暨南大学融媒体中心讯 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。近日，这一临床难题迎来重要突破——暨南大学白杰云副教授与张晓慎教授团队联合奥克兰大学、根特大学等机构的研究者，在计算生物学顶刊《PLOS Computational Biology》发表题为“Digital twin for sex-specific identification of class III antiarrhythmic drugs based on in vitro measurements,computer models,and machine learning tools”的研究成果。该研究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，有望破解长期以来药物反应存在性别差异的临床困境。

研究团队构建了涵盖 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），团队利用支持向量机（SVM）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。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（ΔRMP）、动作电位幅度变化（ΔAPA）、动作电位时程（APD）及新提出的动作电位面积变化（ΔAREA）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，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。

该论文通讯作者为暨南大学白杰云副教授与陆华主任，研究得到国家自然科学基金、广东省自然科学基金及国家外专计划项目等多方资助。

论文链接：https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1013154

责编：常凯丽