暨南大学副教授白杰云、教授张晓慎团队联合奥克兰大学、根特大学等机构研究者，创新性地将数字孪生技术与机器学习算法相结合，首次实现了III类抗心律失常药物的性别特异性精准识别，为心房颤动的个性化治疗开辟了全新路径。近日，相关成果发表于《PLoS计算生物学》（PLOS Computational Biology）。

数字孪生技术在个性化用药应用的概略图。研究团队供图

  ?

心房颤动作为全球最常见的心律失常，影响着约1%～2%的人口，其中女性患者不仅面临更高的并发症风险，治疗效果也普遍欠佳。

该研究在国家自然科学基金等项目的资助下，构建了涵盖5,663名男性和6,184名女性的心肌细胞数字孪生模型库，结合体外实验数据进行校准后，系统模拟了12种临床常用抗心律失常药物（其中6种为III类药物，6种为非III类药物）对心肌细胞动作电位和钙瞬变的影响。通过提取14项关键生物标志物（包括静息膜电位、动作电位时程、钙瞬变幅度等），利用支持向量机等机器学习算法训练出性别特异性分类器，成功实现了对III类药物的精准识别。

该研究的关键发现包括：性别特异性模型显著提升了药物识别的预测精度，其中支持向量机分类器的准确率超89%，F1分数达87%以上，较非性别特异性模型准确率提升约7%；静息膜电位变化、动作电位幅度变化、动作电位时程及新提出的动作电位面积变化是区分性别药物反应的核心生物标志物；女性心肌细胞中IK1、INa和Ito离子电流水平较低，可能是导致药物反应性别差异的重要机制。

该研究证实纳入性别因素可大幅提升抗心律失常药物分类的准确性，为临床精准用药提供了量化工具。例如，借助该模型能更精准预测女性患者对胺碘酮、索他洛尔等药物的反应，降低致命性心律失常（如尖端扭转型室速）的发生风险。此外，该研究构建的数字孪生-机器学习框架可通过模拟药物对不同性别心肌细胞的影响，无需依赖大量临床试验即可评估候选药物的性别特异性疗效，大幅加速药物筛选流程并降低研发成本。

相关论文信息：https://doi.org/10.1371/journal.pcbi.1013154