Anhui University

中心简介 合肥综合性国家科学中心大健康研究院仪器共享平台流式检测中心位于研究院4号楼2楼，中心配置多套BD、Beckman Coulter品牌高端流式细胞分析仪、流式细胞分选系统以及纳米流式检测仪等设备，可实现细胞表面标志物、细胞功能、胞内蛋白、细胞核成分、基因表达、外泌体特性、核酸药物表征等重要参数的分析测试、分选纯化。 服务概览 流式检测中心的技术服务内容围绕细胞、亚细胞及纳米水平的分析/分选，满足机时预约、辅助使用、委托实验、项目承接与合作等需求。流式团队经验丰富，技术精湛，能够提供各台分析/分选流式设备的理论/上机培训、方案设计、配色优化、实操辅助、数据分析、委托实验、流式细胞技术培训班/进修等技术服务。 服务成效 2026年1月，合肥综合性国家科学中心大健康研究院在病毒感染与神经系统自身免疫性疾病领域取得重要进展。该研究通过免疫多肽谱分析和自身反应性CD4+ T细胞功能鉴定，揭示了爱泼斯坦-巴尔病毒（EBV）感染与人类白细胞抗原HLA-DR15协同作用，通过呈递髓鞘自身抗原多肽并激活自身反应性CD4+ T细胞，共同驱动多发性硬化症（MS）发生的新机制。相关研究成果以“EBV Infection and HLA-DR15 Jointly Drive Multiple Sclerosis by Myelin Peptide Presentation”为题在线发表在《Cell》杂志。流式技术团队为本研究提供流式细胞分选技术支持，高效、精准地分离、获取目的细胞亚群，为后续的深度研究打下坚实的基础。 2025年11月，智飞生物全资子公司--安徽智飞龙科马生物制药有限公司自主研发的带状疱疹mRNA疫苗临床试验申请，获得国家药品监督管理局受理（受理号：CXSL2500961）。流式技术团队依托前沿的单颗粒纳米流式分析技术，凭借其高灵敏度与高分辨率优势，在mRNA疫苗研发与质控中发挥关键作用。团队通过精准测定mRNA-LNP（脂质纳米颗粒）的粒径分布与浓度、精确分析包封效率与载药量，并系统评估颗粒稳定性与储存条件，为mRNA疫苗的全流程质量监测与效果评价提供了重要的数据支撑与技术保障。 2025年11月12日，合肥综合性国家科学中心大健康研究院曹灿和王春玉研究团队，与中国科学技术大学生命科学与医学部薛天课题组以及天津医科大学陈贺课题组合作，在Cell杂志发表题为“Pathway-Selective 5-HT1AR Agonist as a Rapid Antidepressant Strategy”的研究文章。该研究提出一种基于5HT1A受体信号通路选择性的快速抗抑郁新策略，并据此理性设计出候选化合物TMU4142。TMU4142在抑郁小鼠模型中展现出显著的快速抗抑郁样效果。流式技术团队依托完善的仪器设备与专业的服务，为本次研究提供了先进的高通量流式细胞检测等技术支持。 以上服务成效体现了流式团队服务前沿科研、推动创新成果产出的专业能力。 特色课程 2025年与2024年10月中旬，流式检测中心先后组织举办了两届“合肥大健康研究院流式细胞实验技术专题培训班”。培训班以“高质量、小规模、多理论、重实操”为特色，系统涵盖从流式技术应用到多种实验开展的全流程解决方案，致力于为学员提供一个学习提升与交流合作的平台。两届培训班均吸引了来自省内外多所高校、医院及生物企业的教师、研究生与技术人员积极参与，并获得广泛认可。 开放共享 流式检测中心自2023年5月正式运行以来，服务研究院内30多个课题组/技术平台，院外40多家企事业单位，包括中国科学技术大学、空军军医大学、哈尔滨医科大学、南京医科大学、同济大学、安徽大学、安徽农业大学、安徽医科大学、安徽中医药大学等高校，省立医院、安徽医科大学第一附属医院、安徽医科大学第二附属医院、安徽省第二人民医院、安徽省妇幼保健院等医院，以及安徽智飞龙科马生物制药有限公司、合肥阿法纳安科生物科技有限公司、合肥莱芒生物科技有限公司、楷拓生物科技（苏州）有限公司、夏同生物科技（苏州）有限公司等生物医药企业单位。设备总运行时长超22000小时，共计服务10000余人次。 项目承接与合作 流式检测中心多次承接并完成包括人外周血多色免疫分型、各类动物组织样本的多指标分析与单细胞分选、外泌体及脂质体纳米颗粒表征在内的一系列实验项目。中心也积极参与了多项国家级课题和转化项目，以先进的设备、专业的技术、可靠的结果、优质的服务赢得了合作单位的广泛好评与良好反馈。 公共技术平台流式检测中心始终致力于为高校、科研院所及生物医药企业提供专业、开放、高效的技术服务，覆盖免疫评估、细胞功能分析、单细胞分选、药效评价、纳米颗粒表征等多个方向，持续助力区域生命健康科技创新与产业发展。 欢迎各界人士垂询与交流： 网址：https://facility.ihm.ac.cn 邮箱：pic@ihm.ac.cn 手机：18656006590 孙老师 地址：合肥经济技术开发区宿松路4090号 公共技术平台 科技创新向未来

