Ponatinib Hydrochloride

表型药物筛选在当代药物研发中占据重要地位，但其发展始终面临两大挑战：化学空间的庞大与实验规模化实施的技术瓶颈。传统基于单靶点的药物开发模式虽占主流，但全基因组关联研究反复揭示，多数疾病由多基因变异共同驱动，而回顾性分析更显示超过65%的获批药物实际源自表型观察。表型筛选因其能够捕捉靶向及脱靶效应的综合网络，直接关联最终治疗效果，具备独特优势。然而，高内涵复杂表型检测虽临床相关性强，却受限于低通量和高成本；而高通量筛选所采用的简化表型模型则往往临床转化能力不足。如何在此矛盾中实现高效、可转化的候选化合物筛选，成为领域关键问题。为突破筛选效率的制约，计算方法被引入以辅助化合物优先级排序。然而，现有策略存在明显局限：单任务模型泛化能力不足，难以适应多样化表型任务；而基于启发式基因组代理指标的方法则不易优化，限制了其实际应用效果。部分研究尝试将人工智能应用于表型发现，例如开发新型抗生素与抗衰老药物，但这类模型多为任务专用，需针对每一新表型进行大规模数据重新训练，缺乏通用性与扩展性。 另一思路是利用化合物扰动下的组学特征（如基因表达谱）作为复杂表型的代理指标，构建预测模型进行化合物排序。这类方法虽展现出潜力，但其实际效能仍需在严格实验环境下，通过与随机选择对比的直接验证来确认，否则难以推动工业界的广泛采纳。此外，现有基于基因表达的优先级排序方法多依赖启发式策略，例如借用基因集富集分析等统计方法为化合物打分，此类方法难以通过实验反馈闭环优化。基因签名的质量亦是成功关键——现有签名多基于观察性关联推断，未必能有效迁移至体外疾病模型，且已验证的实验性组学签名数量有限，制约了模型的应用广度。 针对上述挑战，本文作者开发了一种闭环主动强化学习框架，命名为DrugReflector。该深度学习架构利用化合物诱导的转录组数据，预测可诱导特定复杂细胞表型的小分子调节剂。在一个涵盖10种癌细胞系和原代细胞、88种化学扰动、总计120万细胞的综合数据集上，DrugReflector表现出优于已有最先进模型的泛化能力。进一步在两项血液学相关表型筛选任务中——诱导巨核细胞与红系祖细胞分化，该算法将表型命中率较随机筛选提升了13至17倍。此外，模型在两个外部肿瘤数据集中也成功识别出与疾病机制相关的活性化合物，显示出广泛适用性。 为提升预测精度并增强机制可解释性，研究团队进一步将算法与实验室闭环整合，引入基因签名精炼步骤。该策略使命中率额外提高约两倍，并促使研究者在分子层面获得机制性洞见，推动了从“黑箱”预测向可解释、可优化的表型药物发现范式的转变。综上，本研究通过结合主动学习、组学数据与闭环实验优化，构建出一个兼具高泛化性、高预测力及机制解析能力的化合物优先级排序系统，不仅显著提高了表型筛选的效率与转化潜力，也为多基因复杂疾病的药物研发提供了新的技术路径。 1. 一种闭环预测框架结构，用于实现基于表型的药物发现 表型药物发现框架的核心为一个闭环式主动强化学习流程，旨在系统性地推荐可调控目标表型的化合物（图1）。该框架采用单细胞转录组数据作为具有广泛泛化能力的细胞状态代理指标，该类数据在多种组织类型、化学扰动条件以及健康与疾病状态下均可获取。    该框架的实施涵盖以下关键步骤： Step 1：基于临床数据集解析目标细胞状态转变所对应的转录组基因签名，并将其与表型检测结果进行校准，以确保基因签名的诱导与目标表型呈正相关。 Step 2：构建并训练深度学习模型 DrugReflector，用于预测具有高概率诱导目标基因签名的化合物。 Step 3：开展针对表型活性的化合物筛选实验，并在多名供体来源的样本中验证筛选结果。