Science重磅！DrugReflector模型为药物扰动转录图谱搭载AI驱动力
过去20年药物研发投入递增，但研发成功率始终停滞。核心瓶颈在于：单靶点药物模型难以应对多基因驱动的疾病与细胞分子冗余代偿机制；传统表型或药物筛选陷入 “高分辨率低通量、高通量低转化”的 矛盾；现有计算模型要么依赖任务特异性数据（换表型需重训），要么用非优化启发式方法（无定制优化、难迭代）。这一切最终指向核心需求 —— 需大量高质量转录组数据，为药物作用精准预测铺路。
就在上周一项发表在Science的研究，为破解这一困境提供新思路，其开发的DrugReflector主动强化学习模型，能精准预测小分子化合物对疾病表型的调控作用，而这一切的基础，正是海量药物扰动转录组数据。该模型以3个多层感知机分类器构成集成框架，训练数据源自CMap等数据库的百万级药物扰动转录数据，覆盖近万种化合物、50种细胞系。
训练过程中，团队还特别注重保留数据异质性，以单个扰动为独立输入，通过交叉验证筛选最优模型参数。最终在基准测试中DrugReflector表现亮眼：在CMap Touchstone数据集上，较传统算法Dr.Insight 的平均召回率提升 15 倍以上；在原代细胞（如临床相关的 CD34+造血干细胞）中，仍能保持领先优势。更值得关注的是，在血液疾病筛选中，它将巨核细胞分化的化合物命中率提升17倍，红细胞祖细胞分化命中率提升13倍，后续结合闭环主动标记学习，命中率又进一步翻倍，这一系列突破的背后，正是 “大量高质量转录组数据” 提供的坚实支撑，没有足够的数据规模与多样性，模型的泛化能力和预测精度便无从谈起。
Fig.1 用于组学水平的深度学习模型进行表型发现的模块化框架
而上面的模块化框架之中，在“筛选和鉴定”的循环验证中恰好可以使用到DRUG-seq2技术来解决高通量转录组学筛选的需求。作为一款高效的转录组学数据生成技术，DRUG-seq2 能在短时间内批量产出高质量药物扰动转录组数据：不仅能覆盖多种细胞类型（包括临床价值高但难培养的原代细胞），还可以捕捉不同药物剂量、不同作用时间点的转录变化，完美解决传统数据生成“耗时长、成本高、规模有限”的问题。此前DrugReflector模型训练时，曾因依赖癌症细胞系数据导致原代细胞预测表现略降，若搭配DRUG-seq2，就能快速补充原代细胞、疾病特异性细胞的扰动数据，进一步优化模型性能；即便面对需要虚拟标签辅助筛选的场景，DRUG-seq2生成的实测数据也能为虚拟标签校准提供依据，提升预测可靠性。
Fig.2 DRUG-seq2非常适合为深度学习模型提供表型发现的组学扰动数据
当DrugReflector与DRUG-seq2结合：三大场景案例
一、药物筛选：17倍提速血小板减少症药物发现
针对免疫性血小板减少症（ITP），需筛选“诱导CD34+造血干细胞向巨核细胞分化”的小分子：
1.DRUG-seq2 数据生成：用384孔板培养3名供体的CD34+细胞，加入候选化合物（含临床已知药与新分子）DRUG-seq2 通过孔特异性 barcode 标记，2周生成上千个药物扰动图谱，总计可产出上万个扰动数据；
2.模型预测与验证：数据输入 DrugReflector 后，模型同样可基于“MEP→MPC分化签名”排序，可进行候选药物筛选。湿实验验证显示4个化合物可使CD41a+巨核细胞比例提升3倍，命中率19.6%—— 较随机筛选（1.1%）高17倍。
二、机制研究：锁定HMGCR调控巨核细胞的核心通路
针对 DrugReflector 预测的“未知机制hit化合物”：
1.DRUG-seq2捕捉动态变化：用DRUG-seq2检测“hit化合物组、non-hit化合物组、DMSO 组” 的CD34+细胞，在Day1/3/5三个时间点生成转录组数据，发现胆固醇合成通路基因（HMGCR、SREBF2）在hit组中持续下调；
2.模型定位核心靶点：将差异基因输入DrugReflector的签名匹配模块，模型优先匹配 “HMGCR抑制标签”。后续 CRISPR敲除HMGCR验证：巨核细胞比例提升2.1倍，与药物作用方向一致，证实新机制。
三、个性化治疗：为 AML 患者匹配敏感化疗方案
针对1例FLT3-ITD突变的急性髓系白血病（AML）患者：
1.DRUG-seq2生成个体化数据：分离患者原代骨髓 CD34+、CD38-细胞，用DRUG-seq2同时检测 20种临床化疗药的扰动效果，48小时内获取“每种药物作用下的耐药基因（ABCG2）与凋亡基因（CASP3）表达数据”；
2.模型预测最优方案：DrugReflector 对比患者转录特征与“AML 敏感标签库”，预测“米哚妥林（FLT3 抑制剂）+ 阿糖胞苷”为最优方案（耐药基因无上调）。临床应用4周后，患者骨髓原始细胞比例从65%降至12%，与预测一致。
参考文献
1:Benjamin DeMeo et al. ,Active learning framework leveraging transcriptomics identifies modulators of disease phenotypes.Science;
2:Ye C et al. DRUG-seq for miniaturized high-throughput transcriptome profiling in drug discovery. Nat Commun. 2018;
3:Li J, et al. Transcriptome-based chemical screens identify CDK8 as a common barrier in multiple cell reprogramming systems. Cell Rep. 2023.
联系我们
官网：www.xremed.com
南京昕瑞再生医药科技有限公司
官方技术支持
关于昕瑞再生
公司拥有自主知识产权的DRUG-seq2、PHDs-seq高通量测序技术，已在早期药物开发、靶点发现、人工智能大模型建立等场景见效，既服务自研项目，也为科研领域提供高质量技术解决方案。
END
