遗传性共济失调（hereditary ataxia, HA）是一类罕见的神经退行性疾病，其特点是患者队列规模小且药物开发成本高昂，这使得药物重定位（drug repurposing）成为一条务实的研发路径。技术进步正在创造新的机遇，使基于通路合理性的候选药物筛选得以补充以靶点支持及人工智能（AI）提名的具有机制基础的候选药物。此外，数字孪生（digital twin, DT）与虚拟脑（The Virtual Brain）框架在遗传性共济失调中应被视为面向未来的研究工具，用于整合多模态数据、支持患者分层，并在罕见队列中生成可检验的系统层面预测。
药物重定位：原理、分类与优势
药物重定位（drug repurposing），亦称药物再定位或药物拯救，是指为已有药理学化合物（包括已批准药物、临床阶段候选药物，或某些情况下曾被搁置的药物资产）寻找新治疗适应症的过程。该策略正日益作为从头药物开发（de novo drug development）的务实补充手段被采用，后者以高失败率、高度不确定的时间线和高昂成本为特征。根据大规模行业分析，传统药物开发项目从首次人体试验推进至获批的概率约为10%–14%，且在不同适应症和开发情境间存在显著差异。关于新药上市成本的估算因计算方法不同（包括是否将支出资本化）而差异巨大；被广泛引用的资本化数字处于数十亿美元量级，但部分基于公开数据的分析报告的中位资本化投资额较低。同时，从早期研究到获批的总开发时间通常被报告为十年或更长，但这一数字应被视为指示性范围而非固定值。
重定位的主要优势在于利用既往的人体经验和开发知识——包括安全性、药代动力学、制剂/生产工艺以及临床操作经验——从而降低早期不确定性，使资源能够集中于在新适应症中验证疗效。在某些情况下，既往证据可减少重复早期安全性工作的需求；然而，新适应症人群中剂量、给药途径、靶点占据、合并症或长期耐受性方面的差异，仍可能要求补充非临床研究和新的临床试验。已发表的综述经常引用重定位资产具有更短时间线和更低平均投资的结论，通常为数年至约10年以及数亿美元量级；然而，这些数值具有情境依赖性，同样应被解读为指示性范围。
从转化与监管角度看，重定位可利用部分依赖现有证据的路径，同时仍需针对适应症证明获益-风险比。在美国，505(b)(2)监管路径常被视为通过适当的“桥接”策略利用既往发现和公开数据以简化药物开发的途径；而在欧洲，当拟议产品与参照药品存在差异且需要额外证据时，“混合”（hybrid）申请是可能的路径。在罕见病领域，激励框架（如孤儿药相关激励和加速计划）可提高开发可行性，但不能替代充分的临床获益证据。
根据治疗依据的主要来源，药物重定位策略可分为三类操作性类别：经验性或偶然性重定位、基于机制或通路引导的重定位，以及计算或计算机模拟重定位。这些类别旨在提供实用框架，并非互斥。实践中，单一重定位项目可能始于临床观察，得到通路层面生物学的支持，随后纳入计算优先级排序或基于靶点的验证。因此，这些类别用于指示重定位策略的起点，而非在独立方法之间划定刚性边界。经验性方法的典型例证包括西地那非（sildenafil）、沙利度胺（thalidomide）和米诺地尔（minoxidil）的新适应症发现；机制导向方法以全反式维甲酸治疗急性早幼粒细胞白血病、齐多夫定治疗HIV以及塞来昔布治疗家族性腺瘤性息肉病为代表；计算方法则整合分子/临床数据与建模进行候选优先级排序，常见实现方式包括：转录组特征匹配、基于网络的推断，以及基于结构的建模和对接/虚拟筛选（virtual screening, VS）。
尽管具有上述明确优势，重定位仍面临反复出现的障碍。疗效问题仍是失败的首要来源，而为原始适应症优化的药代动力学/药效学特征可能无法确保在新疾病情境中获得足够的暴露量或获益。其他限制因素包括：对于被搁置资产，化合物和历史数据获取受限；对于专利过期药物，知识产权保护和财务激励有限。在罕见病背景下，小队列、表型异质性和终点敏感性等问题可能使试验设计和监管评估复杂化，即使安全性相对明确。
