综述：药物重定位的计算方法

《Current Drug Research Reviews》：Repositioning Drugs: A Computational Approach

本综述系统阐述了计算药物重定位（computational drug repositioning）作为创新药物研发策略的核心价值，重点分析了基于靶点（target-based）、基因表达（gene-expression-based）、表型组（phenome-based）及多组学（multi-omics-based）等主流计算方法，并探讨了数据噪声、阴性样本选择等关键挑战与发展前景。

　　

摘要

计算药物重定位已成为发现现有药物新适应症的一种高效方法，与传统药物发现方法相比，具有更低的风险和成本。目前已经开发出多种计算方法，包括基于靶点、基于基因表达、基于表型组以及基于多组学的方法。最新进展利用了多样化的数据源，例如生物医学数据库和在线健康相关信息。结合药物结构和靶点信息的技术在预测新药适应症方面显示出可喜的成果。尽管取得了重大进展，但仍存在一些挑战，包括数据降噪、方法集成、阴性样本选择和数据稀疏性。总体而言，计算药物重定位在药物发现和开发中仍然是一种有价值的工具。

引言

药物发现过程通常耗时漫长且成本高昂，计算药物重定位（computational drug repositioning）提供了一条颇具吸引力的替代途径。该方法旨在为已获批或处于研发阶段的药物寻找新的治疗适应症，从而显著缩短研发周期并降低失败风险。其核心优势在于充分利用了现有药物已知的药理学、安全性及药代动力学数据。

主要计算方法

当前的计算方法主要基于不同的生物医学数据维度。基于靶点的方法（target-based approaches）侧重于分析药物与蛋白质靶点（如受体、酶）的相互作用网络，通过分子对接或网络药理学预测潜在的新关联。基于基因表达的方法（gene-expression-based methods），例如利用基因表达谱（gene expression profiles）进行相似性比较（如Connectivity Map），通过分析药物处理细胞后引起的转录组变化来推断其作用机制和潜在新用途。基于表型组的方法（phenome-based approaches）则从临床表型或副作用数据入手，寻找表型相似性背后的共同通路或靶点。近年来，多组学整合方法（multi-omics-based methods）日益受到重视，它协同分析基因组学（genomics）、转录组学（transcriptomics）、蛋白质组学（proteomics）等多层次数据，以构建更全面的药物-疾病关联网络。

数据来源与技术进步

方法的进步极大地依赖于日益丰富的生物医学数据。公开数据库如ChEMBL、DrugBank、STITCH等提供了详尽的药物、靶点、相互作用信息。在线健康社区和电子健康记录（EHRs）等真实世界数据也为发现药物新适应症提供了宝贵资源。技术的创新体现在将药物化学结构（通过分子描述符或指纹表示）与其已知的靶点信息相结合，运用机器学习（machine learning）和深度学习（deep learning）模型，显著提升了预测的准确性。

面临的挑战

尽管前景广阔，该领域仍面临若干挑战。数据噪声（data noise）和异质性会影响模型性能，因此有效的数据预处理和降噪技术至关重要。如何将不同方法的预测结果进行有效集成（method ensemble）以获得更稳健的结论是一个研究热点。可靠的阴性样本（即确认无效的药物-疾病对）的缺乏（negative sample selection）给监督学习模型的训练带来困难。此外，许多潜在关联的数据稀疏性（data sparseness）问题也需要通过更先进的算法来克服。

结论与展望

计算药物重定位通过整合多维生物医学数据并运用先进的计算技术，持续为药物研发 pipeline 注入新的活力。未来，随着数据资源的进一步扩充和人工智能算法的不断优化，计算驱动的方法有望在精准医学和个体化治疗中发挥更重要的作用，加速将现有药物转化为新的治疗选择。