所获得的活性化合物作为框架的核心输出，可供后续开发推进。 Step 4：引入基因签名的主动强化学习机制作为闭环反馈环节，整合活性与非活性化合物的转录组-表型联合数据，从而优化初始基因签名，进一步提升筛选命中率。    通过将该框架与现有表型发现范式进行比较，研究突显了其在筛选效率、泛化能力与机制可解释性方面的关键进展。 图 1. 一个模块化和可推广的框架，利用组学水平的深度学习模型实现表型发现。 基于临床数据和/或信息丰富的临床可转化表型检测数据（此处为单细胞 RNA 测序数据的转录组特征）确定目标特征。 (2) 为筛选化合物，在扰动特征（此处为 LINCS 连接图）上训练的深度学习模型 DrugReflector 预测哪些化合物可能诱导目标特征。 (3) 通过实验筛选化合物，识别并验证在多个供体中诱导所需表型的命中化合物。验证的命中化合物是这一发现阶段的输出，可用于下游的预临床开发。 (4) 通过实验室闭环使用配对的组学和表型测量，主动优化输入特征，提高活性化合物的优先级。 2. 一种用于化合物优先排序的深度学习框架 DrugReflector采用由三个多层感知机（MLP）分类器构成的集成模型结构，其训练目标是将组学基因签名与能够触发该签名的化合物进行准确匹配。训练数据选自Connectivity Map（CMap）的一个子集，筛选依据包括化合物的可开发性、基因签名的可靠性以及广泛的生物学覆盖范围（参见图2）。 在数据划分方面，所有扰动重复被均匀分为三个部分；集成模型中的每一个子模型分别在其中的两份数据上进行训练（即三折交叉验证中的两折），从而形成互补的预测能力。训练过程中，每个扰动所产生的单个基因签名均被视作独立输入，不在重复样本间进行平均处理。 模型共训练50个周期，并在每一周期结束后评估其对未见化合物的召回率。最终选取召回率最高周期所对应的模型检查点，用于后续所有下游预测任务。 图 2. 基于深度学习的表型虚拟筛选方法 (A) 模型训练流程的示意图。(B) 每个算法在每个基准数据集上的性能，通过所有细胞系的平均前 1%化合物召回率进行衡量。误差线表示细胞系间的标准差。snRNA：单核 RNA 测序；scRNA：单细胞 RNA 测序。(C) 内部扰动转录组筛选中每个算法在每个细胞系中的召回率热图，包括 6 个癌细胞系和 4 个原代细胞系。    为评估训练集构成对DrugReflector性能的影响，研究团队进行了两种采样分析：首先，通过在完整数据集中随机保留部分扰动重复，以降低数据的重复深度；其次，通过限制每个化合物所涉及的细胞系数量，以缩减数据的生物学广度。分析结果表明，在构建具有鲁棒性与泛化能力的预测模型时，充足的重复次数与广泛的生物学多样性具有同等重要性。 3. 将 DrugReflector 与现有方法进行基准测试 为评估模型性能，本研究以前1%化合物召回率为指标，将DrugReflector与四种基因签名匹配方法进行基准比较。召回率计算方式如下：对于每个化合物，若模型将其正确标签预测排在前1%，则记为1，否则为0；该得分首先在化合物的所有观测上平均，再在所有化合物间平均。对比方法包括两种经典机器学习模型（kNN分类器与逻辑回归），以及两种已发表的组学签名关联算法（SigCom-LINCS和Dr.Insight）。 基准测试在三套独立扰动数据集上进行：Touchstone、sciPlex3及本研究构建的Cellarity数据集。在CMap Touchstone数据集（涵盖9种细胞系中的1,000个化合物）中，DrugReflector优于所有基线方法，平均召回率较Dr. Insight和SigCom-LINCS分别提高1545%与15%（图2B）。