AI GPS 预测肝癌药物

基于分子结构的基因表达预测AI平台GPS

密歇根州立大学（MSU）的科学家们开发了GPS平台（Gene expression profile Predictor on chemical Structures），该平台分析化学化合物的结构，并预测其对基因表达的影响。该模型仅使用分子式，无需任何实验室测试。通过数百万实验数据点进行训练，GPS解决分类任务：每种化合物对基因活性的上调或下调。这使得药物候选物的虚拟筛选成为可能。

该平台已识别出针对肝细胞癌（HCC）——一种高度致命的肝癌类型——以及特发性肺纤维化（IPF）——其中位生存期仅为三年——的有前景化合物。结果已通过体内和体外测试验证，并在《Cell》杂志上发表。

GPS架构与训练

GPS在海量实验基因表达测量数据集上进行训练。关键挑战是生物数据中的噪声。正如合著者Jiayu Zhou所指出的，该模型专注于强信号，同时忽略弱噪声。这通过鲁棒学习技术实现，其中分子的结构（SMILES或图表示）直接输入。

流程：

• 输入数据：分子结构（公式、图）。
• 处理：编码为向量表示（例如，通过图神经网络）。
• 输出：针对数千个基因的基因表达预测向量（上调/下调）。
• 训练：数百万化合物-基因对的多任务分类。

该模型无需先验实验，加速了药物开发中的发现阶段。

肝细胞癌应用

针对HCC——癌症第三大死因——GPS选出了两种新型化合物。小鼠模型测试显示肿瘤质量减少。这些化合物调控肝细胞增殖和血管生成的关键基因。这是迈向候选药物的第一步，但需进一步优化以提高特异性和生物利用度。

特发性肺纤维化结果

IPF是一种进展性疾病，生存率低。GPS识别出：

• 一种再利用药物（来自现有药物）。
• 两种新型化合物。

验证在Corewell Health的小鼠和人类肺组织外植体上进行。这些化合物抑制纤维化通路（TGF-β信号传导），减少胶原沉积。资深作者Xiaopeng Li强调了这种系统性AI方法，与传统方法二十年的失败形成对比。

开源代码与未来展望

MSU、斯坦福大学和密歇根大学的团队已开源GPS代码。该平台可针对肿瘤学、纤维化和其它领域中的靶点筛选任何化合物。由NIH和NSF支持。

MSU药物化学中心主任Edmund Ellsworth警告：从命中到获批药物需要数年优化、临床前和临床试验。开发是一个迭代过程，涉及跨学科团队（项目中超过20名专家）。

关键点：

• GPS仅从结构预测基因表达，无需湿实验室。
• 针对HCC（小鼠肿瘤减少）和IPF（人类组织体外验证）的有效命中。
• 开源代码，支持社区驱动筛选。
• 可扩展至其他疾病。
• 抗噪性是处理噪声生物数据准确性的关键。

该平台通过注重预测驱动的命中，正在改变计算药物发现的范式。

— Editorial Team