床相关心脏风险方面的预测效用，我们研究了12种具有已知心脏毒性或潜在临床安全问题的抗癌药物（图3a）。这一组包括四种蒽环类药物（多柔比星、达诺比星、表柔比星和伊达比星）（图3b）、五种TKI（苏尼替尼、索拉非尼、厄洛替尼、凡德他尼和克里唑替尼）（图3c）以及三种传统化疗药物（顺铂、卡铂和环磷酰胺）（图3d）。为了评估结构心脏毒性，我们使用Nanion AtlaZ平台在长达120小时的长期暴露期间测量了Cardiosight?-S特异性阻抗信号的变化。在初步优化研究的基础上，从接种后第7天开始进行阻抗测量，以确保使用Cardiosight?-S的特定频率（补充图2）。确定9.6 kHz的采样频率为后续分析的最佳选择，因为它在培养期间（长达14天）表现出最小的批次间变异性，并提供了最大的动态范围（间隙值）。这种优化方法能够敏感地检测到基于hiPSC-CM的阻抗的微妙变化，反映了药物诱导的人类心肌细胞早期结构重塑。

图3：该图像的替代文本可能是使用AI生成的。

全尺寸图像：在hiPSC-CMs中对抗癌药物的细胞毒性分析。a. 基于阻抗的细胞毒性评估的实验工作流程。该平台使用hiPSC-CMs（Cardiosight?-S）与AltaZ平台集成，实现了对暴露于各种类别抗癌药物后心肌细胞健康和活力的连续无标记监测。b. 蒽环类药物对hiPSC-CM特异性信号的影响。治疗后特定阻抗信号（%）的时间依赖性变化，包括多柔比星、达诺比星、表柔比星和伊达比星。c. 酪氨酸激酶（TK）抑制剂对hiPSC-CM特异性信号的影响。实时监测用各种TKI（苏尼替尼、索拉非尼、厄洛替尼、凡德他尼和克里唑替尼）处理的hiPSC-CMs的阻抗。d. 化疗药物对hiPSC-CM特异性信号的影响。顺铂、卡铂和环磷酰胺对心肌细胞活力的影响。治疗组之间的统计显著性定义为P < 0.05，使用单因素ANOVA确定。

连续的基于阻抗的监测显示，大多数药物在剂量和时间上导致细胞信号显著降低，表明明显的结构损伤（图3b和c）。然而，四种特定化合物（伊达比星、厄洛替尼、苏尼替尼和环磷酰胺）在120小时的测试浓度范围内表现出最小的或没有显著的阻抗信号降低（图3b、c和d）。这些发现突显了仅依赖基于活力的筛选方法的一个关键局限性。虽然这些药物在临床上与心脏不良事件相关，但它们的心脏毒性可能表现为功能性障碍而非立即的结构性细胞死亡。这些结果强调了进行综合功能评估的必要性，以有效识别药物诱导的心脏毒性全谱。

在识别出未表现出可观察到的结构细胞毒性的化合物后，我们对伊达比星、厄洛替尼、苏尼替尼和环磷酰胺进行了高保真度的电生理分析。为了捕捉微妙的功能扰动，使用与之前的基于阻抗的细胞毒性测定相同的浓度范围和时间参数进行了MEA（图4a）。

图4：该图像的替代文本可能是使用AI生成的。

全尺寸图像：非细胞毒性抗癌药物对FPDcF、心跳率和尖峰幅度的影响。a. 功能评估的实验工作流程。该图示意性地表示了从基于阻抗的细胞毒性筛选到使用多电极阵列（MEA）平台进行详细电生理分析的过渡。b. 时间依赖性的电生理变化。在暴露于选定的抗癌药物后，hiPSC-CMs（Cardiosight?-S）中校正场电位持续时间（FPDcF）、心跳率和尖峰幅度的纵向分析。数据以相对于DMSO处理的对照组的百分比变化（%）表示，时间跨度为120小时。治疗组之间的统计显著性使用单因素ANOVA定义为P < 0.05。

