基于深度学习框架的FDA批准药物重定位：靶向VEGFR、FGFR和EGFR的抗血管生成多靶点抑制剂发现

为解决肿瘤血管生成(VEGFR/FGFR/EGFR多靶点)抑制剂的开发难题，研究人员采用创新性深度学习集成策略，通过分类-回归联合模型从2000余种FDA批准药物中筛选出8种潜在多靶点抑制剂和11个新型支架结构。该研究为降低抗癌药物耐药性提供新思路，显著提升药物重定位效率。

　　

肿瘤细胞的存活高度依赖现有血管提供的氧气和营养，尤其在癌症早期阶段。随着肿瘤在血管附近的生长，恶性细胞对营养的需求激增，触发从母体血管萌发新生毛细血管的过程——这一现象被称为血管生成(angiogenesis)。尽管已发现多条相关细胞通路，但采用单一生物分子作为多靶点抑制剂进行调控，将成为减少药物副作用的新策略。

研究聚焦血管生成中三个关键通路：血管内皮生长因子受体(VEGFR)、成纤维细胞生长因子受体(FGFR)和表皮生长因子受体(EGFR)激活的路径。通过构建包含分类与回归模型的集成学习框架，首先为每个靶点建立三种不同的深度自动编码器分类模型。筛选表现最佳的100个模型进行高通量虚拟筛选，并剔除在70%以上模型中概率值＞0.9的分子以确保回归分析准确性。

考虑到药物研发的成功率，研究整合十种回归模型全面评估分子在不同实验体系中的表现。最终鉴定出8种具有临床应用潜力的已批准药物和11个结构多样的分子支架，这些化合物可同时靶向VEGFR、FGFR和EGFR三大受体。这种多靶点同步干预策略不仅能提高治疗成功率，更能有效降低肿瘤细胞对单一靶点抑制剂产生耐药性的风险。