遗传性共济失调中药物重定位的当前临床证据
HA领域的临床研究日益纳入药物重定位策略，注册活动集中于有限数量的复发性亚型。为绘制当前重定位工作图谱，研究者于2025年12月20日以单一检索词“ataxia”检索了ClinicalTrials.gov，共获得475条记录。鉴于注册库中用于索引HA研究的术语具有异质性，所有检索记录均根据注册疾病、干预措施、研究设计和注册描述进行逐一筛选。若记录描述了遗传性或基因定义共济失调中的药理学研究，并评估了重定位药物（定义为既往有人体使用和/或针对HA以外适应症进行临床开发的干预措施），则予以保留。随机和开放标签干预性试验构成核心数据集。此外，一项基于注册库的真实世界证据记录被保留，因其涉及接受重定位药物并以外源性自然史对照组进行比较的患者；该记录在补充表中明确标注为观察性研究。无药理学干预的自然史研究、诊断研究、康复或器械干预、非药理学干预以及不聚焦于遗传性或基因定义共济失调的研究均被排除。
所得数据集显示，大多数临床活动集中于少数亚型，主要为Friedreich共济失调（Friedreich's ataxia, FA），其次为脊髓小脑性共济失调（spinocerebellar ataxia, SCA）、共济失调-毛细血管扩张症（ataxia-telangiectasia, AT），以及程度较轻的脆性X相关震颤/共济失调综合征（fragile X-associated tremor/ataxia syndrome, FXTAS）。在纳入的重定位试验中，FA约占注册条目的一半，这一模式可能既反映了疾病患病率，也反映了指导候选药物选择的相对明确的机制假说（如线粒体功能障碍和氧化应激）的存在。AT是另一常见研究亚型，重定位工作常靶向代谢脆弱性和炎症/氧化通路。相比之下，基因异质性显著的SCA组（包括SCA1、SCA2、SCA3、SCA7和SCA27B）由较少的小型试验和2期研究代表，通常靶向症状控制或兴奋性神经传递调节。FXTAS和其他罕见小脑共济失调形式则由评估神经保护或抗氧化候选药物（如萝卜硫素、胞磷胆碱、美金刚）的孤立探索性试验稀疏代表。
在整个HA谱系中，若干重定位化合物已成为反复出现的候选药物，兼具药理学合理性和转化可行性。最常被研究的药物包括艾地苯醌（idebenone）和vatiquinone（EPI-743/PTC-743），两者均为靶向线粒体氧化还原失衡的醌类衍生物；以及利鲁唑（riluzole）及其前药troriluzole（BHV-4157），从肌萎缩侧索硬化症重定位用于调节小脑兴奋性。其他反复评估的药物包括干扰素-γ-1b、促红细胞生成素和N-乙酰-DL-亮氨酸，以及烟酰胺核糖苷和庚酸等代谢增强剂、白藜芦醇和表儿茶素等抗氧化多酚，以及氧化还原活性肽elamipretide。相比之下，用于SCA27B的fampridine、用于AT的tempol和用于FXTAS的萝卜硫素等化合物，则代表了旨在纠正功能缺陷或氧化失衡的小规模、适应症特异性努力。
当重定位化合物按病理生理机制聚类时，呈现出清晰的模式。抗氧化剂和线粒体调节剂是占主导地位的类别，涵盖艾地苯醌、vatiquinone、白藜芦醇、EGb761、elamipretide和RT001——其中大多数主要在FA中探索。代谢增强剂和NAD?前体（如烟酰胺核糖苷、庚酸、乙酰-DL-亮氨酸和辅酶Q10）代表第二主要轴线，尤其在FA和AT中。离子通道和神经传递调节剂，如利鲁唑衍生物、fampridine、美金刚和巴氯芬，在SCA亚型中占主导，靶向兴奋性毒性和小脑过度兴奋。免疫调节剂和细胞因子疗法（干扰素-γ、IVIG、促红细胞生成素）及抗炎药物（tempol、吡格列酮、甲泼尼龙）主要与AT相关，而TRH类似物和细胞疗法仍处于探索性阶段，聚焦于症状缓解或再生目的。总体而言，当前HA临床重定位格局以通路驱动为主，试验反复聚焦于有限的机制假说——主要是线粒体/氧化还原功能障碍、代谢调节（包括NAD?相关策略）、神经元兴奋性/神经传递和免疫/炎症信号——且活动集中于少数实体，而许多基因定义的共济失调在注册重定位试验中代表性不足或完全缺失。
