综述：探索化学信息学工具对抗前列腺癌：诊断、治疗及机制研究

《In Silico Pharmacology》：Exploring cheminformatics tools to combat prostate cancer: diagnostics, therapeutics, and mechanistic studies

摘要

尽管取得了最新进展，前列腺癌（PCa）仍是全球男性中最普遍的癌症之一，但仍面临诸多挑战，如阻碍及时检测、生物标志物特异性不足，以及因肿瘤异质性和雄激素受体（AR）信号变化而导致的治疗抵抗性发展。在前列腺癌的诊断、治疗及机制研究中，化学信息学和生物信息学工具（如虚拟筛选、分子对接、药效团建模、QSAR 建模、计算药物重定位、分子动力学模拟、网络药理学、多组学分析以及 MRI/放射组学）被视为一个相互关联的整体，其中人工智能/机器学习/深度学习（AI/ML/DL）作为通用的分析层。为了区分临床实用的诊断方法和发现阶段的计算方法，本文提出了一种比较评估方法，根据以下标准对每种方法进行评估：临床成熟度、预测价值、验证要求以及临床转化能力。除了文中唯一提到的经过临床验证的模式 MRI 之外，其他虚拟筛选、对接、QSAR 和网络药理学技术主要用于发现和临床前应用，必须在通过实验和前瞻性临床研究进一步验证后，才能转化为临床使用。尽管多组学和网络药理学方法被用于深入了解耐药途径的机制，但基于化学信息学的策略有助于识别候选化合物，并针对 AR 和去势抵抗性前列腺癌（CRPC）相关靶点进行药物重定位。除了诊断分类外，目前正在开发的 AI/ML/DL 应用涉及多模态集成、生物标志物发现和患者分层，但在纳入临床实践之前，仍需具备可解释性人工智能以及多队列前瞻性验证。建议建立一条从发现到实验及临床验证的整合计算路径，以促进未来的转化工作。这些计算工具共同显示出提高前列腺癌管理精准度的巨大潜力，但需要对其计算机模拟预测进行适当、有序的实验和临床评估。