计算机辅助药物设计的一般流程摘要
药物靶点的发现与验证是现代创新药物研发的核心环节,直接决定了后续药物设计的方向与临床转化的成功率。随着基因组学、蛋白质组学、功能基因组学、化学蛋白质组学、网络药理学以及人工智能技术的飞速发展,靶点发现策略已从传统的”一药一靶”模式演变为多维度、多尺度、数据驱动的系统方法。本文系统综述了当前药物靶点发现的主要技术路径,包括基于多组学数据的靶点筛选、CRISPR功能基因组学筛选、化学蛋白质组学靶点鉴定、网络药理学预测以及人工智能辅助靶点发现等方法,并探讨了靶点验证的关键策略与面临的挑战,以期为创新药物研发提供理论参考。
关键词: 药物靶点;靶点发现;靶点验证;CRISPR筛选;化学蛋白质组学;网络药理学;人工智能
1. 引言
药物靶点(drug target)是指能够被药物分子特异性识别并与之相互作用,从而发挥治疗作用的生物大分子,绝大多数为蛋白质,包括酶、受体、离子通道和转运蛋白等【1】。传统药物研发遵循”一药一靶”(one drug, one target)的范式,即针对单一分子靶点设计高选择性药物【2】。然而,复杂疾病如癌症、神经退行性疾病和代谢综合征往往涉及多个分子通路的异常调控,单一靶点治疗策略难以取得理想疗效。因此,现代药物研发正逐步转向多靶点、网络化的系统策略,强调从疾病整体网络中识别关键节点作为潜在治疗靶点【3】。
靶点发现(target identification)是指确定与疾病发生发展密切相关的生物分子,而靶点验证(target validation)则是通过遗传学、药理学和临床前实验等手段确认该靶点的成药性(druggability)和 therapeutic relevance【4】。据统计,约60%的临床II期药物失败归因于靶点选择不当或验证不充分【5】。因此,建立高效、精准的靶点发现与验证体系对于降低药物研发风险、提高成功率具有至关重要的意义。
2. 基于多组学数据的靶点发现2.1 基因组学与转录组学
基因组学和转录组学技术通过比较疾病状态与正常状态下基因表达谱的差异,为靶点发现提供了海量候选基因。基因表达综合数据库(Gene Expression Omnibus, GEO)和癌症基因组图谱(The Cancer Genome Atlas, TCGA)等公共数据库存储了丰富的转录组数据,研究人员可通过差异表达分析(differential expression analysis)筛选在疾病中显著上调或下调的基因【6】。然而,传统的差异表达分析仅关注统计学显著性,可能忽略生物学意义上的重要变化。McCarthy和Smyth提出的TREAT方法(Testing significance Relative to a fold-change threshold)通过引入生物学阈值,提高了差异表达基因的生物学相关性【7】。
近年来,多组学整合分析(multi-omics integration)成为靶点发现的重要趋势。通过整合基因组、转录组、蛋白质组和代谢组数据,可以构建更全面的疾病分子图谱,识别跨组学一致的关键靶点【8】。例如,Li等通过整合单细胞转录组学和蛋白质组学数据,在骨质疏松症研究中鉴定出CD74和SMAD7等关键靶点,为药物重定位提供了新方向【9】。2.2 蛋白质组学
蛋白质组学技术能够在蛋白质水平上系统鉴定和定量细胞或组织中的全部蛋白质,直接反映疾病状态下的功能执行者。基于质谱的蛋白质组学(mass spectrometry-based proteomics)已成为靶点发现的核心工具,其应用包括:差异蛋白质组学分析以识别疾病相关蛋白、翻译后修饰(post-translational modifications, PTMs)分析以发现调控节点、以及蛋白质相互作用网络构建以定位关键枢纽蛋白【10】。全球蛋白质组学分析还可以揭示组织特异性的蛋白表达模式,有助于选择具有更好安全性特征的组织特异性药物靶点【11】。
3. 基于功能基因组学的靶点发现3.1 CRISPR-Cas9全基因组筛选
CRISPR-Cas9基因编辑技术的出现彻底改变了功能基因组学领域,为全基因组水平的靶点筛选提供了前所未有的精确性和规模化能力【12】。CRISPR筛选的基本原理是:构建覆盖全基因组或特定基因家族的sgRNA(single-guide RNA)文库,通过慢病毒载体将文库导入细胞,经药物处理或表型选择后,利用高通量测序分析sgRNA的富集或耗竭情况,从而鉴定与药物敏感性或耐药性相关的基因【13】。
