[ZT] Yamanishi教授小组JMC论文：基于生物通路分析
近年来，药物靶向治疗和免疫疗法逐渐成为治疗癌症的新趋势。相较于全新药物分子研发所面临的长周期、大投资和高风险等因素，“老药新用”是一种快速发现药物新疗法的高效策略。目前所发展的可用于“老药新用”预测的计算方法可以分为两类：第一类方法利用机器学习算法根据已知的药物与疾病之间的关联信息建立模型并进行预测。这类方法的主要缺陷是预测结果依赖于已知药物与疾病的关联性。第二类方法不需要预先获得药物与疾病的关联信息，直接从大量生物数据中自动学习药物分子与疾病表型之间的关联并进行预测。
日本九州工业大学的Yamanishi教授团队以药物分子基于通路的基因表达数据为基础，通过学习药物分子与各个细胞通路之间的关联性，进而预测靶向癌症相关通路的药物分子并进行实验验证，实现“老药新用”的目标。该项研究近期发表在美国化学会出版的Journal of Medicinal Chemistry杂志上（J. Med. Chem. 2018, 61, 9583-9595）。
LINCS（全称为Library of Integrated Network-based Cellular Signatures）项目由美国国立卫生研究院发起，多个研究所共同参与，目的在于通过分析化合物干扰后细胞中的基因表达变化来建立基于网络的生物学理解。LINCS数据库中收集了20,413个化合物在72个人源细胞株上的基因表达数据。如此大规模的数据为开发药物新用途的研究提供了丰富的资源。作者对LINCS L1000数据库所提供的药物诱导的基因表达指纹谱进行分析，发展了一种基于通路的分析方法来预测靶向癌症相关通路的药物分子。分析流程可分为两步（如图-1所示）：第一步确定激活和和去激活通路，将上调基因和下调基因映射到生物通路图中并对其进行富集分析；第二步根据通路富集分析的结果预测化合物成为抗癌药物的可能性，采用PAD得分表征。
图-1基于通路的药物靶标预测方法
图-2 已知抗癌药物与非抗癌药物的PAD得分分布情况。横坐标为PAD得分区间，纵坐标为对应PAD得分区间内药物的相对出现频率。
在该项研究中，作者主要关注三个与癌症相关的通路：细胞周期通路、p53信号转导通路和细胞凋亡通路。作者对上述三个癌症相关通路加入药物后的基因表达谱进行富集分析，计算1112个药物分子的PAD得分，预测它们成为抗癌药物的可能性。图-2比较了83个已知抗癌药物与1029个非抗癌药物的PAD得分分布情况。经Wilconxon排序检验，已知抗癌药物出现在高PAD得分区间的可能性显著高于非抗癌药物。这表明可以采用PAD得分来预测药物是否能够调节癌症相关的通路。但是，作者也发现仍然有部分非抗癌药物具有较高的PAD得分，这意味着它们可能具有已知抗癌药物类似的功能。为了验证这些预测结果，作者从中挑选了15个非抗癌药物，分别在四种癌细胞株（分别为A549，Caco-2，AsPC-1和PC-3）和正常细胞株Het-1A上进行细胞活力检测，细胞毒性检测和细胞凋亡检测。PAD得分排名前五的药物中，有4个药物在所有细胞株上显示出对细胞活力的抑制作用，3个药物表现出对部分细胞株的毒性和诱导细胞凋亡。而其他得分较低的10个药物基本没有表现出细胞毒性和对细胞凋亡的诱导。这些结果表明可以基于PAD得分来预测药物分子的抗癌效果。
作者以83个已知抗癌药物作为标准集，1029个非抗癌药作为候选药物集（可视作decoy），设计了一个统计已知抗癌药物自排名的实验来评价他们所发展的基于通路的预测方法。具体策略是：从标准集中选择一个已知抗癌药物作为测试药物，与1029个非抗癌药物组成一个集合，计算这些药物的PAD得分并获得测试药物在该集合中的排名；同样地，以一个已知抗癌药物作为查询结构（另外指定），分别计算它与集合中1030个药物的基因谱图之间的相似度并获得测试药物的排名。循环计算获得83个已知抗癌药物的自排名。图-3显示了已知抗癌药物在两种预测方法下获得的自排名分布以及箱线图分析结果。经Wilcoxon排序检验，基于通路的分析方法相对于基于基因谱图相似性搜索的基准方法能够更精确地预测已知药物的抗癌效果。
图-3 抗癌药物的自排名评价结果。a，基于基因表达谱相似性搜索的方法（对照）；b，基于通路分析的方法；c，两种方法获得自排名的箱线图分析结果。
Yamanishi教授团队以LINCS数据库提供的药物诱导的基因表达数据为基础，对癌症相关通路进行富集分析，用于预测已知药物的抗癌效果并对部分预测结果进行了实验验证。他们发展的基于通路的分析方法在“老药新用”应用方面表现出了巨大的潜力。
参考文献：Iwata, M.; Hirose, L.; Kohara, H.; Liao, J.; Sawada, R.; Akiyoshi, S.; Tani, K.; Yamanishi, Y. Pathway-Based Drug Repositioning for Cancers: Computational Prediction and Experimental Validation. J. Med. Chem. 2018, 61, 9583-9595. DOI: 10.1021/acs.jmedchem.8b01044
了解最新计算进展, 请关注公众号
