DeepTarget：整合药物与基因筛选数据预测小分子抗癌作用机制的计算新工具

《npj Precision Oncology》：DeepTarget predicts anti-cancer mechanisms of action of small molecules by integrating drug and genetic screens

本研究针对抗癌药物作用机制(MOA)鉴定难题，开发了DeepTarget计算工具，通过整合大规模药物敏感性筛查、CRISPR-Cas9基因敲除筛选和组学数据，成功预测了小分子药物的主要靶点、突变特异性和次级作用机制。实验验证表明该工具能准确预测伊布替尼在BTK阴性实体瘤中通过T790M突变EGFR发挥作用的次级机制，以及抗疟药乙胺嘧啶通过抑制线粒体氧化磷酸化(OXPHOS)通路发挥抗癌活性的新机制。该研究为加速肿瘤药物开发和重定位提供了重要计算资源。

　　

在精准肿瘤学时代，了解药物如何杀死癌细胞至关重要。药物作用机制(MOA)的阐明不仅能指导生物标志物发现和适应症选择，还能为药物组合策略提供理论基础。然而，系统性地识别药物MOA仍然面临巨大挑战，因为药物通常在不同细胞环境中以不同亲和力作用于多个靶点。传统的结构预测方法如AlphaFold3、RosettaFold All-Atom和Chai-1虽然在预测蛋白质-小分子结合亲和力方面取得了进展，但这些基于静态结构的测试基准缺乏相互作用动力学和药代动力学信息，且化学空间覆盖有限。

面对这一挑战，研究人员在《npj Precision Oncology》上发表了题为"DeepTarget predicts anti-cancer mechanisms of action of small molecules by integrating drug and genetic screens"的研究论文，开发了一种名为DeepTarget的计算工具。该工具的创新之处在于跳出了传统结构预测的框架，通过整合大规模药物敏感性筛查、遗传敲除筛选和组学数据，直接从功能层面预测驱动药物抗癌活性的机制。

为开展此项研究，团队收集了DepMap数据库中的PRISM药物筛查数据（1450种药物在371种癌细胞系中的活性数据）和全基因组CRISPR-Cas9敲除存活谱（约17,000个基因），以及相应的基因表达和突变数据。DeepTarget的核心技术方法包括三个关键步骤：基于药物-基因敲除相似性(DKS)评分的主要靶点预测；基于初级靶点低表达环境的次级靶点识别；以及通过比较不同遗传背景下药物-靶点关系的突变特异性预测。研究团队还精心策划了八个高质量标准数据集（包括COSMIC耐药性、oncoKB、FDA批准等来源的466个药物-靶点对）用于方法验证。

研究团队通过精心设计的计算框架和实验验证，系统评估了DeepTarget的性能，并应用于实际药物机制发现场景。

主要靶点预测性能卓越

在八个高质量标准数据集上的测试表明，DeepTarget在预测药物靶点方面显著优于当前主流工具。DeepTarget在所有数据集中的平均AUC（曲线下面积）达到0.73，而RosettaFold和Chai-1分别仅为0.58和0.53。特别是在临床相关数据集如oncoKB耐药性数据中，DeepTarget的AUC高达0.96，显示出强大的临床转化潜力。

研究人员通过设定DKS评分阈值>0.23来平衡精确度和召回率，最大限度地减少药物发现中代价高昂的实验假阳性。使用这一阈值，DeepTarget成功地为研究中的27%药物（1450种中的386种）预测了至少一个靶点。当将靶点搜索空间限制到相关蛋白类别（如激酶抑制剂只搜索激酶）时，DeepTarget在保持AUC为0.82的同时，将激酶抑制剂的假阳性率从13%显著降低至0.003%。

次级靶点识别揭示背景特异性机制

DeepTarget的第二个创新点是能够识别药物在初级靶点缺失或无效时的次级作用机制。研究人员以伊布替尼为例验证了这一能力。伊布替尼是FDA批准用于血液恶性肿瘤的Bruton酪氨酸激酶(BTK)抑制剂，但在BTK不表达的实体瘤中也显示疗效。DeepTarget预测并实验证实，在BTK低表达的细胞系中，EGFR是伊布替尼的次级靶点。

实验验证显示，携带致癌性EGFR T790M突变的MCF10A细胞对伊布替尼的敏感性显著高于表达野生型EGFR的细胞，IC₅₀值分别为0.3421μM和1.488μM（p=0.041）。而对照药物MG132在两种细胞系中没有显示差异性敏感性，证实了伊布替尼对EGFR作用的特异性。

系统分析表明，75%药物的初级靶点对药效的贡献（DKS评分）在初级靶点低表达的细胞系中下降，表明当初级靶点缺失时，替代（次级）靶点驱动药效。在包含64种具有多个明确靶点药物的标准数据集中，DeepTarget识别这些次级靶点的AUC达到0.92，显著优于基于所有细胞系的预测（AUC 0.85）。以帕博西尼为例，DeepTarget正确识别出其在CDK6高表达细胞系中靶向CDK6，而在CDK6低表达时靶向CDK4。

