Engineering：院士之声-中药创新药物发现的高效范式：表型 - 靶点偶联筛选的技术融合与实践应用

各位热爱科研的小伙伴们，今天为大家介绍的是2025年发表在Engineering 杂志上的重磅研究。该文章由2025新晋院士高月团队完成，题为 'Phenotype–Target Coupled Drug Screening: A High-Efficiency Framework for Innovative Drug Discovery from CHMs' 。中药作为新药研发的重要灵感来源，虽孕育了青蒿素等里程碑式药物，但因化学成分复杂、作用机制不明等问题，其创新转化面临巨大挑战。现有靶点导向药物发现（TDD）模式难以适配中药特性，而表型 - 靶点偶联药物筛选（PTDS）框架通过整合表型药物发现（PDD）与 TDD 的核心优势，为中药创新药物研发提供了高效解决方案。该框架借助人工智能、生命多组学、微生理模型等先进技术，通过动态校正失调分子网络筛选、AI 驱动细胞绘画、模拟类器官系统筛选及关键靶点导向再发现的分步流程，实现了从分子到器官层面的多维度表型与靶点联动分析，既突破了中药 “黑箱” 效应，又提升了药物发现的精准性与效率。尽管当前 PTDS 在多模态数据整合、AI 模型可解释性、类器官血管化及动态时空对齐等方面仍存在技术瓶颈，但随着相关技术的持续突破，其有望成为资源高效、低失败风险的中药创新药物发现新范式，推动更多中药来源的候选药物走向临床应用。

文章概况

主要内容

1. 表型 - 靶点偶联药物筛选（PTDS）：一种从中药中发现创新药物的战略框架

表型药物发现（PDD）方法通过将筛选锚定在特定特征状态或症状变化上来识别药物，历史上曾是药物研发中经验性的主要手段。大多数 FDA 批准的首创药物都是通过这种不依赖靶点的方法发现的，这也推动了该方法自 2011 年以来的复兴 [3]。由于中药通过多成分、多靶点、多途径的整合调控发挥治疗作用，一种以表型结果为核心的药物筛选方法（如 PDD）—— 作为一种端到端的方法，能够跨越复杂的化学混合物和不明确的作用机制 —— 似乎特别适合从中药中发现新药。但这并不意味着在中药新药研发中应完全摒弃 TDD。通过对不同层级（从分子、细胞到组织和整体 organism）的表型反应进行逐步筛选和评估，研究人员可以快速定位活性单一化合物或化合物组。此外，这种分层方法能为深入解读药理机制提供关键线索，最终高效识别疗效背后的关键分子靶点，并进一步通过 TDD 方法促进药物再发现。同时，通过靶点去卷积鉴定的化合物，可通过多层次、逐步的表型筛选进行系统验证和优先级排序，显著提高 TDD 的成功率。显然，采用渐进式、宏观 / 微观整合评估的 PTDS 策略，为基于中药的创新药物发现开辟了一条新途径。

2. 先进技术助力高通量 PTDS 范式的新型架构

值得注意的是，人工智能、生命多组学和微生理模型的进步，使 PTDS 策略能够克服关键技术瓶颈，包括疾病特征网络的全景分析、中药（尤其是复方）在靶器官的成分全面表征以及微观表型特征的精准识别。在这些新方法的支持下，PTDS 不断完善和迭代优化，建立了资源高效、高产的中药创新药物发现流程（图 1）。

2.1 基于动态校正失调分子网络的药物筛选

鉴于疾病发病机制的时空复杂性，纵向多组学整合分析推动了研究范式的转变 —— 从在孤立时间点或组学层面识别静态分子靶点，转向绘制连接宏观和微观表型的多维失调分子网络（如基因 - 蛋白质 - 代谢 - 微生物组相互作用网络）。代表性的整合策略包括矩阵分解方法（如非负矩阵分解）、贝叶斯网络推断和相似性网络融合（SNF），这些方法能够识别不同组学层面的一致性分子模块 [4]。此外，动态网络标志物（DNB）算法 —— 如 DNB 理论、时间序列网络熵分析和差异共表达的时间聚类 —— 能够实时监测特定表型相关分子网络的时空轨迹，并预测从正常状态到疾病状态的关键转变 [5]。同时，许多计算机模拟的药物 - 靶点相互作用（DTI）预测方法，尤其是人工智能驱动的计算算法，有助于预测中药来源化合物与分子网络中靶点的相互作用及结合亲和力，并最终通过网络校正潜力（驱动特征分子网络轨迹从病理状态恢复到正常状态）实现对中药疗效的定性和定量评估。此外，这种基于网络的虚拟药物筛选策略还能为候选中药的重要活性成分和分子靶点提供初步信息。关键的是，用于 DTI 预测的化合物必须是候选中药中能够到达靶器官 / 组织并发挥治疗作用的生物活性部分（即靶点部位的生物活性成分）。

