Combocat：开源筛选平台集成声波液体处理与机器学习，加速药物组合发现

《Nature Communications》：An open-source screening platform accelerates discovery of drug combinations

本研究针对药物组合筛选通量低、资源消耗大的瓶颈，开发了开源平台Combocat。该平台通过声波液体处理技术实现10×10矩阵的密集剂量组合测试，并创新性地提出“稀疏模式”，仅测量10个对角线剂量点，利用90个XGBoost回归模型组成的集成机器学习算法预测完整剂量反应矩阵，将实验测量量减少90%。研究人员在神经母细胞瘤细胞系CHP-134中完成9,045对组合筛选，验证了ATM抑制剂AZD1390与PARP抑制剂Olaparib/Rucaparib的协同作用。该工作为大规模药物组合筛选提供了可扩展的解决方案，相关协议与模型已开源。

　　

在现代医学中，药物组合疗法是应对复杂疾病（如癌症和感染性疾病）的重要策略。通过联合使用不同机制的药物，有望实现协同效应（Synergy），即联合用药效果超过各药物独立作用之和，从而克服耐药性、降低毒性并提高疗效。然而，药物组合的探索面临巨大挑战：随着候选药物数量增加，可能的组合数量呈指数级增长，传统实验方法难以进行全面筛选。尽管自动化液体处理技术（如声波分配器）能够精确转移纳升级别液体，但缺乏与之整合的分析框架，导致筛选通量受限、剂量密度不足，难以捕捉复杂的剂量反应关系。

为解决这一问题，圣裘德儿童研究医院的William C. Wright等人开发了开源平台Combocat，将声波液体处理协议与机器学习推理相结合，实现了超高通量药物组合筛选。该研究于2025年12月15日发表在《Nature Communications》上，标志着药物组合筛选领域的重要进展。

关键技术方法概述

研究采用两种实验模式：密集模式（Dense Mode）在384孔板中以10×10矩阵测试所有剂量组合，每个组合包含3次重复及单药剂量曲线；稀疏模式（Sparse Mode）在1536孔板中仅测量对角线剂量点（10个剂量对），通过集成机器学习模型（90个XGBoost回归模型）预测完整矩阵。模型训练使用552个密集模式矩阵（198,720个测量值），测试集包含184个矩阵（66,240个测量值）。协同作用通过Bliss独立性模型量化，并引入质量控制流程处理异常数据。筛选涵盖135种小分子药物（包括化疗药物、研究性化合物及神经母细胞瘤选择性药物），在CHP-134细胞系中完成9,045对组合测试。

流线化密集药物组合筛选

Combocat的密集模式通过定制化声波液体处理协议，在384孔板中生成包含3个重复10×10组合矩阵、单药剂量曲线及内部对照的实验设计。分析阶段将原始数据映射至矩阵位置，归一化为细胞死亡率，并使用Bliss模型量化协同作用。该模式成功生成包含806个药物组合的参考数据集（超过290,000个测量值），Z′因子均值达0.747，显示高质量数据。通过质量控制流程（如监测单药标准差、剂量反应残差和单调性），有效识别并排除异常值，确保协同作用计算的准确性。

密集组合参考数据集

应用密集模式生成的参考数据集覆盖多种药物和细胞类型，其中磺胺甲噁唑（Sulfamethoxazole, SMX）与甲氧苄啶（Trimethoprim, TMP）在大肠杆菌中表现出强协同作用，验证了平台可靠性。在神经母细胞瘤细胞中，ATM抑制剂AZD1390与CX-5461的组合也重现了已报道的协同效应，凸显平台捕捉已知协同相互作用的能力。

稀疏模式筛选工作流程

为提升通量，稀疏模式将实验规模缩小至1536孔板，仅测量对角线剂量点（单药和组合各10个剂量），使实验测量量减少90%。通过分离单药和组合板，优化板面使用，单次实验可筛选135种药物的9,045种组合（仅需73块板）。这种设计使超大规模筛选在有限资源下成为可能。

机器学习增强稀疏筛选

研究团队开发了集成机器学习模型，利用密集模式数据训练90个独立XGBoost模型，分别预测稀疏矩阵中90个未测量点的细胞死亡反应。模型在测试集上表现出高预测精度（中位R²=0.945），且预测主要依赖目标点最近的测量值（欧氏距离≤2）。整体预测与观测值高度相关（r=0.98），证明模型能可靠重建完整剂量反应景观。

9,045种组合的应用筛选

在CHP-134细胞中筛选9,045对组合后，通过莫兰指数（Moran’s I, 评估协同作用空间自相关性）、QC标志计数和平均细胞死亡率（≥20%）过滤数据，得到594个高协同组合。对top30组合及10个随机组合的密集模式验证显示，稀疏模式能有效优先协同组合，如AZD1390与PARP抑制剂Olaparib/Rucaparib的组合均显示显著协同，机制上与DNA损伤修复通路互补作用一致。

结论与展望

Combocat通过整合声波分配技术与机器学习，实现了从密集模式的高精度筛选到稀疏模式的超高通量筛选的跨越。平台的开源特性（协议、代码和模型均公开）促进社区协作，未来可通过持续添加数据优化模型预测能力。尽管稀疏模式在迷你化体积下可能引入 potency 偏移，且Bliss模型对相似通路药物可能存在估计偏差，但Combocat为大规模探索药物组合空间提供了可扩展框架，有望加速肿瘤、感染性疾病等领域的联合疗法开发。