2024 年 8 月 21 日，浙江大学、之江实验室和斯坦福大学的研究人员在《Nature Computational Science》上发表了一项研究成果：他们开发了一种名为 MitoReID 的深度学习模型。该模型利用重新识别 (ReID) 框架和 Inflated 3D ResNet 主干，通过分析线粒体表型变化来识别药物的作用机制 (MOA)。研究团队生成了一个包含 570,096 张单细胞图像的数据集，这些图像覆盖了 1,000 多种 FDA 批准药物的线粒体表型。
MitoReID 模型的核心技术在于其重新识别 (ReID) 框架和 Inflated 3D ResNet 主干。ReID 框架通常用于计算机视觉中的行人再识别任务，而在 MitoReID 中，这一框架被应用于药物作用机制的识别。Inflated 3D ResNet 主干则通过将 2D 卷积扩展到 3D 卷积，使得模型能够捕捉到线粒体表型的时间动态变化。
在模型训练阶段，研究人员首先对数据进行了预处理，包括图像的标准化和增强。然后，他们使用 ReID 框架对这些图像序列进行了训练。训练后的模型能够提取未见药物和天然化合物的特征，并使用余弦距离将这些特征与 FDA 批准药物的特征进行匹配，从而推断出药物的 MOA。
为了验证模型的准确性，研究团队进行了多次实验。结果显示，MitoReID 在识别药物 MOA 方面的准确率达到了 76.32%。此外，研究人员还进行了体外生化实验，以验证模型预测的未鉴定天然化合物的假设作用机理，结果进一步证明了 MitoReID 的有效性和准确性。
MitoReID 模型的应用前景广阔，特别是在药物发现和再利用领域。通过分析线粒体表型变化，MitoReID 能够识别药物的作用机制，这对于加速新药研发和现有药物的再利用具有重要意义。例如，研究团队利用 MitoReID 发现了一些潜在的治疗药物，这些药物可能对心血管疾病和其他线粒体相关疾病产生影响。
尽管 MitoReID 在药物发现和再利用方面表现良好，但其性能仍然受到数据质量、实验条件和标签注释等因素的影响。图像模糊和实验变化会极大地影响预测的准确性，因此需要采取严格的数据质量控制措施。此外，准确注释线粒体表型仍然是一个挑战，有必要进一步探索，为标记方法建立坚实的理论基础。