心房颤动（AF）显著影响发病率和死亡率。III类抗心律失常药物（AADs）在管理AF中起着关键作用，但往往表现出性别特异性并发症。我们的研究旨在通过整合体外测量、计算机模型和机器学习（ML）来识别性别特异性III类AADs。通过模拟药物对多样化心肌细胞模型群体（5,663名男性和6,184名女性）的影响，我们根据动作电位和钙瞬变的变化对药物进行分类。使用性别依赖的支持向量机（SVM）算法，我们实现了高预测准确率（>89%）和F1分数（>87%）。关键特征包括静息膜电位和动作电位振幅、持续时间和面积的变化。药物反应的性别差异归因于女性较低的IK1、INa和Ito。
现代医学面临的挑战在于药物的跨类别特性和性别差异对药物反应的影响。传统药物分类方法在处理作用于多个目标且跨越不同类别的药物时显得不足。此外，由于离子电流、激素影响和钙调节特性的差异，男性和女性患者对同一种药物的反应往往不同。这需要转变药物分类和处方的方法。在本研究中，我们结合体外测量、计算机模型和机器学习工具来应对这些挑战。我们创建了一个校准的性别特异性模型群体，以模拟药物对动作电位（AP）和钙瞬变（CT）的影响。通过从这些模拟中提取生物标志物，我们训练了机器学习分类器以预测真正的III类抗心律失常药物。我们的研究结果显示，性别特异性分类器在预测药物疗效方面显著优于非性别特异性分类器。我们确定了区分男性和女性对抗心律失常药物（AADs）反应的重要生物标志物。我们的研究突出了计算模型和机器学习在增强药物筛选过程和开发性别特异性治疗策略中的潜力。总体而言，我们的工作为性别因素在药物评估中的作用提供了新的见解，并为更有效和性别特异性的医疗护理铺平了道路。
(全文结束)