根据筛选策略的不同,CRISPR筛选可分为功能丧失筛选(loss-of-function, CRISPR-KO)和功能获得筛选(gain-of-function, CRISPRa)。功能丧失筛选通过敲除基因观察表型变化,适用于鉴定必需基因和肿瘤抑制基因;功能获得筛选则通过激活基因表达发现新的癌基因或耐药驱动因子【14】。此外,CRISPR干扰(CRISPRi)和CRISPR激活(CRISPRa)技术可以在不永久改变基因组的情况下实现基因表达的精细调控,为靶点发现提供了更灵活的工具【15】。
CRISPR筛选在肿瘤靶点发现中取得了显著成果。例如,在前列腺癌研究中,CRISPR筛选成功鉴定出CDK12作为雄激素受体拮抗剂的协同治疗靶点【16】。在肌萎缩侧索硬化症(ALS)和脊髓小脑共济失调2型(SCA2)研究中,全基因组CRISPR筛选揭示了液泡型ATP酶(v-ATPase)作为降低ataxin-2蛋白水平的药物靶点,为神经退行性疾病治疗开辟了新途径【17】。3.2 合成致死筛选
合成致死(synthetic lethality)是指两个基因单独失活时细胞仍可存活,但同时失活则导致细胞死亡的现象。基于CRISPR的组合筛选(combinatorial CRISPR screening)可以系统鉴定合成致死基因对,为精准肿瘤学提供理想的靶点组合【18】。Thompson等通过组合CRISPR筛选发现了27对合成致死基因,包括FAM50A/FAM50B在黑色素瘤中的协同致死效应【19】。此外,CRISPR筛选还被用于揭示肿瘤免疫逃逸机制和免疫治疗新靶点,例如在肿瘤-免疫细胞共培养系统中筛选能够增强T细胞杀伤敏感性的基因【20】。
4. 基于化学蛋白质组学的靶点发现4.1 药物亲和色谱与活性探针蛋白质组学
化学蛋白质组学(chemical proteomics)通过化学探针与蛋白质组的相互作用来鉴定药物靶点,是连接化学小分子与生物靶点的重要桥梁。药物亲和色谱(drug affinity chromatography)是最经典的化学蛋白质组学方法,其原理是将活性小分子固定在固相基质上,与细胞裂解液孵育后捕获与之结合的蛋白质,经洗脱和质谱鉴定确定靶点蛋白【21】。然而,该方法需要对化合物进行化学修饰以引入连接基团,可能改变化合物的生物活性。
活性探针蛋白质组学(activity-based protein profiling, ABPP)利用含有反应性基团和报告标签的双功能探针,与靶蛋白的活性位点共价结合,通过点击化学(click chemistry)或亲和纯化分离目标蛋白并进行质谱分析【22】。ABPP特别适用于酶类靶点的发现,如蛋白酶、激酶和酯酶等。例如,广谱组织蛋白酶探针被用于鉴定疟原虫感染中的关键药物靶点DPAP1【23】。4.2 无标记靶点鉴定技术
无标记(label-free)靶点鉴定技术避免了化合物结构修饰,能够直接研究天然小分子的靶点结合情况。药物亲和响应靶点稳定性(drug affinity responsive target stability, DARTS)技术基于配体结合后蛋白质稳定性增强的原理,通过蛋白酶水解保护实验鉴定靶点蛋白【24】。类似地,脉冲蛋白酶解(pulse proteolysis)和蛋白质氧化速率稳定性(stability of proteins from rates of oxidation, SPROX)技术分别利用蛋白质在变性剂和氧化剂存在下的稳定性变化来检测药物-靶点相互作用【25,26】。4.3 细胞热迁移实验与热蛋白质组学
细胞热迁移实验(cellular thermal shift assay, CETSA)是一种革命性的无标记靶点鉴定技术,由Martinez Molina和Nordlund于2013年建立【27】。其原理是小分子配体与靶蛋白结合后,蛋白质的热稳定性通常会增强,表现为熔解温度(melting temperature, Tm)的正向偏移。通过在不同温度下加热细胞裂解液或完整细胞,检测可溶性蛋白的保留量,可以绘制蛋白质熔解曲线并确定药物靶点。
热蛋白质组学分析(thermal proteome profiling, TPP)将CETSA与多重定量质谱技术相结合,实现了蛋白质组水平的靶点鉴定【28】。Savitski等利用TPP技术同时测定了约7000个蛋白质的热稳定性变化,揭示了抗癌药物vemurafenib和alectinib的脱靶效应——两者均可作用于血红素合成酶FECH,导致临床光毒性副作用【29】。TPP还可用于监测蛋白质复合物动态变化、代谢物-蛋白质相互作用以及翻译后修饰对蛋白质稳定性的影响【30】。近年来,TPP方法学不断改进,包括蛋白质组积分溶解度变化(proteome integral solubility alteration, PISA)分析、数据非依赖采集(DIA-MS)定量策略以及热稳定性辅助的有限酶解质谱(TALiP-MS)等,进一步提高了检测灵敏度和通量【31,32】。
