来源：MIT News
当前广泛使用的许多药物，包括青霉素，都是通过一种称为表型筛选的过程发现的。在这种方法中，科学家们将药物用于某一问题，例如阻止细菌生长或修复细胞缺陷，然后观察其效果，而不一定首先明确药物的作用机制。也许令人惊讶的是，历史数据显示，这种方法比单纯聚焦于特定分子靶标的研究更有可能找到被批准的药物。
但许多科学家认为，正确设置问题是成功的关键。某些由单一突变引起的微生物感染或遗传疾病更容易设计模型，但像癌症这样复杂的疾病需要复杂的生物模型，而这些模型往往难以创建或获取，最终导致可测试药物数量受限，限制了表型筛选的实用性。
现在，由 MIT 的 Shalek 实验室领导的一个科学团队开发出一种新方法，旨在解决表型筛选规模化应用的难题。该方法允许研究人员一次性将多种药物应用于生物问题，并通过计算方式反向推断每种药物的单独作用效果。例如，当团队将该方法应用于胰腺癌模型和人类免疫细胞时，他们不仅发现了新的生物学洞察，还将成本和样本需求减少了数倍，同时解决了科研中的一些难题。
加州大学旧金山分校药物化学教授 Zev Gartner 表示，这种新方法潜力巨大。“如果有一个显著的表型需要关注，这将是一个非常强大的方法。”Gartner 说。
该研究于 10 月 8 日发表在《自然生物技术》上，由 Ivy Liu、Walaa Kattan、Benjamin Mead、Conner Kummerlowe 和 MIT 医学工程与科学研究所（IMES）及健康创新中心主任、IMES 和化学系的 J.W. Kieckhefer 教授 Alex K. Shalek 领导。研究得到了美国国立卫生研究院和比尔及梅琳达·盖茨基金会的支持。
一种“大胆”的规模化方法
过去十年的技术进步极大地加深了我们对单个细胞内在活动的理解，为更深入的表型筛选奠定了基础。然而，仍然存在许多挑战。
首先，类似类器官和原代组织的生物模型数量有限。此外，单细胞 RNA 测序等最具信息价值的测试成本高昂，耗时且劳动密集。
正因为如此，团队决定测试“大胆甚至疯狂的想法”，Liu 说，她是 MIT 计算与系统生物学项目的博士生。换句话说，他们选择将多种扰动因素——如药物、化学分子或细胞产生的生物化合物——混合在一起，然后尝试解读每种成分的单独作用。
他们首先通过 316 种美国食品药品监督管理局（FDA）批准的药物组合来测试工作流程。“这是个高难度挑战：基本上是最糟糕的情况，”Liu 表示，“每种药物都已知有显著效果，这些信号可能难以区分。”
这些随机组合中每组包含 3 至 80 种药物，并应用于实验室培养的细胞中。团队随后使用线性计算模型来解析每种药物的效果。
实验取得了成功。与传统的单药测试相比，新方法在成本、样本和劳动力方面仅为其一小部分的情况下，成功找出了每组中最强的药物及其各自作用。
实践应用
为了验证该方法在现实健康挑战中的适用性，团队将其应用于两个过去难以用表型筛选技术解决的问题。
第一个测试集中于胰腺导管腺癌（PDAC），这是最致命的癌症类型之一。在 PDAC 中，来自肿瘤周围环境细胞的信号会影响肿瘤的进展和对治疗的反应。因此，团队希望找出其中最重要的信号。
利用新方法并行筛选不同信号，他们发现了几个意想不到的候选因子。“我们绝不会预测到一些结果，”Shalek 说。这些结果包括两个以前被忽视的细胞因子，在公共癌症数据集中，它们甚至可以预测 PDAC 患者的生存结果。
第二个测试涉及 90 种药物对免疫系统功能的调整。药物被应用于含有多种免疫细胞类型的新鲜人类血液细胞中。利用新方法和单细胞 RNA 测序，团队不仅能够测试大量药物，还可以将药物作用分离至每种细胞类型，使团队得以理解每种药物在更复杂的组织中如何发挥作用，从而选择最适合的药物。
“我们可能会说 T 细胞存在缺陷，所以我们要加这种药，但我们很少去考虑，这种药对组织中的其他细胞有什么作用？”Shalek 说。“现在我们有了一个方法可以收集这些信息，从而可以选择药物，最大化靶向效果，最小化副作用。”
这些实验还显示了 Shalek 构建更好工具和数据集的必要性，用于对潜在治疗方案提出假设。“从我们观察到的复杂性和不可预测性来看，很多情况下我们可能并未找到最合适或最有效的药物。”Shalek 说。
降低门槛，改善生活
尽管当前的压缩技术能识别出影响最大的扰动因素，但还不能完全解析每种扰动的效果。因此，团队建议其作为补充以支持进一步筛选。Liu 说，“应当使用传统方法来进一步验证最强的候选。”
然而，新框架显著减少了执行筛选所需的输入样本数量、成本和劳动力。随着门槛的降低，这一进展为不同细胞的复杂反应理解及精准医学的新模型构建带来了激动人心的前景。
Shalek 表示：“这确实是一种令人难以置信的方法，拓宽了我们可以进行的探索范围，帮助我们找到合适的靶点或药物，进而改善患者的生活。”
原文链接：
https://news.mit.edu/2024/new-framework-efficiently-screen-drugs-1017