基于知识图谱AI模型预测与实验验证的系统性发现：帕金森病疾病修饰靶点TPP1的鉴定与机制研究

《Computational and Structural Biotechnology Journal》：Systematic discovery of disease-modifying targets by prediction from knowledge graph-based AI model and experimental validation: Parkinson’s disease case

本研究针对帕金森病(PD)疾病修饰疗法(DMTs)缺乏的临床难题，利用知识图谱AI框架结合子图富集分析，在不依赖疾病特异性训练数据的情况下，成功鉴定出新型DMT靶点TPP1。通过转录组学验证和细胞模型实验，证实TPP1通过调控α-突触核蛋白(α-synuclein)聚集发挥神经保护作用，AlphaFold-Multimer结构模拟进一步揭示其催化三联体与α-synuclein的底物样界面。该研究为PD治疗提供了新靶点，并展示了可解释AI在靶点发现中的转化价值。

　　

随着全球老龄化进程加速，神经退行性疾病已成为严峻的公共卫生挑战。帕金森病作为仅次于阿尔茨海默病的第二常见神经退行性疾病，全球患者人数已超过850万，其发病率在近二十年间几乎翻倍。尽管科研界投入巨大努力，目前仍缺乏能够延缓或阻止疾病进展的疾病修饰疗法，这成为神经科学领域最迫切的未满足临床需求之一。

传统药物发现模式面临耗时久、成本高、成功率低等瓶颈，而人工智能技术为突破这些限制带来了新希望。特别是知识图谱技术，能够整合多源异构生物医学数据，构建复杂的生物关系网络，为可解释的机器学习预测提供支撑。然而，现有知识图谱模型多构建为通用疾病框架，难以直接产生疾病特异性的机制见解。针对这一挑战，Standigm公司的研究团队在《Computational and Structural Biotechnology Journal》发表了一项创新研究，他们开发了一种结合子图层面富集分析的知识图谱AI框架，成功应用于帕金森病靶点发现。

研究团队采用了几项关键技术方法：首先利用Standigm ASK?知识图谱靶点发现平台，整合30余个生物医学数据库构建统一知识图谱，通过路径提取和注意力机制计算疾病-靶点关联度；其次建立子图层面过表达分析(ORA)方法，基于专家筛选的14个PD相关基因集进行富集分析；同时结合人黑质单核RNA测序(snRNA-seq)数据和激光捕获显微切割获得的神经黑色素阳性多巴胺能神经元RNA-seq数据进行分析；采用α-突触核蛋白预制纤维(PFFs)诱导的SH-SY5Y细胞模型进行功能验证；最后利用AlphaFold-Multimer进行蛋白质结构预测和界面分析。

研究结果方面，通过"帕金森病靶点预测与验证"研究，团队从2527个预测靶点中筛选出74个显著富集靶点，经新颖性过滤后获得5个高新颖性候选靶点。在"细胞类型特异性表达分析"中发现TPP1在PD各类细胞中普遍上调，且在晚期PD患者神经黑色素阳性多巴胺能神经元中表达显著升高。"体外功能验证实验"表明TPP1敲低显著增强α-突触核蛋白聚集，免疫印迹证实不溶性α-突触核蛋白增加。"结构互作预测"显示α-突触核蛋白N端区域与TPP1催化三联体(Ser⁴⁷⁵-Glu²⁷²-Asp³⁶⁰)形成底物样结合模式，最近原子距离仅2.95?。

研究结论与讨论部分指出，TPP1作为一种溶酶体丝氨酸蛋白酶，可能通过直接降解α-突触核蛋白发挥双重作用：既缓解溶酶体功能障碍，又清除异常蛋白聚集。这种作用于汇聚通路的方式，相比针对单一上游靶点的策略可能更具治疗潜力。值得注意的是，TPP1在晚期PD中的上调可能是一种代偿性保护反应，提示在疾病早期增强TPP1活性可能产生最佳治疗效果。该研究不仅发现了PD治疗新靶点，更重要意义在于建立了一套可推广的靶点发现范式——通过子图富集分析将通用知识图谱转化为疾病特异的发现系统，有效解决了通用模型缺乏疾病特异性的问题。

这项研究的创新性体现在多个层面：方法论上，首次将子图层面富集分析应用于知识图谱靶点优先排序；生物学上，发现TPP1在α-突触核蛋白稳态中的新功能；临床转化上，为TPP1激活剂（如处于临床研究的PLX-200）的PD适应症拓展提供理论依据。尽管存在知识图谱数据偏差、验证靶点有限等挑战，但这种可解释AI驱动的研究模式为神经退行性疾病治疗开发开辟了新途径，未来通过整合多组学、时空转录组等动态数据，有望实现更精准的靶点发现。