5. 基于网络药理学与系统生物学的靶点发现5.1 网络药理学
网络药理学(network pharmacology, NP)是系统生物学、生物信息学和药理学交叉融合的新兴学科,其核心思想是从网络视角研究药物、靶点和疾病之间的复杂相互作用,突破了传统”一药一靶”的局限【33】。网络药理学的主要工作流程包括:(1)从SwissTargetPrediction、GeneCards、DisGeNET等数据库获取药物活性成分和疾病相关靶点;(2)利用Venny等工具筛选药物-疾病共同靶点;(3)通过STRING数据库构建蛋白质-蛋白质相互作用(protein-protein interaction, PPI)网络;(4)运用Cytoscape软件和CytoHubba插件进行拓扑分析,识别关键枢纽基因(hub genes);(5)通过GO功能富集和KEGG通路分析阐明作用机制【34】。
网络药理学在中药活性成分靶点预测和复杂疾病机制解析中展现了独特优势。例如,Chen等通过网络药理学和分子对接相结合,鉴定了淫羊藿中的icariin和baohuoside I等活性成分通过调控IL-4/IL-13信号通路发挥抗胰腺癌作用【35】。Lin等整合代谢组学和蛋白质组学数据,发现了与血液透析相关的终末期肾病生物标志物,为靶向治疗提供了新线索【36】。5.2 多组学整合网络分析
单一组学数据难以全面捕捉疾病复杂性,网络化的多组学整合分析通过构建跨分子层次的关联网络,能够更准确地识别关键靶点【37】。Jiang等系统综述了网络化的多组学整合方法,将其分为网络传播/扩散、基于相似性的方法、图神经网络和网络推断模型四大类,这些方法在药物靶点鉴定、药物响应预测和药物重定位中均有广泛应用【38】。例如,REMAP平台通过整合多样化的药物-靶点相互作用数据,利用矩阵分解和协同过滤技术预测新的药物-蛋白相互作用,显著提高了靶点预测的准确性【39】。
6. 基于人工智能的靶点发现6.1 机器学习与深度学习预测
人工智能(artificial intelligence, AI)技术正在深刻改变药物靶点发现的范式。机器学习算法(如随机森林、支持向量机)和深度学习模型(如卷积神经网络、图神经网络)能够处理大规模生物数据,自动提取特征并预测药物-靶点相互作用(drug-target interactions, DTIs)【40】。Wallach等开展了一项涵盖318个靶点的大规模研究,证明AI方法可作为高通量筛选的可行替代方案,显著降低实验成本和时间投入【41】。
在药物-靶点相互作用预测方面,多种计算模型已被开发。DTINet通过构建大规模异构网络,整合药物、靶点、副作用和疾病等多维数据,成功预测了telmisartan与环氧合酶蛋白的新相互作用并经实验验证【42】。DEEPScreen利用二维化合物结构表征和深度卷积神经网络预测药物靶点,准确鉴定了cladribine对JAK蛋白的新靶点作用【43】。PandaOmics作为AI驱动的靶点发现引擎,通过分析大规模转录组数据,为子宫内膜异位症鉴定了GBP2、HCK等新治疗靶点,并发现已批准药物lifitegrast可通过靶向ITGB2实现药物重定位【44】。6.2 分子对接与虚拟筛选
分子对接(molecular docking)是计算机辅助药物设计(computer-aided drug design, CADD)的核心技术,通过预测小分子配体与靶蛋白结合位点的相互作用,评估结合亲和力并筛选候选化合物【45】。随着蛋白质数据库(Protein Data Bank, PDB)中已解析超过227,000个生物大分子结构,分子对接的应用范围不断扩大【46】。传统对接工具如AutoDock、Glide、GOLD等已被广泛应用于虚拟筛选,而AI增强的评分函数(如GNINA、DeltaVina)和柔性受体模型(如RosettaVS)进一步提高了预测精度和效率【47,48】。
AlphaFold等蛋白质结构预测模型的突破为靶点发现开辟了新途径。在没有实验解析结构的情况下,AI预测的蛋白质结构可用于靶点可药性评估和先导化合物设计。例如,基于AlphaFold预测的结构,研究人员成功鉴定了靶向肝癌细胞CDK20的新型候选药物ISM042-2-048【49】。6.3 药物重定位