在sciPlex3数据集中，DrugReflector同样表现最佳，平均召回率分别超过Dr. Insight和SigCom-LINCS 66%与108%。 为进一步考察模型在训练数据未覆盖细胞环境（如非肿瘤原代细胞）中的泛化能力，研究构建了一个新的scRNA-seq数据集，包含6种永生化细胞系和4种原代细胞类型，测试了88个化合物，共获得1,737个样本、涵盖约126万个细胞。在训练中出现过的肿瘤细胞系中，DrugReflector仍优于所有对照方法，平均召回率较Dr. Insight和SigCom分别提升323%与73%（图2B）。在未训练过的原代细胞中，其召回率虽低于肿瘤细胞系，但仍为最高，分别优于Dr. Insight和SigCom 194%与30%（图2B、2C）。 Landmark基因检测仅覆盖978个基因（约占蛋白编码基因的5%）。尽管CMap通过计算推断扩展了11,350个基因，并纳入训练后提升了模型在CMap留出样本上的召回率，但在sciPlex与Cellarity等外部数据中召回率反而下降，提示推断基因可能引入数据集特异性偏差，影响泛化能力。因此，推断基因未被纳入DrugReflector最终训练。 研究还探索了使用化合物结构生成的虚拟基因签名以扩展可预测化合物范围。通过TranSiGen为CMap及自建扰动数据生成虚拟签名，并分别使用DrugReflector与k近邻回归评估召回率。结果显示，虚拟基因签名的召回率普遍低于实测签名，尤其在CMap以外数据集中下降更为显著。 4. 开发具有高临床转化性的复杂表型检测方法 造血是基本且关键的发育过程；造血失常可导致多种增殖性疾病与细胞减少症。鉴于贫血与血小板缺乏的高发生率，拟应用本框架以调控巨核细胞与红系祖细胞的谱系分化。选择人源 CD34⁺原代造血干/祖细胞（HSPCs）作为筛选对象。尽管其具有较高的转化价值，但由于获取、体外培养与扩增在成本与流程上的困难，CD34+原代细胞鲜少用于表型筛选。上述限制也为本研究提供了展示框架潜力的契机：通过在具有临床意义的细胞类型中实现更高效、可扩展的表型探索的方法，本框架结构有望推动药物发现的转变。 为刻画与巨核细胞与红系谱系相关的细胞状态，作者分析了先前生成的一套CITE-seq数据。该数据集针对来自4名健康供体的原代 HSPCs，在10天时间跨度内的5个时间点取样，包含全转录组与 134 种表面蛋白标记的RNA/蛋白联合表达数据。结合文献鉴定出前体与早期谱系定向（lineage commitment）的细胞状态；这些状态覆盖了沿巨核（Mk）、红系（Ery）、嗜酸/嗜碱/肥大细胞（EBM）、单核细胞（Mono）与中性粒细胞（Neu）等多条分化轨迹处于不同阶段的细胞（图3A）。 图 3. 一种基于单细胞多组学指导的表型检测方法，捕获人类原代细胞中的多谱系造血分化。 自 4 名健康供体获取原代 CD34+造血干/祖细胞（HSPCs），在体外 10 天过程中于 5 个时间点实施 CITE-seq（单细胞 RNA 测序 + 抗体衍生标签〔ADT〕表面蛋白标记检测）。图中展示所有供体与所有时间点的 UMAP 嵌入；下方给出各天被判定为各细胞类型的细胞比例。(B, C) 基于RNA计算的UMAP嵌入。大图分别突出与Mk（B）或Ery（C）谱系相关的细胞类型；小图显示用于FACS阴/阳性判定各细胞群体的表面标记表达。(D) 各流式表型检测所用标记物面板，以及依据 CITE-seq 表面标记测量得到的各细胞类型中各表面标记的平均表达。