Alzheimers Res Ther︱方坚松等开发人工智能框架助力AD新靶标发现及药物重定位研究
撰文︱代 朝，方坚松
责编︱王思珍，
制版︱查佳雪
阿尔茨海默症（Alzheimer's disease，AD），俗称“老年痴呆症”，是一种严重的神经退行性疾病。目前，全球约有5000万AD患者，且随着全球老年化的加剧，其患病率不断上升。近十余年来，全基因组关联研究（genome-wide association studies，GWAS）被广泛应用于揭示复杂性疾病的遗传变异。这些研究结果也在一定程度上促进了疾病的潜在靶标识别及药物发现研究[1-2]。尽管GWAS已识别了数十个确切的AD基因风险位点[3-4]，然而由于大多数风险位点都位于非编码区，目前尚不清楚这些基因是否与AD发病机理相关，也极大限制了这些遗传发现在AD靶点识别及药物方面的转化应用。因此，通过整合疾病多组学数据及GWAS结果，开发能够准确识别疾病风险基因，并将其运用于药物重定位研究的计算方法，对目前AD药物发现具有重要意义。
近日，美国克利夫兰医学中心网络医学与人工智能团队、联合美国印第安纳大学、范德堡大学、俄亥俄州立大学等在国际神经科学期刊Alzheimer’s Research & Therapy杂志上发表了题为“Artificial intelligence framework identifies candidate targets for drug repurposing in Alzheimer’s disease”的研究论文。该论文开发了一种基于网络的人工智能方法，通过整合现有AD全基因组关联分析结果、以及AD多组学数据，预测具有高置信度的AD风险基因，并将其应用于AD的药物重定位研究。
研究团队整合了先前报道的15个大规模的AD GWAS研究结果，这些研究覆盖了超过27万AD病人及110万健康对照人群的数据。作者使用合作团队先前发表在Nature Neuroscience [5]上的基于GWAS数据预测疾病风险基因的原创贝叶斯网络方法预测得到了103个AD风险基因。最大连接子图（LCC）分析显示这些风险基因可形成显著的疾病网络模块。研究者们进一步收集了来自FANTOM5数据库的基因调控元件数据、AD转基因小鼠及AD病人来源的单细胞测序数据，证明了这些基因与AD生物学高度相关（图1）。
图1 基于GWAS数据预测的风险基因的AD生物学相关性验证
（图源：Fang J, et al., Alzheimers Res Ther, 2022）
为了从多维度评估这些风险基因作为候选AD靶标的可靠性，作者整合了8个维度的多组学数据，包括脑组织特异性表达、靶点的数据库证据、文献证据、转录组证据等，结果表明103个预测的风险基因中，超过86%的基因至少满足一种证据，同时有13个基因满足五种以上的证据。预示着这些基因作为AD药物潜在靶点可用于药物发现的巨大潜力（图2）。
图2 整合多组学数据评估风险基因作为AD疾病靶标的潜力
（图源：Fang J, et al., Alzheimers Res Ther, 2022）
研究者们紧接着整合已上市药物的靶标网络、预测的风险基因集、以及人类蛋白-蛋白相互作用网络，预测了130个老药具有潜在抗AD作用，其中25个已有公开的临床前或临床证据支持抗AD作用。其中二型糖尿病药吡格列酮（Pioglitazone）与风险基因集形成的疾病网络具有显著的近邻度（z = -1.64），同时先前已有临床前证据支持其在抗AD方面的潜在疗效[6-7]。在临床研究证据方面，已有多个临床试验评估了其抗AD疗效，然而结果并不一致[8-9]，至今为止并未有大规模的临床回顾性队列揭示其与AD发病风险之间的关联（图3）。
图3 预测的AD风险基因用于AD药物重定位研究
（图源：Fang J, et al., Alzheimers Res Ther, 2022）
基于此，该团队利用MarketScan Medicare Claims数据库中2012年至2017年的保险记录数据（包含732万人的临床电子信息）系统研究了吡格列酮及其它几个预测药物服用人群与AD发病风险之间的关系。共进行了五个基于药物队列的观察性研究，首先对数据进行了倾向评分分层（n = 10），并完成了分层前后的Kaplan-Meier曲线及其对数秩检验，以及Cox回归分析。结果表明，这五个药物中有三个，阿替洛尔（Atenolol），非布司他（Febuxostat）及吡格列酮（Pioglitazone），与正常对照人群相比可显著降低AD风险。进一步与同类别药物进行比较分析后发现，吡格列酮与糖尿病药格列吡嗪（glipizide）对比同样可显著降低AD风险（风险比 = 0.921, 95% 置信区间0.862–0.984, P = 0.0159）。尽管如此，未来仍需要进一步设计大规模随机对照临床试验去证实吡格列酮与AD之间的因果关系（图4）。
图4 临床回顾性队列分析验证潜在候选药物与AD疾病风险相关性
（图源：Fang J, et al., Alzheimers Res Ther, 2022）
为了进一步研究吡格列酮潜在抗AD的分子机制，研究团队利用网络分析预测出该药物抗AD的作用机制与调节GSK3β与CDK5有关，并在脂多糖刺激的人源小胶质细胞HMC3细胞模型上进行验证，发现了吡格列酮（3和10 uM）预处理能够降低GSK3β和 CDK5的磷酸化水平，初步阐明了其潜在分子机制（图5）。
图5 吡格列酮抗AD分子机制的网络分析及体外验证
（图源：Fang J, et al., Alzheimers Res Ther, 2022）
本研究是针对阿尔兹海默症（AD）全基因组关联分析结果在疾病靶标及药物发现成功转化应用的一个研究实例，也是充分利用现有AD多组学数据进行靶点功能验证的范例，作者们使用的网络医学预测结合大规模临床电子病历验证用于药物发现的思路也在团队先前的多个研究工作中得到了成功应用[9-11]。本研究的不足之处体现在：1）基于GWAS预测的风险基因并不能覆盖目前已被广泛验证的全部AD疾病基因，难以完全模拟AD的疾病特征；2）吡格列酮的临床分析未充分考虑疾病人群的性别、年龄、及疾病等混淆因素，同时关联分析结果不代表因果关系。总的来说，该研究展示了人工智能方法在AD药物靶标识别及药物重定位方面的潜在应用价值，同时可应用于其它神经退行性疾病的靶标识别与药物发现。
原文链接:https://alzres.biomedcentral.com/articles/10.1186/s13195-021-00951-z