虽然大多数测试药物在长期治疗期间保持了稳定的收缩参数（心跳率和尖峰幅度），但苏尼替尼是一个明显的例外。在其最大浓度（1 μM）下，苏尼替尼在120小时暴露后导致心跳率和尖峰幅度均减少了约40%（图4b）。这种明显的下降表明其对心肌收缩动力学有显著影响，且这种影响独立于细胞死亡。所有四种化合物的FPDcF都出现了显著变化。伊达比星和环磷酰胺在处理72小时后就开始表现出显著的FPDcF延长（图4b）。具体来说，伊达比星（0.0001和0.0003 μM）在96小时后延长超过20%，而环磷酰胺在所有浓度下从72小时开始就表现出持续超过20%的增加，表明其具有较高的致心律失常风险潜力。厄洛替尼和苏尼替尼引起的复极化延迟最快且最显著。厄洛替尼在所有治疗组中引起的FPDcF增加超过20%，而苏尼替尼（0.3和1 μM）在处理后仅24小时内就超过了这一20%的阈值（图4b）。

评估心跳不规则性（CoVs）提供了功能不稳定性的关键证据。在用0.0001 μM伊达比星和0.1 μM苏尼替尼处理120小时后，检测到不规则性的显著增加（图5a）。此外，在用1 μM苏尼替尼处理24小时后就观察到了不规则性的显著增加（图5a）。

图5：该图像的替代文本可能是使用AI生成的。

全尺寸图像：非细胞毒性抗癌药物的心跳不规则性分析和基于AI的TdP风险分类。a. 在hiPSC-CMs（Cardiosight?-S）中用选定的抗癌药物处理后，基于MEA测定分析心跳不规则性。b. 通过软投票集成分类器对非细胞毒性抗癌药物进行TdP风险分层。集成风险评分（范围从0到1.0）根据暴露时间（1–120小时）和四种抗癌药物的多个浓度绘制。

在验证了CiPA参考化合物后，我们应用了经过验证的情景1软投票集成分类器来评估四种非细胞毒性抗癌药物的致心律失常风险（图5b）。我们的分析显示，MEA测定中显著的FPDcF延长被分类为指示高至中等程度的TdP风险。苏尼替尼在早期时间和高浓度下被分类为高/中等TdP风险，集成风险评分 > 0.5。厄洛替尼在较晚时间点（≥72小时）和较高浓度下也被分类为高/中等风险，风险评分随暴露时间的增加而上升。相比之下，伊达比星和环磷酰胺都被分类为低风险，其集成风险评分在整个120小时暴露期间和所有测试浓度下均低于0.5。集成风险评分的时间动态表明，在长期暴露评估期间致心律失常风险增加，而伊达比星和环磷酰胺无论暴露时间和浓度如何始终保持在低风险。总体而言，这些发现表明我们的集成AI-hiPSC-CM系统是比传统的单一参数FPDcF分析更敏感的TdP风险评估工具。通过整合多个电生理生物标志物，该平台能够检测到需要长期监测以确保患者用药安全的时间依赖性心脏毒性风险。

临床前药物安全的主要挑战是准确预测人类特有的心脏毒性，这是传统动物模型和hERG测定经常不足的领域。我们的研究通过将高纯度的类心室hiPSC-CMs与先进的AI建模相结合，提供了一个与CiPA和ICH E14/S7B监管框架一致的强大平台。我们hiPSC-CM模型的一个关键优势是其高类心室纯度，多个批次中观察到大约80%的MLC-2 V+细胞。鉴于TdP本质上是心室现象（Anderlini等人，1995年；Chu等人，2007年），使用这种亚型特异性细胞显著增强了记录的MEA信号的生理相关性。