(E) 化合物诱导巨核分化的实验验证结果：在每种化合物存在下体外分化7天后，以流式细胞术测定。三角形表示 hit，圆形表示 non-hit；颜色表示该化合物实现巨核细胞丰度最大诱导时所用的剂量。灰色虚线表示相对 DMSO 的倍数变化为 1（无变化）；黑色虚线为巨核表型的命中显著性阈值。图中星号与p值为不同方法命中率间单侧二项检验结果。(F) 在另外2名供体中对Mk hit化合物的验证。灰色柱表示（E）中该化合物在筛选中观察到的Mk 丰度最大变化；误差线为技术三重复的标准差。(G) 与（E）相同，但对应红细胞系（Ery）发现项目的结果；(H) 与（F）相同，用于在多名供体中验证 Ery hit 化合物。 5. 生成巨核细胞生成和红细胞生成的转录组特征 为选择用于筛选的化合物，首先确定与早期分化相关的细胞状态转变：即由具双向潜能的巨核-红系祖细胞（MEP）向已发生谱系决定的巨核祖细胞（MPC）与红系祖细胞（Ery）的转变。之所以选取MEP作为最佳干预时点，是因为该细胞的转录与代谢变化与向任一谱系的分化定向密切相关。将这些转变所对应的转录组基因标签用作DrugReflector的输入。为对这些变化进行量化，提出 v-score：其定义为两个群的对数归一化计数均值之差，并以各条件下对数变换计数方差之和的平方根进行标准化。形式上，定义了两个细胞状态 x 和 y 之间的 v-score 如下： 与用于训练模型的 CMap Level-4 Z-score 基因签名类似，v-score 以标准差为单位量化表达差异。不同于 t-statistic，v-score在期望意义上不依赖于各组的细胞数量，从而可在细胞数不等的人群之间进行良好校准的比较。 6. DrugReflector识别Mk和 Ery谱系的诱导剂 作者计算了 MEP 和 MPC 群体之间的v-score，并将它们作为输入输入到 DrugReflector 中，以获得用于筛选的化合物优先级列表。接下来，从模型的输出中选择了排名靠前的化合物，以评估它们诱导目标表型的能力。 为了通过实验确定哪些化合物诱导了我们的目标表型，作者在HSPC维持条件下用每个模型候选化合物处理 CD34+ 细胞，并通过流式细胞术评估 CD41a+ CD71- CD42b+ 红系祖细胞群体的诱导情况。通过测试107种化合物发现这些化合物在 DrugReflector 排名中均位于前 1000名，并且在库中可用。这些化合物近似均匀抽样，以减少由库存限制引起的选取偏差。每种化合物以三种剂量（100 nM、1 μM、10 μM）进行测试，并记录了化合物能够发挥最大诱导作用而无细胞毒性的剂量。 为了评估基于机器学习的化合物筛选对表型发现的影响，与暴力筛选方法进行了比较，后者会测试化合物库中的所有化合物以确定其活性。这是一种绝对指标，不受特定替代算法实施中可变因素的影响。此外，化合物库的暴力筛选是制药行业的主流筛选范式。为了评估化合物库暴力筛选的命中率，作者测试了87种随机选择的化合物。在 DrugReflector 提名且排名靠前的107个化合物中，有21个超过设定的6个标准差命中阈值，对应命中率 19.6%（见 Fig. 3E）。其中有 2 个化合物活性显著，可使Mk祖细胞增加超过4倍。相比之下，在随机选择的化合物中仅有1个超过命中阈值，命中率 1.1% 。这些结果表明基于机器学习的优先级排序方法在识别命中化合物方面较随机选择约提高17倍。 为确认这些命中在多名供体中的可重复性，在另外两名供体中对17个 hit 化合物按其在Mk谱系中观测到最大诱导效应的剂量进行了复测。