重定位疗法在遗传性共济失调中的临床命运
总体而言，HA中的重定位努力在进入对照临床评估阶段后显示出显著的衰减率。在FA中，艾地苯醌在3期随机试验中未转化为一致的神经学获益；去铁酮（deferiprone）推进至6个月随机对照试验，但在耐受剂量下未显示明确疗效且存在剂量依赖性耐受性问题。乙酰-DL-亮氨酸尽管受到广泛关注，但在多中心随机交叉试验中未在SARA评分上优于安慰剂。在谷氨酸能调节方面，利鲁唑在异质性HA形式中产生混合结果，而ATRIL研究未在基因确诊的SCA2中显示获益；利鲁唑前药troriluzole推进最远，但于2025年11月收到FDA完整回复函。相比之下，发作性共济失调代表了症状性重定位较为成功的案例，fampridine和乙酰唑胺在交叉试验中显著降低发作频率。较新的候选药物大多停留在试验阶段或因可行性问题受限，证实大多数重定位药物尚未成熟为常规疾病修饰疗法。
然而，这种高衰减率不应被解读为仅由通路中心性重定位的局限性所致。在HA中，阴性或不确定试验更合理地归因于多种疾病和试验相关因素的交互作用，包括样本量小、遗传和表型异质性、入组时疾病阶段差异、进展缓慢、中枢神经系统暴露不确定、药效学或靶点占据证据有限、生物标志物支持的分层不足、终点敏感性以及试验持续时间。这些因素在罕见共济失调中尤为重要，因为具有临床意义的变化可能在常规试验持续时间内无法被检测到，且特定下游通路的相关性可能因基因型或疾病阶段而异。
因此，尽管不应否定通路引导的重定位，但其应用的证据要求需要更明确地界定。当所选干预措施与疾病情境生物学一致、到达相关组织区室、占据预期通路或靶点，并以机制匹配的生物标志物和终点进行评估时，此类策略可能仍具有信息价值。相反，作用于广泛下游过程的药物的阴性试验强调了需要从一般通路合理性转向更具靶点关联性、生物标志物知情和基因型或阶段感知的重定位候选药物优先级排序。
现代药物重定位的技术加速
计算建模和系统生物学的最新进展通过实现计算机模拟候选优先级排序和基于模型的治疗-反应变异性探究，扩展了药物重定位的工具箱。在此背景下，虚拟筛选（VS）可支持大型化合物库的系统分流以供下游实验验证，而数字孪生（DT）导向方法旨在将机制表征与患者层面数据相结合，以探索合理的反应情景和分层策略。机器学习（ML）方法和整合建模可通过改进异质数据集的特征提取和假说生成进一步辅助这些工作流。这些方法通过使假设明确化和可检验化来补充经验性和机制/通路引导的重定位；其转化价值取决于数据质量、模型可信度和前瞻性验证。
从机制类比到靶点精准化：药物重定位的计算演进
计算建模、ML赋能推断和大规模公共生物医学数据集的成熟正逐步将药物重定位从以观察或通路驱动的实践重塑为更系统化、靶点支持的优先级排序工作流，但这并不意味着取代机制导向推理。