我们研究的一个亮点是通过我们的AI集成方法实现了比现有研究更好的预测性能。在一个具有里程碑意义的多站点研究中，Blinova等人（2018年）使用FPDcF作为单一生物标志物进行TdP风险分类，报告的ROC-AUC约为0.89。此外，Serrano等人（2023年）的最新研究进展表明，通过结合多种微电极阵列（MEA）特征，机器学习模型可以提高预测准确性。与传统方法相比，我们的平台通过使用一个包含心跳周期、FPD、FPDcF、尖峰幅度和心跳不规则性的全面多参数数据集而脱颖而出。利用这些多样的电生理特征，该系统的ROC-AUC值显著高于CiPA 28参考药物，超过了0.95。这一性能明显优于Blinova等人（2018年）建立的单一生物标志物方法以及Serrano等人最近探索的各种机器学习架构。这些发现强调了高纯度生物基底（hiPSC-CMs）与先进AI集成相结合，能够比以往方法更细致、更准确地解读心脏安全性。通过整合多种电生理特征，模型能够捕捉到复杂的非线性心脏毒性模式，而这些模式在依赖单一参数阈值时往往被掩盖。

我们对抗癌药物的研究进一步揭示了功能性和结构性心脏毒性之间的差异。尽管许多酪氨酸激酶抑制剂（TKIs）、蒽环类药物和化疗药物已知会通过结构损伤导致慢性心力衰竭（Kerkela等人，2009年），但我们的数据表明，如伊达鲁比星（idarubicin）、厄洛替尼（erlotinib）、舒尼替尼（sunitinib）和环磷酰胺（cyclophosphamide）等抗癌药物可以引发强烈的致心律失常信号。这些功能性紊乱表现为FPDcF、心率、尖峰幅度和心跳不规则性的变化。重要的是，即使在不会立即导致细胞死亡的亚细胞毒性水平下，这些电生理改变也会出现，这突显了一个常规基于生存能力筛查可能错过的隐藏心脏毒性窗口。

基于对这些非细胞毒性抗癌药物的多参数观察，我们的AI驱动预测模型将这些复杂的非线性电生理信号从MEA分析转化为标准化的TdP风险评分，其精确度超过了传统的二元分类方法。通过计算舒尼替尼和厄洛替尼的时间风险评分，该模型有效地量化了它们的致心律失常风险，并根据早期出现的功能不稳定性和时间依赖性将它们分类为高风险到中等风险。相反，伊达鲁比星和环磷酰胺始终被赋予较低的风险评分，表明该平台在区分生理波动和真正的致心律失常威胁方面具有高度特异性。这些发现表明，将先进的机器学习技术与高保真的hiPSC-CMs相结合，能够检测到常规安全性药理学检测经常错过的微妙、时间依赖性的心脏毒性信号。

总之，我们开发并验证了一个集成平台，该平台结合了高纯度的类心室hiPSC-CMs和先进的AI驱动预测建模，以增强心脏毒性筛查（图6）。我们的结果表明，心肌细胞的生物学真实性为电生理评估提供了可靠的人类相关基底。通过利用基于CiPA 28参考化合物训练的AI，我们实现了卓越的预测准确性，并显著改进了TdP风险分类，优于传统的单一生物标志物方法。

图6：使用类心室hiPSC-CMs和AI驱动预测建模的增强心脏毒性筛查集成平台

结论

我们的集成AI-hiPSC-CM平台在心脏安全性评估的NAMs（非动物模型）方面代表了重大进展。通过克服单一参数测量的局限性，并通过复杂的机器学习结合类心室hiPSC-CM行为的时间动态，我们开发了一种更全面、更符合人类实际情况的筛查策略。这种方法不仅符合FDA Modernization Act 2.0所倡导的全球无动物测试趋势，还为在药物开发早期识别潜在的致心律失常风险提供了主动解决方案。

能够检测到在标准测试中看似安全的药物（如舒尼替尼、厄洛替尼、伊达鲁比星和环磷酰胺）中的隐藏心脏毒性，突显了将功能性电生理监测与预测AI相结合的必要性。最终，本研究中展示的协同作用为更可靠、更精确、更具临床预测性的药物安全性框架铺平了道路。通过提供量化的标准化TdP风险评分，该平台确保了潜在的救命疗法能够在全面了解其心脏安全性特征的基础上得到开发，从而弥合了转化研究的差距，并提高了临床中的患者安全性。