药物重定位(drug repurposing)是指为已批准或临床在研药物发现新的治疗适应症,其优势在于可以充分利用已有的药代动力学和安全性数据,显著缩短研发周期并降低失败风险【50】。AI技术通过分析大规模生物网络和临床数据,能够高效预测药物-靶点-疾病之间的关联,加速重定位进程。计算药物重定位方法可分为”on-target”和”off-target”两类:前者基于已知靶点作用机制探索新适应症,后者则发现药物与此前未知靶点的新相互作用【51】。例如,Wang等利用AI网络分析成功将干眼症药物lifitegrast重定位为子宫内膜异位症的潜在治疗药物,并在小鼠模型中验证了其对病灶生长的抑制作用【52】。
7. 靶点验证策略7.1 遗传学验证
遗传学验证是确认靶点与疾病因果关系的最直接手段。通过基因敲除(knockout)、基因敲低(knockdown)或基因过表达(overexpression)等技术,观察靶点功能改变对疾病表型的影响。CRISPR技术使得在多种细胞模型和动物模型中快速实现靶点遗传学验证成为可能【53】。此外,全基因组关联研究(GWAS)和孟德尔随机化(Mendelian randomization)利用人群遗传数据评估靶点与疾病的因果关联,为靶点选择提供人群水平的证据【54】。7.2 药理学验证
药理学验证通过使用小分子抑制剂、激动剂或抗体等工具化合物,评估靶点调控后的生物学效应。CETSA技术不仅可用于靶点鉴定,还可用于验证细胞内的靶点结合(target engagement)和建立构效关系(structure-activity relationship, SAR)【55】。例如,微孔板CETSA已成功应用于BRAF和PARP1抑制剂的细胞SAR研究,靶点结合效力与细胞功能活性之间表现出良好的相关性【56】。此外,表面等离子体共振(SPR)、等温滴定量热法(ITC)和核磁共振(NMR)等生物物理技术可用于定量测定药物-靶点结合亲和力,为靶点验证提供热力学和动力学参数【57】。7.3 临床前验证
临床前验证需要在疾病相关的细胞和动物模型中评估靶点调控的治疗效果和安全性。人源化动物模型、患者来源的异种移植瘤模型(PDX)和类器官(organoid)模型能够更好地模拟人体疾病病理特征,提高转化医学的可靠性【58】。近年来,CRISPR筛选与类器官模型相结合,为高效鉴定疾病特异性靶点提供了强大的平台【59】。
8. 挑战与展望
尽管靶点发现技术取得了长足进步,但仍面临诸多挑战。首先,数据异质性和整合困难限制了多组学分析的效能,不同数据库之间的术语标准化、质量控制和可视化仍需改进【60】。其次,AI模型的”黑箱”特性影响了结果的可解释性和可信度,建立可解释AI(explainable AI)框架和标准化评估体系至关重要【61】。第三,CRISPR筛选的脱靶效应、数据复杂性和伦理监管问题需要持续优化和关注【62】。第四,热蛋白质组学等技术在检测低丰度蛋白、膜蛋白和小分子结合引起的微弱稳定性变化方面仍存在局限性【63】。
展望未来,靶点发现将呈现以下发展趋势:(1)多模态数据深度融合,整合基因组、转录组、蛋白质组、代谢组、表观遗传学和空间组学数据,构建动态、多维的疾病网络模型;(2)AI与实验技术的闭环整合,通过干湿实验迭代优化靶点预测准确性;(3)靶向蛋白质降解(targeted protein degradation, TPD)等新 modalities 的兴起,拓展了”不可成药”靶点的可及性,目前已有超过80个PROTAC药物进入研发管线【64】;(4)精准医学导向的靶点发现,基于患者分子分型和个体遗传背景定制靶点选择策略,实现真正的个性化治疗。
参考文献
【1】Hughes J, Rees S, Kalindjian S, et al.Principles of early drug discovery[J]. British Journal of Pharmacology, 2011, 162(6): 1239-1249.
【2】Schenone M, Dancik V, Wagner B K, et al.Target identification and mechanism of action in chemical biology and drug discovery[J]. Nature Chemical Biology, 2013, 9(4): 232-240.