尽管其中2个化合物未满足存活率或细胞计数标准，其余15个中有13个在两名供体中均获得验证，显示了本筛选体系的稳健性以及化学扰动在不同供体间的生物学可转译性（见图3F）。 通过使MEP群体偏向Ery祖细胞来证明框架的普适性。通过计算MEP与Ery祖细胞群体之间的v-score，并将其作为 DrugReflector 的输入，以获得优先级较高的化合物列表进行测试在 DrugReflector 提名化合物筛选中，去除细胞活力过低的样本后，作者观察到81种化合物中有 13 种超过 DMSO 命中截止值的 6 个标准差，命中率为 16%（图 3G）。在随机化合物集中，仅有1种化合物诱导 Ery 祖细胞超过截止值，命中率为1.2%（图 3G）。同样，基于转录组学的化合物优先排序显著提高了我们诱导所需表型的成功率，提高了约13倍。在验证实验中，有 10 种通过质量控制过滤的命中化合物，其中 8 种至少在一个供体中增加了 Ery 祖细胞，5 种在两个供体中都增加了（图 3H）。这些结果进一步支持了机器学习模型能够在多种实验设置中提高表型命中率的能力。 DrugReflector能够检测临床治疗药物，并识别调控疾病相关通路的调节剂 为评估 DrugReflector 在不同疾病背景下的广泛适用性，作者评估了两个具有不同病因和治疗标准的数据库：B细胞急性淋巴细胞白血病（B-ALL）和乳腺癌，使用了包含雌激素受体阳性（ER+）和三阴性乳腺癌（TNBC）样本的多肿瘤单细胞图谱。对于每种情况，构建v-score特征，代表从恶性状态向健康状态的转变，并根据化合物逆转疾病表型的预测能力对化合物进行排序。 B-ALL的特征是 B 细胞祖细胞的积累，其标志是酪氨酸激酶信号通路的失调，其中一部分 B-ALL 病例是由易位引起的，导致 BCR-ABL 融合蛋白（费城染色体）的形成。DrugReflector 优先考虑了 ABL 抑制剂，包括Ponatinib，这是一种临床标准的护理药物，排名前1%（在 9597 种化合物中排名第 78 位），与其他 ABL 抑制剂相比，在临床中显示出优越的疗效。类似地，作者观察到针对 MAPK 的干预措施被优先考虑，特别是 p38 MAPK，这与 MAPK 信号通路在 B-ALL 中的重要性一致。相比之下，靶向不相关通路（如雌激素受体信号通路或一般细胞周期控制）的化合物没有被优先考虑。 基于 ER+与 TNBC 的转变所做的分析产生了不同类别的优先候选化合物。两类转变均将雌激素受体（ER）抑制剂列为优先，但 ER⁺转变对其的排名稳定更高（p = 0.031，Wilcoxon秩检验），与 ER⁺肿瘤中观察到的基因组层面的转变一致。类似地，两类转变都优先排序了通过抑制微管而靶向有丝分裂细胞的细胞周期抑制剂，但三阴性转变的优先程度略更强（p = 0.12，Wilcoxon秩检验），与 TNBC 的细胞周期显著失调及其较差预后相一致。为提供补充背景，对构建这些转变所用的各人群进行了细胞周期分类，结果显示 TNBC 的细胞增殖活跃度高于所评估的其他转变。JAK/STAT 抑制剂（如 ruxolitinib）在 B-ALL 与乳腺癌这两类转变中均被优先排序。该发现与 JAK/STAT 信号在 B 细胞发育与乳腺组织特化中的核心作用及其在肿瘤中的失调相一致，凸显模型对两种疾病共享生物学的同向优先能力。DrugReflector 在疾病与亚型层面的特异性预测提示其具备超出训练域开展表型发现的可迁移性，并在多样的治疗情境下进行化合物优先排序方面具有良好的泛化能力。 成对的转录组和表型测定能够实现闭环主动特征学习 受启发于已用于预测化合物-靶点结合、优化分子性质和表征构效关系的强化学习领域，可以通过配对的表型与转录组测量来优化表型相关输入组学特征。