在此背景下，计算辅助VS可通过针对已确立相关性的靶点对现有化合物进行优先级排序，使重定位更具靶点驱动性。现代VS方法大致分为基于结构的虚拟筛选（structure-based VS, SBVS）和基于配体的虚拟筛选（ligand-based VS, LBVS）。SBVS利用靶蛋白的三维结构作为模板来预测配体的优先取向和结合倾向，通常依赖分子对接。进行SBVS的主要条件包括：靶点三维结构可获取，且结合位点已定义。历史上，这些条件由利用X射线晶体学、冷冻电镜和NMR等实验技术的结构生物学研究保证，但并非所有靶点都可行。如今，通过同源建模和AI辅助建模进行蛋白质结构计算预测的进展弥补了这一差距，通过实验结构生物学和AlphaFold及AlphaFold蛋白质结构数据库等高精度预测方法/资源改善了对靶点结构的获取。然而，AlphaFold模型应被谨慎评估，因其代表单一、通常未结合构象状态，其逐残基置信度指标不一定反映VS相关准确性。特别是，构成结合位点内衬的柔性环或侧链通常需要进一步计算精修后方可进行对接。在此框架内，分子对接被定义为小分子与大分子之间相互作用的计算建模，以预测结合模式。可考虑不同受体柔性程度的对接方法，最佳柔性程度应在靶点特异性基础上选择，并以构象可塑性证据为指导。对接引擎生成候选姿态和启发式评分，提供按化合物在定义结合位点中的结合倾向进行排序的指标。关键的是，对接评分并非结合亲和力的证据：它们是评分函数输出，可富集活性化合物，但若被天真解读也会产生大量假阳性；严格对照、保守表述和彻底实验验证是强制性的。
相比之下，LBVS基于广泛的技术，包括相似性搜索、化学信息学和基于ML的药物-靶点相互作用（drug-target interaction, DTI）预测。其基本前提是已知活性参考配体的可用性以作为模板。该方法基于相似性原理，即结构相似的分子可能表现出相似的生物学性质。因此，其操作成功高度依赖于从公共数据库中挖掘的生物活性数据的质量和多样性。LBVS在结构不确定性、构象可塑性或多药理学是关键问题时尤其有价值。
除蛋白质结构建模外，AI在锚定于具体VS步骤且输出得到适当评估时才具有科学意义。ML模型可：(1)通过DTI预测预过滤文库；(2)对对接进行重新评分；(3)支持不确定性感知的优先级排序，但前提是避免数据泄漏，并在透明基准和现实训练/测试划分上报告性能。GNINA等深度学习重评分/对接实现以及明确针对泛化性的社区努力，凸显了ML可在哪些方面改进优先级排序而非增加修辞。然而，泛化性对于具有刚性口袋的靶点（如激酶、蛋白酶）可实现，而对于嵌入膜环境或具有状态依赖性构象的靶点（如离子通道和分子伴侣，这些对共济失调生物学至关重要）可能面临挑战。在此类情况下，仔细的结构建模变得更加重要，靶点类别特异性验证而非仅依赖重评分泛化性是决定性因素。同时，VS可日益依赖更丰富的数据骨干进行假说生成和合理性检查，包括生物活性数据库、专家靶点-配体策展以及整合靶点优先级排序资源。此外，VS可通过转录组特征匹配得到补充，通过正交证据流连接化合物和疾病生物学。
超越机制精修，重定位的实际吸引力常以时间和成本为框架。与从头发现和开发（常被描述为昂贵且漫长）相比，重定位活动常被报告以更快速度（约6.5年）和更低成本（约3亿美元）到达市场。该过程可通过在管线中引入VS进一步简化。总体而言，VS应被框定为可复现的分流层，为下游正交验证对现有化合物进行优先级排序，而非直接证明结合或疗效。
共济失调聚焦研究日益反映这种靶点驱动、技术赋能的工作流，其中计算优先级排序与实验确认和明确定义的终点配对。在Machado-Joseph病（SCA3）中，Figueiredo等人使用ataxin-3聚集试验筛选了1280个化合物的重定位集合，识别出儿茶酚胺能/多巴胺能命中物（包括盐酸多巴胺和托卡朋），随后以对接/生物物理读数及下游模型级测试支持优先级排序。在FA中，Alfedi等人对853种FDA批准药物进行了基于细胞的高通量重定位筛选，优先排序了依曲韦林（etravirine），提供了其通过增强frataxin mRNA翻译提高frataxin水平的机制证据。补充试验优先方法，Miura等人提供了与可行性级临床测试相连的计算重定位示例：他们使用靶点/适应症推断，整合化学、副作用和基因表达相似性，提名托吡酯（topiramate），随后在开放试点研究（6名患者治疗24周）中检测初始临床信号。最后，AT提供了一个稳健的“计算机模拟→靶点占据”共济失调背景示例：Distefano等人应用建模过滤的重定位，针对HDAC4进行共识对接，从EMA批准文库中优先排序了阿塞那平（asenapine）。表面等离子体共振随后确认了直接结合，实现了动力学和热力学表征，从而将重定位主张锚定于可测量的分子相互作用。