【3】Li L, et al.Leveraging network pharmacology for drug discovery[J]. Cell, 2025.
【4】Gu J, Chen Y. GETgene-AI: a framework for prioritizing actionable cancer drug targets[J]. Frontiers in Systems Biology, 2026, 6: 1793501.
【5】Pelagobio. Top 5 Drug Discovery Trends 2025 Driving Breakthroughs[EB/OL]. 2025.
【6】Barrett T, Wilhite S E, Ledoux P, et al.NCBI GEO: archive for functional genomics data sets—update[J]. Nucleic Acids Research, 2013, 41(D1): D991-D995.
【7】McCarthy D J, Smyth G K. Testing significance relative to a fold-change threshold is a TREAT[J]. Bioinformatics, 2009, 25(6): 765-771.
【8】Tripathy R K, et al.Effective integration of multi-omics with prior knowledge to identify biomarkers via explainable graph neural networks[J]. NPJ Systems Biology and Applications, 2025, 11: 43.
【9】Li Q, et al.Profiling osteoporosis via integrated multi-omics technologies[J]. Cells, 2026, 15(5): 472.
【10】Ha J, Park H, Park J, et al.Recent advances in identifying protein targets in drug discovery[J]. Cell Chemical Biology, 2021, 28(3): 394-423.
【11】Basu A A, Zhang X. Quantitative proteomics and applications in covalent ligand discovery[J]. Frontiers in Chemical Biology, 2024, 3: 1352676.
【12】Wang Y, et al.CRISPR screening redefines therapeutic target identification and drug discovery with precision and scalability[J]. Journal of Pharmaceutical Analysis, 2025.
【13】Bock C, Datlinger P, Chardon F, et al.High-content CRISPR screening[J]. Nature Reviews Methods Primers, 2022, 2(1): 1-23.
【14】Jost M, Weissman J S. CRISPR approaches to small molecule target identification[J]. ACS Chemical Biology, 2018, 13(2): 366-375.
【15】Wang Y, et al.Innovative CRISPR screening promotes drug target identification[J]. ACS Central Science, 2022, 8(11): 1456-1465.
【16】Kim S, et al.Perturbomics: CRISPR–Cas screening-based functional genomics approach for drug target discovery[J]. Experimental & Molecular Medicine, 2025, 57(7): 1487-1500.