基于高分辨率质谱（MS）的中药代谢组学和人工智能算法的进步，现已能够实现靶部位中药成分的全面表征。具体而言，通常使用多种基于质谱的仪器（如气相色谱 - 串联质谱（GC-MS/MS）、液相色谱 - 串联质谱（LC-MS/MS）和液相色谱 - 电喷雾电离（ESI）- 离子迁移（IM）- 质谱），直接深入表征中药原料的碎片离子及其在靶组织中存在的生物活性成分（包括吸收的原型化合物和相关代谢物），而无需考虑复杂的体内代谢过程。接下来，利用源自参考化合物库、计算机模拟预测的代谢物和基于化学特征的假分子离子构建定制化质谱化合物数据库，以提高中药靶向成分的识别效率 [6]。此外，某些中药中已知能到达靶器官的生物活性成分，可在现有研究或专业数据库（如中药入血成分及代谢物数据库（DCABM-TCM）[7]）中查询。再者，空间分辨质谱成像技术已成为可视化中药活性成分组织分布的有力工具，从而避免了血液中循环的中药相关化合物的干扰。这些互补方法共同构成了一种可行策略，能够快速、全面地表征有效到达靶部位的中药活性部分。

2.2 基于人工智能驱动细胞绘画的药物发现

细胞绘画最初是一种定量形态表征方法，结合了多通道荧光染色和高内涵显微成像技术。该方法通常使用 6 种染料对 8 种细胞结构进行表征，以捕捉整体细胞结构，包括细胞核、细胞质特征和细胞骨架组织。随着荧光团设计、光学成像系统和高通量自动化液体处理技术的发展，细胞绘画已超越细胞形态学范畴，能够对亚细胞过程进行定量表征 [8]。这一进展使得关键亚细胞生物学事件（如线粒体膜电位动态变化、内质网应激反应和 DNA 损伤机制）的测量和整合成为多维表型图谱成为可能。人工智能算法（尤其是深度学习和表征学习框架，如卷积神经网络、自监督表征和潜在扩散模型）的不断涌现，能够将高维成像数据压缩为具有机制可解释性的潜在空间。因此，基于细胞 / 亚细胞表型反应的人工智能驱动细胞绘画，对于机制和分子靶点往往不明确的中药新药发现具有关键意义。

特别是，这种 PDD 方法的最新进展已逐步解决了若干关键实际挑战。数据标准化通过相关举措（如形态学表征 - 细胞绘画联合项目（JUMP-CP）联盟）得到显著改善，该联盟推出了定量优化的 “细胞绘画 v3” 协议。此更新标准化了不同实验室的染色、成像和质量控制流程，减少了批次效应，并确保了建模输入的一致性 [9]。大型标注数据集（最著名的是 JUMP-CP 数据集和细胞绘画数据库）的公开发布，增强了可重复性和模型验证能力。这些资源提供了大规模的标准化图像集合和形态学图谱，支持机器学习算法的稳健训练和外部验证 [10]。在可解释性方面，为细胞绘画定制的表征学习技术提高了下游预测任务的特征质量；此外，可解释人工智能（XAI）工具包（如单细胞表型解析和特征 - 功能映射）通过将图像特征与生物学机制关联，增强了可解释性 [11]。这些进展共同支持了药物和遗传扰动诱导的表型结果的定量预测，并在基于图像的 PDD 框架内提供了关于药理和分子机制的可行见解 [12]。

2.3 基于模拟类器官表型系统的组织 / 器官水平药物筛选

与二维细胞培养不同，三维（3D）生理系统（包括类器官、器官芯片和其他三维模型）能够忠实地复制天然组织 / 器官的结构和功能。这些先进模型更准确地再现复杂的生理或病理过程，从而为药物研究提供更高价值的临床前证据 [13]。通过模拟疾病进展中的关键病理生理过程，研究人员开发了通过血 - 气屏障破坏模拟急性肺水肿的三维肺芯片系统，以及通过 β 淀粉样蛋白（Aβ）沉积复制阿尔茨海默病病理的脑区特异性类器官。借助集成微流控技术，这些系统能够对在分子网络和细胞 / 亚细胞水平初步筛选出的中药来源化合物进行疗效评估。这种分层方法显著降低了后续药物研发流程中的失败风险和开发成本。此外，在三维高内涵成像和人工智能的支持下，这种表型筛选方法既保留了类器官固有的生物学复杂性，又维持了高通量平台的实验可控性。然而，批次间变异性是类器官模型的固有挑战。为了减轻其影响并增强模拟类器官表型系统的稳健性，需要实施自动化数字微流控平台，在类器官培养、高通量操作和分析的全过程中采用标准化实验流程和严格的质量控制 [14]。为进一步加强数据共享的可重复性和可靠性，该工作流程应采用完全可追溯性和可发现、可访问、可互操作、可重用（FAIR）原则。