总体而言，信息并非重定位已“放弃”通路，而是改进的疾病靶点知识与更强大的计算基础设施相结合，日益使重定位能够从更有依据的靶点出发，从而实现更透明、有基准和实验锚定的决策。
数字孪生辅助的药物重定位加速与精准化
数字孪生技术正日益被讨论为计算药物重定位的未来方法论层，旨在将机制模型与纵向临床、影像和真实世界数据相整合。在HA中，这些框架目前应被视为假说生成、模型知情分层、终点选择和试验设计精修的工具，而非用于个体化治疗预测或试验优化的已验证仪器。
在神经学中，通往DT的最合理路径是虚拟脑框架的成熟——基于生物物理的全脑模拟，整合结构连接性（如弥散衍生的连接组）与功能数据（fMRI/MEG/EEG），以生成可针对每位患者记录校准参数的个体化动力学模型。在数据更密集的神经学情境中，该方法已从原理验证推进至临床导向的个体化管线：个体化连接组模拟中的癫痫传播建模、药物难治性癫痫中虚拟癫痫患者范式内的术前大规模建模，以及神经肿瘤学中的患者特异性建模（包括参数优化和“虚拟神经外科”实验）。在多发性硬化中，虚拟脑的大规模多中心应用明确检验结构-功能耦合和传导延迟与残疾/认知的关系，而较新工作整合多模态数据以推断反映临床损害优于传统结构指标的个体化传导速度。由功能连接组和快速时间尺度动力学衍生的互补患者特异性特征——如连接组指纹识别和脑灵活性指标——提供了可馈入模型校准和队列富集的合理个体化和分层特征。
当使用重复临床和影像评估以及可扩展数字表型数据（如智能手机衍生的结局）持续更新时，DT（虚拟患者）变得可信，从而能够迭代重新估计模型状态和参数并追踪患者内轨迹。对于药物重定位，实际价值是方法学性的。DT赋能工作流旨在不“替代”证据要求，而是通过改善患者分层、支持计算机模拟队列探索和告知试验设计（如外部对照增强）来减少不确定性和低效性。早期定量演示已在阿尔茨海默病试验情景中报告，同时伴随关于DT整合入临床研究管线的更广泛方法论讨论。
重要的是，与数据更密集的神经适应症中相当的端到端DT管线尚未在HA中得到验证。然而，关键赋能组件——机制性全脑建模、患者层面特征和纵向数字监测——已成熟到分阶段、有基准地转化入罕见、异质性共济失调队列现在是可行且适时的。该方法可通过严格校准、预设终点和针对临床及生物标志物读数的透明评估，最大化每位参与者的信息量。
假说驱动的SCA6工作流：从虚拟脑到临床更新的药物重定位数字孪生
我们提出一个假说驱动、务实的管线，说明DT如何在基因确诊的SCA6队列中为药物重定位实现操作化。SCA6是一种以CACNA1A（CaV2.1）钙通道病生物学为主导的疾病。尽管HA中稳健的DT实现仍有限，但该方法的核心理念——个体化、机制模拟和纵向模型更新——正在其他神经学情境中发展。其应用于共济失调及相关神经遗传疾病应被视为需要疾病特异性校准、基准化和临床验证的分阶段转化目标。在图中上半部分，每位患者的基线状态按以下顺序组装：包括CACNA1A CAG重复长度及影响CACNA1A转录和RNA加工的修饰基因和调控变异的基因组分析；聚焦于CaV2.1生物学相关蛋白的蛋白质组/相互作用组层；结构影像/连接组学（MRI/DTI）；功能测量（EEG/MEG和/或fMRI）；以及临床-数字表型分析（如SARA、定量步态/平衡和被动/主动数字生物标志物），产生个体化和纵向可追踪的网络表型。