【17】Liu Q, et al.Genome-wide CRISPR screen reveals v-ATPase as a drug target to lower levels of ALS protein ataxin-2[J]. Cell Reports, 2022, 38(5): 110327.
【18】Thompson N A, et al.Combinatorial CRISPR screening identifies synthetic lethal interactions in cancer[J]. Cell, 2021.
【19】Adams D J, et al.FAM50A and FAM50B as synthetic lethal targets in melanoma[J]. 2021.
【20】Liu Y, et al.CRISPR screens identify cancer cell-intrinsic factors driving immune evasion[J]. 2022.
【21】Rix U, et al.Chemical proteomics identifies novel targets of kinase inhibitors[J]. Blood, 2007, 110(11): 4053-4062.
【22】Barglow K T, Cravatt B F. Activity-based protein profiling for the functional annotation of enzymes[J]. Nature Methods, 2007, 4(10): 822-827.
【23】Greenbaum D C, et al.A role for the protease falcipain 1 in host cell invasion by the human malaria parasite[J]. Science, 2002, 298(5600): 2002-2006.
【24】Lomenick B, Hao R, Jonsson N, et al.Target identification using drug affinity responsive target stability (DARTS)[J]. Proceedings of the National Academy of Sciences, 2009, 106(51): 21984-21989.
【25】Park C, Marqusee S. Pulse proteolysis: a simple method for quantitative determination of protein stability and ligand binding[J]. Journal of the American Chemical Society, 2005, 127(7): 2032-2033.
【26】West G M, Tucker C L, Xu T, et al.SPROX: stability of proteins from rates of oxidation[J]. Analytical Chemistry, 2010, 82(11): 4405-4416.
【27】Martinez Molina D, Jafari R, Ignatushchenko M, et al.Monitoring drug target engagement in cells and tissues using the cellular thermal shift assay[J]. Science, 2013, 341(6141): 84-87.
【28】Savitski M M, Reinhard F B M, Franken H, et al.Tracking cancer drugs in living cells by thermal profiling of the proteome[J]. Science, 2014, 346(6205): 1255784.
【29】Becher I, et al.Thermal profiling reveals phenylalanine hydroxylase as an off-target of panobinostat[J]. Nature Chemical Biology, 2016, 12(11): 908-910.
【30】Dai L, et al.Horizontal cell biology: monitoring global changes of protein interaction states with the proteome-wide cellular thermal shift assay (CETSA)[J]. Annual Review of Biochemistry, 2019, 88: 383-408.
【31】Li X, et al.Experimental and data analysis advances in thermal proteome profiling[J]. Cell Reports Methods, 2024, 4(2): 100632.
【32】Zhang L, et al.Thermostability-assisted limited proteolysis-coupled MS (TALiP-MS) for drug target discovery[J]. 2024.
【33】arXiv. Network pharmacology: integrating systems biology and network analysis[EB/OL]. 2025.
【34】Jiang Y, et al.Network-based multi-omics integrative analysis methods in drug discovery: a systematic review[J]. BioData Mining, 2025, 18: 27.
【35】Chen Y, et al.Anti-pancreatic cancer activity of Epimedium herb via network pharmacology and molecular docking[J]. Frontiers in Pharmacology, 2024, 15: 1535754.
【36】Lin Y, et al.Integrated metabolomics and proteomics in end-stage kidney disease[J]. Frontiers in Pharmacology, 2024, 15: 1535754.
【37】Ocana A, et al.Integrating artificial intelligence in drug discovery and early drug development: a transformative approach[J]. Biomarker Research, 2024.
【38】Jiang Y, et al.Network-based multi-omics integrative analysis methods in drug discovery: a systematic review[J]. BioData Mining, 2025, 18: 27.
【39】Luo Y, et al.DTINet: a novel computational pipeline for predicting drug-target interactions[J]. Bioinformatics, 2017, 33(5): 731-738.
【40】Frontiers in Pharmacology. New strategies to enhance the efficiency and precision of drug discovery[J]. 2025, 16: 1550158.