强化学习的核心前提是通过选择性地获取数据点来优化策略，以最大化奖励信号。策略指导智能体在环境中的行动，而获得的奖励和状态变化则用于更新策略。 该策略由DrugReflector 及其输入特征组成，行动包括对选定化合物的配对表型与转录组测量，而奖励是命中率。总体框架是从配对的转录组与表型数据中识别学习到的特征，并利用该特征来更新我们的原始特征。学习到的特征与原始特征之间的差异是一个梯度，在策略更新中采取的步长是一个可调节的步长参数（图 4A）。 图 4. 通过使用配对的转录组和表型读数进行主动特征学习，提高了表型命中率的增加。 为验证这一模式，对12种有效化合物和8种无效化合物在四个时间点（第1天、第2天、第5天和第7天）进行了单细胞 RNA 测序时间进程分析，并在第7天进行了配对的表型读数。我们观察到所有主要预期细胞类型的细胞，并且发现通过单细胞RNA 测序确定的Mk细胞丰度与表型测量值之间存在强相关性。为了验证假设——基因表达变化能够区分有效化合物和无效化合物，在第1天对HSPC群中的每种化合物与DMSO阴性对照组进行了差异表达分析。有效化合物中 Mk 标记基因和与 Mk 成熟相关的转录因子的表达明显增加，其中一些基因与Mk诱导表型显著相关（图 4B）。 导致预测出非活性化合物的一个因素：某些化合物在CD34⁺ 细胞中的细胞类型特异性效应与其在 CMap 数据集中的测得效应并不一致。已有研究报道，CMap 中43% 的化合物在癌细胞系中呈现细胞类型特异性效应，而 CD34⁺ HSPCs 并未包含在训练数据中。为对此进行显式检验，对每个化合物计算：在本研究后续实验中24h的基因签名与 LINCS 中同一化合物最相似的10个基因签名之间的距离（相似度度量）。结果显示， non-hit 化合物在 CD34⁺ 的基因签名与其在 CMap 中最近邻之间的距离，较 hit 化合物高出 11%。。 为精炼输入基因签名，研究基于各扰动的伪合并表达数据与第7天的表型结果，评估每个基因与表型的关联强度并予以评分，进而以此更新原始基因签名。为系统评估基因签名主动学习框架的适用条件，研究测试了巨核细胞谱系中所有细胞类型与检测时间点的组合，并在0至1范围内以0.05为步长调整学习率。结果显示，在第1天的造血干祖细胞（HSPC）群体中进行差异表达分析，并设定学习率为0.7时，可获得最大的命中化合物召回提升（以平均精度AP衡量）。与此一致的是，该条件下的HSPC表现出最多的差异表达基因、与巨核表型变化最相关的基因数目，以及与LINCS基因签名最高的相关性。进一步分析发现，精炼后的基因签名在功能类别上发生显著变化：与巨核细胞标记基因及其他所有基因相比，与巨核生成相关的转录因子显著富集（图4C）。 为验证主动强化学习框架的有效性，研究将精炼后的基因签名作为DrugReflector的输入，对全部化合物重新排序，并从中选取96个先前未经筛查但排序靠前的化合物进行实验验证。在通过质控的85个化合物中，共鉴定出22个新的表型活性化合物（图4D）。进一步比较原始与精炼后基因签名对活性化合物的排序效果，发现后者能更有效地将活性化合物排名提前（图4E）。 筛选效率的量化分析表明，随着排名阈值的变化，表型命中率在前100个化合物中提升约两倍，并在约500个化合物处趋于稳定（图4F）。活性化合物的中位排名从463提升至138，相当于约3.4倍的改进幅度。 表征化学诱导的巨核细胞谱系分化机制 图 5. 揭示化学诱导的巨核细胞生成机制 在24h，针对HSPCs中预测的Mk诱导剂衍生的DES特征进行主成分析， DMSO对照。