《Journal of Medicinal Chemistry》：Computational Drug Repurposing for Alzheimer’s Disease via Sheaf Theoretic Population-Scale Analysis of snRNA-Seq Data
编辑推荐：
本期推荐一篇在药物化学交叉前沿的精彩综述，该文系统阐述了利用单核RNA测序（snRNA-seq）大数据，结合持久层拉普拉斯（Persistent Sheaf Laplacians, PSL）拓扑分析技术，从群体尺度解析阿尔茨海默病（AD）相关蛋白相互作用网络（PPI），并成功筛选出针对ERBB4、PPARG、CXCR4等关键靶点的潜在重定位药物，为突破AD治疗瓶颈提供了创新的计算生物学框架。
引言
阿尔茨海默病（Alzheimer's Disease， AD）已成为全球性的健康危机，其病理特征表现为神经炎症、血脑屏障（Blood-Brain Barrier, BBB）破坏以及淀粉样蛋白斑块的累积。单细胞与单核RNA测序技术的发展，为在细胞层面揭示疾病异质性、推动精准医疗带来了革命性机遇。然而，可持续的药物研发必须基于对群体层面分子机制的深刻理解。因此，本研究旨在通过群体规模的snRNA-seq数据分析，结合创新的持久层拉普拉斯（Persistent Sheaf Laplacians, PSL）方法，构建一个从靶点识别到药物重定位的序贯计算模型，为AD治疗寻找新的突破口。
结果
脑脉管系统中的疾病相关表达异质性
脑脉管系统功能障碍是AD病理的关键上游驱动因素。研究利用包含14万余个单核转录组的人类脑脉管图谱数据，聚焦于内皮细胞和周细胞。通过PSL对基于差异表达基因（Differentially Expressed Genes, DEG）构建的PPI网络进行分析，成功筛选出20个拓扑显著性基因。这些基因及其在PPI网络中的位置揭示了一个潜在的跨区室信号级联：ERBB4与DLG2构成的复合体，可能将内皮细胞中的粘附连接修复信号与周细胞中由Ca2+/cAMP/PKA通路驱动的基质金属蛋白酶（MMP）活性联系起来，从而将最初具有保护性的屏障维持反应转变为驱动慢性渗漏的病理机制。基因集富集分析进一步证实了这些基因在细胞连接完整性和BBB信号传导中的协调失调。
疾病相关小胶质细胞的时间驱动表达异质性
小胶质细胞状态的动态演变是AD神经炎症和神经退行性的主要驱动力。研究分析了来自443名受试者的19.4万个单核小胶质细胞转录组，关注从早期炎症状态向吞噬状态的转变。PSL分析识别出20个关键基因，这些基因在PPI网络中围绕HIF1A–PPARG–APOE主轴形成四个功能模块。红色模块富集于淀粉样蛋白-β结合和内吞通路，负责斑块物质的吞噬；橙色模块（PPARG、FOXO3等）编码代谢和转录回路，为小胶质细胞清除Aβ提供“代谢许可”；蓝色模块涉及MHC蛋白复合物和抗原呈递，标志着向T细胞激活的转变；紫色模块（CXCL12–CXCR4轴）则协调趋化因子介导的免疫细胞招募。这形成了一个协调的先天性免疫与适应性免疫响应网络，加剧了神经炎症。
分子靶点评估与药物重定位靶点
基于上述分析，研究锁定了数个具有治疗潜力的核心靶点与通路。在脉管系统中，ERBB4-DLG2节点被提出作为影响BBB通透性的潜在新型、未充分探索的假说靶点。在小胶质细胞分析中，PPARG与HIF1A被识别为连接炎症、斑块清除和缺氧反应多个病理机制的核心玩家；CXCR4-CXCL12轴则是驱动有害免疫细胞招募和神经炎症的主要因素；而HIF1A在多个模块中的核心作用凸显了斑块诱导缺氧的重要性。
研究随后利用机器学习模型（结合基于Transformer和ECFP的分子表示训练的梯度提升决策树回归器）预测DrugBank小分子化合物与上述靶点的结合亲和力，并进一步筛选其与中枢神经系统相关的ADMET（吸收、分布、代谢、排泄和毒性）属性。
- •
抑制ERBB4：预测的强效结合剂包括伊布替尼（Ibrutinib）、阿法替尼（Afatinib）等。在满足CNS属性（高BBB渗透性，低P-gp底物/抑制概率）的候选药物中，发现了泊尼莫德（Ponesimod）、萨拉卡替尼（Saracatinib）等已在前临床AD模型中显示出神经保护潜力的化合物。
- •
PPARG激动剂：预测的顶级结合剂包括依法他酮（Efatutazone）、MK-0533、洛贝格列酮（Lobeglitazone）等噻唑烷二酮类药物。筛选出的CNS适用候选药物包括卡麦角林（Cabergoline）、卤泛群（Halofantrine）等。
- •
抑制CXCR4：预测的顶级结合剂包括马伏利沙福（Mavorixafor）、MSX-122等已知CXCR4拮抗剂。CNS适用候选药物包括托哌啶（Toxopyrimidine）、CC-115等。
- •
抑制EGLN（以增强HIF1A活性）：预测的顶级结合剂包括德西度司他（Desidustat）、莫度司他（Molidustat）等已知的脯氨酰羟化酶抑制剂。筛选出的CNS适用候选药物包括DB08149等。
讨论
层拉普拉斯用于网络分析的动机
传统的拓扑数据分析方法在处理生物网络时，常局限于低维或成对关系。层（Sheaf）框架通过为PPI复合体中的每个基因（单形）分配一个反映其相对失调程度（如Log2FC）的标记，巧妙地将非几何的生物信息（失调规模）与网络结构中心性结合起来。这种局部分析方法能够更灵敏地探测特定基因移除导致的拓扑扰动，从而更精准地排名基因的显著性。
潜在重定位候选药物回顾
本研究建立的从转录组到药物的计算管道，成功识别出多类具有强预测结合亲和力及良好CNS药代动力学特性的化合物。值得注意的是，部分筛选出的化合物（如泊尼莫德、羟氯喹、依匹色林）已在先前的AD模型或临床试验中显示出对疾病相关过程的调节作用，尽管其作用机制未必直接针对本研究提出的特定靶点。这印证了计算管道的生物学相关性，并提示这些化合物可能通过涉及ERBB4、CXCR4等靶点的通路发挥作用，值得进一步的实验验证。
方法
层持久谱理论
研究核心方法如图5所示。首先，基于DEG从STRING数据库构建细胞类型/状态特异性的PPI网络，并进行团扩张以构建更高维的单形复合体。每个基因（0-单形）被赋予一个反映其在该组中相对失调程度的标记，从而构建一个细胞层。随后，通过改变PPI关系的置信度阈值（如[250,400,550,700]）来诱导过滤，并针对每个基因进行拓扑扰动（移除该基因）。通过分析原始与扰动复合体在过滤过程中持久层拉普拉斯的谱特征，并计算特征向量之间的Wasserstein距离，最终得到每个基因的拓扑显著性评分。
机器学习药物重定位流程
对于每个选定的分子靶点，从ChEMBL和PubChem收集已知的结合剂数据训练结合亲和力预测模型。利用训练好的模型对DrugBank小分子库进行筛选，得到预测的有效结合剂。随后，应用CNS相关的ADMET过滤（重点关注BBB渗透性和P-gp相互作用），最终得到一系列具有潜力的药物重定位候选化合物。