【41】Wallach I, et al.AI is a viable alternative to high throughput screening: a 318-target study[J]. Scientific Reports, 2024, 14: 7526.
【42】Luo Y, et al.DTINet: a novel computational pipeline for predicting drug-target interactions[J]. Bioinformatics, 2017, 33(5): 731-738.
【43】Rifaioglu A S, et al.DEEPScreen: a deep convolutional neural network for drug-target interaction prediction[J]. 2020.
【44】Liu B H M, et al.Utilizing AI for the identification and validation of novel therapeutic targets and repurposed drugs for endometriosis[J]. Advanced Science, 2024, 12: 2406565.
【45】Kuntz I D, et al.A geometric approach to macromolecule-ligand interactions[J]. Journal of Molecular Biology, 1982, 161(2): 269-288.
【46】Frontiers in Pharmacology. New strategies to enhance the efficiency and precision of drug discovery[J]. 2025, 16: 1550158.
【47】Shen C, et al.From machine learning to deep learning: advances in scoring functions for protein-ligand docking[J]. WIREs Computational Molecular Science, 2020, 10(1): e1429.
【48】Zhou G, et al.RosettaVS: predicting docking poses and binding affinities[J]. 2024.
【49】Ren S, et al.AlphaFold-enabled identification of a new candidate drug targeting CDK20 in liver cancer cells[J]. 2023.
【50】Pushpakom S, et al.Drug repurposing: progress, challenges and recommendations[J]. Nature Reviews Drug Discovery, 2019, 18(1): 41-58.
【51】Tanoli Z, et al.Computational drug repurposing: approaches, evaluation of in silico resources and case studies[J]. Nature Reviews Drug Discovery, 2025, 24: 521-542.
【52】Liu B H M, et al.Utilizing AI for the identification and validation of novel therapeutic targets and repurposed drugs for endometriosis[J]. Advanced Science, 2024, 12: 2406565.
【53】Kim S, et al.Perturbomics: CRISPR–Cas screening-based functional genomics approach for drug target discovery[J]. Experimental & Molecular Medicine, 2025, 57(7): 1487-1500.
【54】Nature. Functional patient-derived cellular models for neuropsychiatric drug discovery[J]. Translational Psychiatry, 2021, 11: 437.
【55】Martinez Molina D, Nordlund P. The cellular thermal shift assay: a novel biophysical assay for in situ drug target engagement and mechanistic biomarker studies[J]. Annual Review of Pharmacology and Toxicology, 2016, 56: 141-161.
【56】Annual Review of Biochemistry. Cellular thermal shift assay (CETSA) and thermal proteome profiling[J]. 2020.
【57】Acharya B, Behera A, Behera S. Optimizing drug discovery: Surface plasmon resonance techniques and their multifaceted applications[J]. ChemPhysImpact, 2024, 8: 100414.
【58】Nature. Functional patient-derived cellular models for neuropsychiatric drug discovery[J]. Translational Psychiatry, 2021, 11: 437.
【59】Wang Y, et al.CRISPR screening redefines therapeutic target identification and drug discovery with precision and scalability[J]. Journal of Pharmaceutical Analysis, 2025.
【60】Jiang Y, et al.Network-based multi-omics integrative analysis methods in drug discovery: a systematic review[J]. BioData Mining, 2025, 18: 27.
【61】Tripathy R K, et al.Effective integration of multi-omics with prior knowledge to identify biomarkers via explainable graph neural networks[J]. NPJ Systems Biology and Applications, 2025, 11: 43.
【62】Wang Y, et al.CRISPR screening redefines therapeutic target identification and drug discovery with precision and scalability[J]. Journal of Pharmaceutical Analysis, 2025.
【63】Dai L, et al.Horizontal cell biology: monitoring global changes of protein interaction states with the proteome-wide cellular thermal shift assay (CETSA)[J]. Annual Review of Biochemistry, 2019, 88: 383-408.
【64】CAS. The latest trends in drug discovery: PROTAC momentum[EB/OL]. 2025.
(全文完)