化合物在PC空间中根据Mk相对于DMSO的倍数变化进行着色。(B) HSPC、MEP、MPC和Mk的扩散伪时间UMAP嵌入。(C) 描述不同拟时序分析的每种细胞类型的密度的岭图。(D) 每种化合物类别在 Day 7 的细胞密度。(E) 每种化合物类别在拟时序分析中与 GO生物过程相关的基因的平均表达。(F) ChEMBL中巨核细胞生成诱导剂的靶点抑制IC50。命中化合物按(A)面板中注释的诱导剂类别分组。热图颜色表示对数尺度的 IC50。(G) 对KDR（蓝色）和FGFR（黄色）具有选择性结合亲和力的化合物的剂量反应曲线。 为探究不同化合物在表型诱导中的差异机制，研究分析了各处理条件相对于DMSO对照在细胞类型特异性差异表达谱上的表现。基于前期研究中24小时时间点显示的重要性，分析聚焦于扰动后24小时的造血干祖细胞（HSPCs）。主成分分析揭示五个主要扰动簇：一个不诱导巨核分化的惰性簇、一个抑制巨核分化的单一化合物簇、一个高活性巨核分化化合物簇，以及沿第二主成分（PC2）分离的两个中等活性化合物簇（图5A）。 为解析聚类背后的生物学驱动因素，研究对主成分载荷基因进行GSEA富集分析。PC1高载荷基因显著富集于抗原呈递与JAK-STAT信号通路，与已知的巨核细胞生成阶段相符。该高活性簇以酪氨酸激酶抑制剂为主，提示激酶抑制可部分驱动巨核祖细胞诱导。PC2高载荷基因则显著富集于脂质与胆固醇生物合成通路，该通路近期被证实与巨核细胞成熟及血小板形成密切相关，但在早期谱系定向中的作用尚属首次揭示。为进一步阐明化学诱导巨核生成的调控机制，研究基于全转录组验证数据构建了沿巨核谱系的拟时序轨迹（图5B）。通过滑动窗口分析基因表达动态，发现不同类别化合物均能一致诱导巨核分化相关基因集沿伪时间上调（图5C、5D），提示不同化学扰动可能激活共同的终末分化程序。然而，强活性化合物特异性地在MEP与MPC群体中显著上调已知巨核正向调控因子及细胞周期相关基因，提示该表达模式为化合物活性的关键特征。此外，调控脂质代谢的化合物在所有时间点及细胞类型中均表现出更强且一致的表达调控幅度（图5E）。 为揭示转录组分类的化学基础，研究整合ChEMBL数据库中IC50结合实验数据，比较所有转录组分析化合物与低靶点泛度（1 μM下抑制靶点<20个）化合物的靶点谱。结果显示，强效及中等诱导剂的高亲和力靶点多为激酶，而所有中等活性脂质调控类化合物均以高亲和力结合HMGCR（图5F）。针对具有多靶点特性的强效诱导剂BRD-K28392481（可抑制KDR及FGFR1-4等受体酪氨酸激酶），研究进一步采用四种选择性工具化合物进行功能解析：两种对KDR选择性高于FGFR，另两种对FGFR选择性高于KDR。实验表明，仅KDR选择性化合物能以剂量依赖方式诱导巨核祖细胞，FGFR抑制剂则无此效应（图5G）。该研究系统揭示了影响巨核谱系定向的多样化机制：一方面确立HMGCR为诱导巨核分化的潜在靶点；另一方面通过靶点解析实验表明，多种受体酪氨酸激酶的协同抑制可能是化学诱导巨核生成的关键驱动因素。 综上，本文提出的闭环ARL框架在多种疾病语境中展现出广泛的适用潜力。该框架以组学为桥梁，连接疾病机制与化学扰动，通过细胞层面的整合分析显著提高了表型筛选效率。研究不仅验证了调控胆固醇合成可诱导人源造血祖细胞向巨核命运转变，还揭示了多靶点协同抑制在谱系定向中的关键作用。目前该框架已成功应用于镰状细胞病与骨髓纤维化的靶点识别。随着单细胞与扰动数据资源的持续扩展，本范式有望为多种疾病构建初始目标基因签名，推动精准药物发现的进程。 原文：DOI:10.1126/science.adi8577