尽管如此，人体的系统复杂性（包括免疫功能、神经内分泌调节和多器官串扰）长期以来难以仅通过类器官或器官芯片复制。因此，在这些模型中显示出疗效的化合物，在后续的体内验证或临床试验中仍可能失败。为了最大限度地提高这些体外替代模型的可靠性，美国国立卫生研究院（NIH）正积极推进多器官芯片的互联，以创建用于模拟药物代谢（如吸收、分布、代谢、排泄和毒性（ADMET））过程的 “人体芯片” 系统 [15]。值得注意的是，目前已构建了多达 18 个通过血管网络连接的器官微生理系统，能够更准确地模拟人体的生理复杂性 [16]。此外，类器官技术与器官芯片平台的整合，催生了 “类器官芯片” 系统，能够在更高的组织水平上模拟生理性多器官相互作用 [14]。因此，这些微工程化多器官和 / 或多类器官系统，尽管目前仍无法完全模拟人体复杂的生理环境，但可作为重要的创新临床前模型，显著提高中药候选药物体外疗效和安全性评估的效率和预测准确性。

2.4 基于关键靶点的药物再发现

一旦通过多层次表型筛选确定了有前景的化合物或组合用于后续体内评估，就可以利用其分子靶点对中药或天然产物来源的化合物库进行额外的高通量虚拟筛选。将这种靶点导向方法与上述逐步表型筛选相结合，能够发现更多候选化合物。准确识别药物靶点是该方法的前提。如前所述，筛选过程可为靶点识别提供初步线索。但精确的靶点确定通常需要亲和色谱（如细胞膜色谱（CMC）和细胞膜亲和色谱（CMAC））和亲和质谱（如有限蛋白水解（LiP）- 质谱和药物亲和响应靶点稳定性（DARTS））等技术 [17]。结构生物学技术可用于解析新靶点的空间结构，并表征其与化合物的结合相互作用。在靶点识别和人工智能辅助筛选靶点特异性化合物后，仍需对药物 - 靶点结合进行实验验证。由于传统配体垂钓技术（如表面等离子体共振（SPR）和核磁共振（NMR））受通量和成本限制，不太适合高效的药物重定位，因此也可利用药物 - 靶点结合过程中产生的生物表型开发高通量药物筛选方法。例如，已通过高通量筛选检测化合物与激酶结合产生的荧光变化，以验证抑制剂 [18]。

目前，PTDS 框架的实施仍面临一些困境。首先，多模态数据类型（如组学数据、高维成像和类器官模型）固有的异质性，使得利用现有人工智能工具难以实现多模态数据的无缝整合（如将组学网络模块与细胞绘画表型或三维模型功能关联）。开发能够同时处理多种数据类型的新型人工智能算法，对于弥合多模态数据整合的差距至关重要。其次，尽管人工智能驱动了该工作流程的关键步骤（如 DTI 预测和成像特征压缩），但即使应用了 XAI 工具包，可解释性和验证方面的瓶颈仍然存在。例如，将人工智能衍生的潜在空间特征与具体生物学机制关联仍不够精确。此外，用于中药 DTI 预测的人工智能模型依赖有限的高质量靶点部位成分分析，这限制了其通用性。第三，类器官和类器官芯片现已提供了复杂的替代多器官相互作用模型，但通常受限于血管化不足。与连接的工程化通道不同，功能性微血管网络的存在能够营造更复杂的生理微环境，支持复杂的免疫和代谢过程。这进而显著扩展了类器官的功能能力，使其能够更忠实地模拟人体器官。此外，当前框架主要支持静态多层次数据整合，缺乏动态时空对齐能力。这使得无法同步来自纵向组学、渐进式三维模型和实时成像的时间分辨数据流，而这对于捕捉疾病进展和中药治疗动态的生物学相关性至关重要。为此，要全面理解中药的药物作用，就需要开发先进的工具。

总之，尽管人工智能加速了 TDD 的发展，但 PDD 在基于中药的药物研发中仍具有巨大的未开发价值，因为它通常不用于破解中药或生物体的 “黑箱”。关键的是，PTDS 作为一种整合策略，充分利用了表型筛选原理与 TDD 技术。该策略在发现过程中更注重利用多个层面与疾病相关的表型变化，采用逐步缩小范围的工作流程，甚至可能直接识别中药疗效的化合物基础。此外，PTDS 为后续候选药物的药理机制和靶点研究，以及靶点导向的药物再发现提供了关键信息。重要的是，发现的候选化合物可通过上述高通量 PDD 模型进行有效的初步筛选。近年来，人工智能算法可解释性和类器官模型血管化方面的突破，促进了更客观的表型数据的生成和分析。这些进展显著提高了中药来源潜在药物的识别效率，同时降低了临床前和临床研究阶段的失败风险。因此，PTDS 代表了一种从中药中发现新药的新范式，具有高效和资源消耗少的特点。

小结