CausalDiffChem: Causal Network Restoration for Therapeutic Prioritization and Repurposing Across Diseases
CausalDiffChem 是一个新颖的框架，它利用转录组数据和结构因果模型，通过模拟旨在恢复疾病特异性因果网络结构的干预措施，来优先筛选药物重定位候选药物，从而在多种病理条件下区分因果驱动因素与下游效应。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
为旧药寻找新用途通常是一个寻找匹配的过程。几十年来，科学家们一直试图通过将疾病的分子指纹与药物的指纹进行对比，来重新开发药物。如果一种药物似乎能让疾病的基因开关向相反方向翻转，研究人员就会假设它可能作为一种治疗手段。这种方法取得了一些真正的成功，但它有一个盲点。它将疾病视为一个静态的症状列表，忽略了基因之间通过复杂的因果链进行交流的事实。一个基因被激活，可能并不是因为它本身是问题的根源，而是因为它在对上游发生的其他事情做出反应。试图在不解决原因的情况下治疗反应，就像试图通过对着烟雾吹气来扑灭火灾一样。
为了超越这一局限性，一个研究团队开发了一种绘制疾病隐藏机制的新方法。他们不再仅仅列出哪些基因处于活跃状态，而是构建了一个展示这些基因如何相互影响的模型，从而创建一个因果网络。随后，他们测试了不同的药物如何在这特定的网络中产生涟漪效应，以观察它们是否能将系统恢复到健康状态。他们的这项工作被称为 CausalDiffChem，其研究表明，通过理解疾病特定的因果结构，我们可以识别出更好的候选药物，即使这些候选药物在简单的基因活性列表中并不显眼。
研究人员将这种方法应用于四种截然不同的人类疾病：多发性硬化症（一种涉及免疫系统和神经的疾病）、结节病（一种引起肺部及其他器官炎症的疾病）、利什曼病（一种寄生虫感染）以及阿尔茨海默病（一种形式的痴呆症）。对于每种疾病，他们都收集了来自数百名患者和健康人的数据。他们没有使用任何预先存在的基因相互作用图谱。相反，他们让数据自己说话，利用计算机算法根据样本中活性最强的二十个基因，为每种疾病重建了一个独特的因果图谱。这些图谱揭示了截然不同的架构。在阿尔茨海默病中，网络由两种载脂蛋白 D（apolipoprotein D）测量值之间的强连接所主导。在结节病中，图谱强调了一个涉及被称为巨噬细胞的免疫细胞的调节轴。每种疾病都有其独特的形状和信息流，证明了单一的、通用的方法无法捕捉每种疾病特有的逻辑。
一旦建立了这些疾病图谱，团队便模拟了数千种药物的效果。他们并没有在培养皿或活体生物中测试这些药物；相反，他们将每种药物的数学表示引入到疾病网络的计算机模型中。他们观察药物的模拟存在是否能将网络推回健康人群所呈现的状态。他们通过三种方式衡量这种“恢复”程度：有多少个网络部分向正确的方向移动、这种移动有多强，以及整体偏移是否符合从疾病向健康转变的路径。
结果为哪些药物可能有效提供了全新的视角。对于结节病，一种名为顺铂（cisplatin）的化疗药物脱颖而出，在所有已批准的药物中排名第一。在利什曼病中，美金刚盐酸盐（memantine hydrochloride）——一种已用于治疗阿尔茨海默病的药物——在从早期研究到临床试验的所有药物开发阶段中均排名第一。在阿尔츠海默病本身的研究中，另一种药物盐酸甲米那明（mecamylamine hydrochloride）占据了榜首。令这些发现值得关注的是，研究人员为每种疾病独立构建了疾病图谱并测试了药物，没有共享的设置或预设的规则。这些相同的药物在不同的药物库和不同的疾病中反复出现在领先位置，这一事实表明该方法发现的是真实的信号，而非随机的巧合。
然而，研究也表明，高分并不代表全部。一种药物可能修复了大量基因，但未能纠正最重要的连接；或者它可能修复了正确的基因，却将网络的其余部分推向了错误的方向。在阿尔茨海默病中，排名靠前的药物纠正了许多基因，但对疾病网络中最强的连接——即两个载脂蛋白 D 测量值之间的联系——几乎没有触及。在结节病中，顺铂强烈地纠正了一组关键的免疫基因，但却使其他基因离健康状态更远了。这表明，即使一种药物不能完美地修复一切，它仍然可以是一个强有力的候选药物，且不同的药物通过不同的机制发挥作用。
研究人员还检查了他们的方法是否能找到已知有效的药物。在阿尔茨海默病研究中，两种成熟的治疗药物——多奈哌齐（donepezil）和美金刚（memantine）——出现在了前百分之十的排名中，尽管它们并非第一名。在其他疾病中，已知疗法也排名靠前，尽管某些药物（如某些类固醇）的排名较低。这表明计算机模型捕捉到了这些药物发挥作用的真实生物学真相，但也凸显了该模型并非临床知识的完美替代品。它专注于一组特定的基因，可能会忽略发生在身体其他部位或取决于药物递送方式的更广泛影响。
团队承认，他们的工作是一种模拟。药物效应是基于化学结构而非在实验室中测量的，且疾病图谱是基于相对较小的患者群体构建的。他们并没有证明这些药物能在人类身上治愈这些疾病。相反，他们提供了一个可解释的框架，用于生成假设。通过展示一种药物如何穿过特定疾病的因果网络，他们提供了一种优先筛选哪些候选药物值得在实验室进行测试的方法。在不同疾病和不同开发阶段中，相同药物的重复出现，表明这种方法可以识别出那些仅通过观察基因列表可能会被遗漏的有前景的线索，从而为寻找旧药的新用途提供了一条更细致的路径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。