突变特异性预测指导精准用药

DeepTarget的第三步是识别药物对靶点蛋白野生型与突变形式的特异性。以达拉非尼为例，这种典型的BRAF V600E突变抑制剂仅在V600E突变细胞系中其反应与BRAF敲除相关，DeepTarget正确识别其为V600E突变特异性抑制剂。

研究人员计算了DepMap中1450种药物的突变特异性，并在两个标准数据集上验证了该方法的性能：已知突变特异性药物（SelleckChem）和具有引起临床耐药的突变的野生型特异性药物（oncoKB，N=16）。DeepTarget正确分类已知突变抑制剂和野生型抑制剂，平均AUC为0.78。此外，研究还发现，已批准和临床进展较远的BRAF抑制剂比未达到这些阶段的抑制剂对BRAF V600E突变更具特异性。

抗疟药物抗癌机制的新发现

研究人员应用DeepTarget预测抗疟药乙胺嘧啶的抗癌靶点，发现其抗癌活性可能源于抑制线粒体氧化磷酸化(OXPHOS)系统。为验证这一预测，团队在U937白血病细胞中进行了全基因组化学基因组学筛选。

实验结果强烈证实了OXPHOS系统是乙胺嘧啶作用的主要通路，电子传递链（GSEA P=1×10^-15）、复合物I（P=5×10^-15）和复合物IV（P=5×10^-9）显著富集。值得注意的是，DeepTarget从8000个测试通路中正确识别出化学基因组学筛选中的顶级通路，置信度评分是其他通路的20倍以上。这一发现与先前观察到的儿科AML细胞用阿托伐醌（另一种OXPHOS抑制剂）治疗后耗氧率降低的结果一致，进一步支持了OXPHOS抑制在乙胺嘧啶抗癌作用中的作用。

靶点特异性与临床成功的关联

研究人员假设更具靶点特异性的药物在临床试验中进展的机会更高。他们使用DeepTarget的DKS评分作为药物-靶点特异性的度量，发现DKS评分与临床进展阶段之间存在显著正相关（Pearson's Rho=0.39，P=7.53×10^-10）。针对EGFR靶向药物的分析显示，FDA批准的EGFR抑制剂的DKS评分显著高于临床前抑制剂（p<0.004）。

在13个靶点中的11个中，临床进展随着DKS评分的增加而增加，如MAP2K1（Pearson's Rho=0.47）和MET（Pearson's Rho=0.38）。这些发现首先确立了药物靶点特异性在临床试验药物成功中的重要性，其次证明了DeepTarget在评估这方面的潜在效用。

应用于FDA批准药物和天然产物

研究人员还将DeepTarget应用于PRISM筛查中包含的140种FDA批准的癌症药物。分析发现，50%的情况下，已知靶点在基因组范围测试中排名第一，显著高于筛查中所有靶向药物（包括非癌症药物）中已知靶点排名第一的比例（30%）。此外，批准靶向治疗药物的已知靶点在DeepTarget预测中的富集程度显著高于化疗药物和非癌症药物。

值得注意的是，DeepTarget的优势在于其不依赖化合物结构预测MOA的能力，使其成为分析具有未知生物活性成分的天然产物提取物的理想工具。研究人员将其应用于33,000个NCI提取物的未发表数据集，这些提取物在NCI-60细胞系中进行了活性筛选，其中40个细胞系有匹配的CRISPR敲除谱。通过将天然产物提取物和具有已知MOA的小分子的DKS评分投影到相同的潜在空间中，研究人员成功识别了与五个高置信度MOA聚集的天然产物。

研究结论与意义

DeepTarget通过整合癌症细胞中的大规模遗传和药物筛选，提供了一种补充结构基方法的新策略。与AlphaFold3、RosettaFold和Chai-1等近期结构基方法不同，DeepTarget不依赖药物结构信息，而是利用功能基因组数据捕捉活细胞中驱动药效的直接和间接机制。

该研究通过八个高质量标准数据集的基准测试证明了DeepTarget的卓越性能，特别是在临床衍生数据中表现优异。两个前瞻性案例研究进一步验证了DeepTarget在药物重定位新颖MOA发现和临床相关次级靶点识别方面的实用性。

DeepTarget的当前版本已作为开源工具提供（https://github.com/CBIIT-CGBB/DeepTarget），并预测了1,500种癌症相关药物和33,000个未发表的天然产物提取物的靶点谱。这一资源预计将显著加速肿瘤学领域的药物开发和重定位努力。

尽管DeepTarget在激酶抑制剂预测方面表现优异，但对GPCRs、核受体和离子通道等靶点类别的预测准确性仍需进一步提高。此外，对癌细胞活性的关注限制了对其他细胞类型靶点的见解以及非活性相关作用机制的了解。未来整合更多数据类型，特别是代谢组学和蛋白质组学数据，可能会提高预测准确性，提供对药物机制更全面的理解。

总的来说，DeepTarget代表了计算药物靶点发现领域的重要进展，通过提供与结构基方法互补的策略并在临床相关场景中展示卓越性能，有潜力显著影响肿瘤领域的药物开发、重定位努力和个性化医疗。