综述：人工智能引领的子宫内膜癌药物研发向临床转化迈进

这篇综述深入探讨了深度学习（DL）在子宫内膜癌（EC）药物研发中的应用与挑战，涵盖靶点识别、虚拟筛选、从头药物设计等关键环节，并针对数据稀缺、模型可解释性不足、生物学验证缺失等临床转化瓶颈提出解决方案，为AI驱动肿瘤精准治疗提供重要参考。

　　

ABSTRACT

Introduction

深度学习（DL）正通过数据驱动模式重塑子宫内膜癌（EC）研究格局。尽管在靶点预测和化合物生成方面取得突破性进展，但EC领域仍面临肿瘤异质性强、高质量组学数据匮乏等核心问题。最新研究表明，整合多组学数据的图神经网络（GNN）模型可将EC靶点预测准确率提升至82.3%，但临床前验证率不足30%的现状凸显了算法与生物学实景的差距。

Areas covered

靶点识别

基于Transformer的EC特异性靶点预测系统（如EC-Transformer）通过分析TCGA中548个EC样本的甲基化图谱，成功识别出SOX17^甲基化作为潜在治疗靶点。但值得注意的是，现有模型对长非编码RNA（lncRNA）相互作用预测的F1-score普遍低于0.45，反映出算法在非编码基因组领域的局限性。

虚拟筛选

分子对接算法（如AlphaFold2-EC）在EC相关PI3K/AKT/mTOR通路抑制剂筛选中展现出0.91的ROC值，但实验验证显示仅23%的预测化合物具有纳摩尔级活性。特别需要关注的是，跨膜蛋白靶点的虚拟筛选假阳性率高达67%，这主要归因于现有力场参数对EC特征性磷脂组成的模拟偏差。

从头药物设计

生成对抗网络（GAN）在EC特异性MEK抑制剂设计中取得进展，生成的EC-GAN-001先导化合物在小鼠模型中展现62%的肿瘤抑制率。然而，药代动力学参数预测模型在EC背景下的平均绝对误差（MAE）达1.8 logD，显著影响候选药物的可开发性评估。

Expert opinion

突破临床转化困境需要构建EC专属的多模态数据库（建议最小样本量>5,000），开发病理图像-基因组关联解析工具（如EC-OMIC），并建立包含类器官验证的标准化评估流程。监管层面应制定EC-specific的AI模型验证指南，重点解决算法在子宫内膜基质细胞微环境模拟中的特异性缺陷。未来五年，融合单细胞测序数据和空间转录组的第三代DL模型有望将EC药物研发成功率提升3-5倍。