综述：转化信息学驱动的神经退行性疾病药物重定位

《Current Neuropharmacology》：Translational Informatics Driven Drug Repositioning for Neurodegenerative Disease

这篇综述系统阐述了如何利用转化信息学（Translational Informatics）和人工智能（AI）技术推进神经退行性疾病（NDs）的药物重定位（Drug Repositioning）研究。通过整合多源生物医学数据，建立药物-靶点-疾病相互作用网络，开发机器学习（ML）、深度学习（DL）和网络药理学等计算模型，为开发经济高效的神经退行性疾病治疗方案提供了新思路。

　　

在人口老龄化加剧的背景下，神经退行性疾病（Neurodegenerative Diseases，NDs）已成为全球公共卫生重大挑战。这类疾病包括阿尔茨海默病（AD）、帕金森病（PD）等，目前尚缺乏根治性治疗手段。传统药物研发周期长、成本高，促使研究者将目光转向药物重定位（Drug Repositioning）——即对已获批药物开发新适应症的策略。

数据资源与标准化

转化信息学为药物重定位研究提供了重要支撑。现有数据库主要涵盖三类信息：药物化学特征（如DrugBank）、靶点相互作用（如STITCH）和疾病相关数据（如DisGeNET）。这些资源通过标准化处理（如统一化合物标识符InChIKey）实现了多源数据整合，为后续建模奠定基础。值得注意的是，神经退行性疾病特有的生物标志物数据库（如AlzPED）为靶点发现提供了独特价值。

计算模型与方法学

当前计算方法主要基于三类相互作用网络：

1. 药物-药物网络：通过相似性分析（如化学结构、副作用谱）预测潜在适应症

2. 药物-靶点网络：结合分子对接（Molecular Docking）和通路分析（Pathway Analysis）

3. 药物-疾病网络：利用多组学数据（基因组、转录组等）建立关联

机器学习（ML）算法中，随机森林（RF）和支持向量机（SVM）常用于处理结构化数据；深度学习（DL）模型如卷积神经网络（CNN）则擅长处理图像化数据（如分子结构图）；网络分析方法（Network-based）能有效揭示药物-疾病模块化关联。

临床应用与展望

在神经退行性疾病领域，已有多个成功案例：

• 糖尿病药物艾塞那肽（Exenatide）在PD治疗中显示神经保护作用

• 抗癌药物尼洛替尼（Nilotinib）被发现可清除AD相关tau蛋白

未来发展方向包括：开发神经退行性疾病特异性算法、整合单细胞测序数据、建立临床前-临床转化研究平台。人工智能（AI）驱动的药物重定位策略，有望将新药研发周期从传统10-15年缩短至2-5年，为患者提供更经济高效的治疗选择。