这些多模态约束随后馈入患者特异性虚拟脑，其中个体连接组与生物物理群体动力学耦合，模型参数被拟合以使模拟活动再现经验特征，支持在全脑建模框架内构建“虚拟患者”。与此同时，如重定位部分所示，计算重定位和VS被应用于提名候选化合物并将其映射至CaV2.1生物学的可操作层面（通道功能/结构域控制、运输/可用性、蛋白质稳态/质量控制、下游突触调节），与既定重定位策略和现代AI赋能发现工作流一致。候选化合物随后通过AI评估层整合，并在每位患者模型中作为机制可解释扰动进行测试，使用靶点占据、网络敏感性、效应方向、系统层面影响、临床相关性和患者特异性兼容性对药物进行排序，以按患者优先化选项并支持队列层面分层。最后，DT的定义性特征是图中所示作为过程最后阶段的闭环更新：一旦为真实世界给药选择排名最高的选项，纵向临床和数字结局被持续重新同化以重新校准模型并随时间精修预测轨迹和药物反应估计，将一次性虚拟脑转化为临床更新的DT，可在疾病状态演变时指导适应性决策。
讨论
重定位是HA药物开发的务实路径，在该背景下，传统从头开发项目受制于显著的遗传异质性、有限队列规模和缓慢疾病进展。本综述综合的临床证据仍表明，候选药物一旦进入对照评估便出现显著衰减，多项动机良好的药物未能提供一致的神经学获益，或因较高暴露量下耐受性差而受限。这些结果并不否定重定位；相反，它们阐明在小型异质性人群中，通路层面的生物学合理性通常不足，除非有可证明的靶点占据、机制关联生物标志物和疾病轨迹敏感的终点。
HA药物开发中反复出现的主题是对机制趋同——特别是氧化应激、线粒体功能障碍和神经炎症——作为候选药物选择起点的历史依赖。该方法在具有重叠下游应激反应的疾病中是合理的，但当因果分子节点不确定、多种机制可产生相似表型或临床读数与靶向生物学弱耦合时，本质上较为粗糙。在此背景下，该领域最令人信服的症状性重定位案例——发作性共济失调中fampridine和乙酰唑胺的获益——发生在具有明确通道病机制和发作性临床表型的疾病中，其中靶点-表型关联相对直接。相反，在FA等疾病中，下游通路（如氧化应激）的靶向干预虽在生物学上合理，但可能不足以在临床时间尺度上改变疾病轨迹，特别是当上游frataxin缺陷持续存在且临床进展缓慢时。
这些观察共同指向HA药物重定位的明确方向：从一般通路合理性转向靶点知情、生物标志物支持、基因型和阶段感知的候选药物优先级排序。计算工具——包括VS、AI辅助DTI预测和整合组学——在使这一转变可操作化方面日益重要，但前提是严格基准化并辅以实验确认。在HA中，VS和计算重定位的成功应用日益将计算机模拟优先级排序与正交验证相结合，从基于细胞的筛选到表面等离子体共振确认的直接靶点结合。这些示例表明，当计算输出被框定为可检验假说而非结论性证据时，它们可有效缩小候选范围并指导实验资源分配。
数字孪生框架在HA中代表了有前景但尚未成熟的方法论层。尽管DT在数据密集的神经学情境中已显示出价值——从癫痫术前建模到多发性硬化的个体化传导速度推断——其在罕见共济失调中的端到端实现仍待验证。然而，关键赋能组件正在到位：虚拟脑框架可整合个体连接组和生物物理动力学；连接组指纹识别和脑灵活性等患者层面特征可支持分层；智能手机衍生的数字生物标志物可实现纵向监测。这些组件为分阶段、有基准的转化提供了基础，在此过程中DT首先作为研究工具用于假说生成和试验设计精修，随后——经疾病特异性校准和前瞻性验证——发展为可指导适应性决策的临床更新模型。
总之，HA中的药物重定位正处于从通路引导合理性向计算增强、靶点锚定精准化转变的关键时刻。该领域的进展将取决于三个支柱：对疾病机制和靶点占据的更严格证据要求；对计算工具（VS、AI和DT框架）的严格基准化和实验确认；以及能够捕捉罕见、异质性队列中治疗相关变化的试验设计创新。通过整合这些要素，重定位可在遗传性共济失调中实现其承诺：以务实、加速的路径为目前治疗选择有限的患者带来有效疗法。