第一作者方坚松博士
（照片提供自：广州中医药大学科技创新中心方坚松课题组）
方坚松，美国克利夫兰医学中心博士后，现广州中医药大学科技创新中心副研究员、硕导。2019年获得中国药理学会青年药理学家奖，入选美国斯坦福大学发布的全球前2%顶尖科学家榜单。近五年主要从事基于网络医学与人工智能的复杂性疾病药物发现研究。目前累计以第一作者或通讯作者（含共同）在Nature子刊Nature Aging、Cell子刊Cell Chem Biol、Genome Biol等期刊SCI论文46篇，其中1篇入选ESI全球高被引论文，1篇被世界学术组织Faculty Opinions点评推荐。谷歌学术引用2050余次（H因子27）。主持国家自然基金面上项目、 国家自然青年基金项目等10余项课题。兼职国际药理学期刊Frontiers in Pharmacology副主编，中国药理学学会网络药理学委员、中国药理学会中药与天然产物专委会青年常务委员等职务。
【1】人才招聘︱“ 逻辑神经科学 ”诚聘文章解读/撰写岗位 ( 网络兼职, 在线办公)【2】“ 逻辑神经科学 ”诚聘副主编/编辑/运营岗位（在线办公）
【3】Cell︱大麻素受体1拮抗剂金雀异黄素减轻大麻诱导的血管炎症【4】Trends Mol Med 综述︱张兵团队聚焦外周神经在皮肤再生与疾病发生过程中的重要作用【5】Cereb Cortex︱首发未用药精神分裂症患者灰质体积改变的遗传机制【6】Nat Immunol︱星型胶质细胞IL-2基因递送改善损伤后神经炎症病理【7】Mol Neurobiol︱俞琼课题组使用生物信息学策略鉴定首发精神分裂症患者外周血miRNA生物标志物【8】Nat Commun︱杜洋团队在揭示人体孤儿受体GPR88激活和别构调节机制【9】Front Aging Neurosci︱遗忘型轻度认知障碍病人结构功能磁共振共享的连接模式【10】BRAIN 综述︱肠道菌群在帕金森病中的作用：机制研究和治疗选择
参考文献（上下滑动阅读）
[1] Nelson et al. The support of human genetic evidence for approved drug indications. Nat Genet. 2015;47(8):856‑860.
[2] Finan et al. The druggable genome and support for target identification and validation in drug development. Sci Transl Med. 2017;9(383):eaag1166.
[3] Bellenguez et al. New insights into the genetic etiology of Alzheimer's disease and related dementias. Nat Genet. 2022;54(4):412-436.
[4] Schwartzentruber et al. Genome-wide meta-analysis, fine-mapping and integrative prioritization implicate new Alzheimer's disease risk genes. Nat Genet. 2021;53(3):392-402.
[5] Wang et al. A Bayesian framework that integrates multi-omics data and gene networks predicts risk genes from schizophrenia GWAS data. Nat Neurosci. 2019;22(5):691-699.
[6] Chang et al. Reverting Metabolic Dysfunction in Cortex and Cerebellum of APP/PS1 Mice, a Model for Alzheimer's Disease by Pioglitazone, a Peroxisome Proliferator-Activated Receptor Gamma (PPARγ) Agonist. Mol Neurobiol. 2019;56(11):7267-7283.
[7] Sato et al. Efficacy of PPAR‑gamma agonist pioglitazone in mild Alzheimer disease. Neurobiol Aging. 2011;32(9):1626‑1633.
[8] Burns et al. Safety and efficacy of pioglitazone for the delay of cognitive impairment in people at risk of Alzheimer's disease (TOMMORROW): a prognostic biomarker study and a phase 3, randomised, double-blind, placebo-controlled trial. Lancet Neurol. 2021 Jul;20(7):537-547.
[9] Cheng et al. Network‑based approach to prediction and population‑based validation of in silico drug repurposing. Nat Commun. 2018;9(1):2691.
[10] Fang et al. Harnessing endophenotypes and using network medicine in Alzheimer’s drug repurposing. Med Res Rev. 2020;40(6):2386‑426.
[11] Fang et al. Endophenotype‑based in‑silico network medicine discovery combined with insurance records data mining identifes sildenafl as a candidate drug for Alzheimer’s disease. Nat Aging. 2021;1:1175–88
本文完