一个用于治疗靶点发现中多模态数据整合的网络医学框架

《Communications Chemistry》：A network medicine framework for multi-modal data integration in therapeutic target discovery

　　

摘要

药物开发的高成本和高人员流失率凸显了寻找更有效治疗靶点策略的必要性。在此，我们提出了一种基于网络医学的机器学习框架，该框架整合了单细胞转录组学、批量多组学数据、全基因组CRISPR干扰实验以及蛋白质-蛋白质相互作用网络，以系统地筛选特定疾病的靶点。将该框架应用于透明细胞肾细胞癌（Clear Cell Renal Cell Carcinoma）的研究中，成功识别出已知的靶点，并预测出五种潜在的治疗候选药物。随后的体外验证表明，其中ENO2抑制剂的抗肿瘤效果最为显著，其次是LRRK2——这是一种可重新利用的候选药物，其抑制剂目前正处于三期帕金森病治疗药物的临床试验阶段。所提出的方法通过超越基于单一特征和单一模式的启发式方法，发展出一种可扩展的、由机器学习驱动的靶点发现策略，该方法适用于多种疾病。