2026年1月10-11日，“2026北京泌尿肿瘤青年医师学术交流会”于北京正式召开。本届会议为期一天半，为泌尿肿瘤领域同道带来了一场全领域、多维度、有创新、有思考的头脑风暴，也在新年伊始为泌尿肿瘤青年医师的发展注入了一股强劲动力。 开幕式 北京大学肿瘤医院盛锡楠教授、四川大学华西医院曾浩教授、中国医学科学院肿瘤医院叶雄俊教授作为会议执行主席，向莅临现场的专家学者表示热烈欢迎，并正式拉开会议序幕。 中国医学科学院肿瘤医院李长岭教授表示，青年兴则国家兴，青年强则事业强，并像6年前一样，引用梁启超先生《少年中国说》寄语广大中青年学者。转眼，北京泌尿肿瘤青年学术交流会已经过6年发展，6年前的青年学者如今已成为领域发展的中坚力量，每年会议的青年专家云集，也充分显示了青年一代的凝聚力和向心力，祝愿各位有志青年都将发展成为行业大家，也预祝本次会议圆满成功。 北京医院王建业教授表示，北京泌尿肿瘤青年交流会一直在行业内备受关注，且逐年壮大。今年，泌尿肿瘤中前列腺癌、肾癌两大瘤种都列入了国家科技创新2030“四大慢病重大专项”，体现了国家对泌尿肿瘤的重视，广大同道更应该联合多学科力量，吸收前沿进展，积极开拓创新，为个人成长、学科发展打好基础。 四川大学华西医院魏强教授表示，多年来，北京泌尿肿瘤青年学术交流会为青年医师成长注入了活力，搭建了科研创新和临床实践的发展平台。今年的会议除聚焦年度进展外，还特别设置“泌尿肿瘤先锋探索专场”，也体现了对青年医师在提升临床实践能力的同时也要开展创新探索的厚望。期待通过这次思想碰撞，能够激发各位同道的探索热情，共同携手为泌尿肿瘤事业发展积蓄力量。 中国医学科学院肿瘤医院邢念增教授表示，每年的北京泌尿肿瘤青年学术交流会都让人耳目一新，每次参会都有新的收获。往年会议的年度盘点中，我们大多在学习吸收国外的研究进展和学术热点，而今年我们可喜地看到中国泌尿肿瘤领域也有众多可圈可点的原创研究成果被国际认可，尤其是郭军教授和盛锡楠教授团队的成果发表于《新英格兰医学杂志》，让我们引以为豪。青年是未来，是希望，期待青年学者在新的一年一路向前！ 解放军总医院张旭院士表示，中国泌尿肿瘤领域近年来取得了显著进步，当下加强国际交流至关重要。我们需要在国际舞台上发出声音，让全世界的同道了解中国进展。随着中国老龄化发展，泌尿肿瘤也逐渐受到重视，肿瘤诊疗的提升需要多学科共同参与，也需要青年人才踊跃进步，衷心希望北京泌尿肿瘤青年交流会可以为大家提供一个发展平台，适应学科发展态势，并推动学科更长远地发展。 北京大学肿瘤医院郭军教授表示，当今的青年一代是幸运的一代，以魏强教授为代表的前辈为他们提供了强有力的支持和快速成长的机会，大家应倍感珍惜。同时，他表示，一切过往皆是序章，真正的华彩乐章还有待青年一代继续谱写，而我们也已经看到了中国力量崛起的希望。最后，郭军教授表示，希望大家可以通过这一平台打破壁垒、广泛交流，携手推进中国泌尿肿瘤领域发展，并预祝本次北京泌尿肿瘤青年论坛圆满成功。 主旨报告 在西安交通大学第一附属医院贺大林教授、山东大学齐鲁医院史本康教授、吉林大学中日联谊医院晋学飞教授、北京大学第三医院张树栋教授的主持下，会议进入主旨报告环节。 北京大学未来技术学院席建忠教授以“基于微肿瘤模型开展精准医学及耐药机制研究”为主题，讨论了基础科学视角的肿瘤药物研发：由于肿瘤时空异质性和动态进化，肿瘤精准医学仍面临多重挑战，指导患者用药的体外模型建立势在必行，学科间应加强合作，以期在未来几年内实现技术突破。 西安交通大学第一附属医院吴开杰教授以“区域医疗中心建设与个人发展”为题探讨了国家“大局”之下个人与区域学科的协同发展，分享了青年医师在学术发展、职业规划和政治使命之间的平衡之道以及促进医疗资源下沉、为基层百姓谋福利的国家区域医疗中心建设经验和成效。 在讨论环节，中山大学肿瘤防治中心张志凌教授、江苏省肿瘤医院喻彬教授、山西省肿瘤医院郝海龙教授、北京大学人民医院杜依青教授围绕微肿瘤模型的开发应用、学科建设、医疗资源调配及青年医师发展各抒己见，展开了热烈讨论。 肾癌年度探索与思考 在中国医学科学院肿瘤医院王栋教授、上海交通大学医学院附属仁济医院张进教授、华中科技大学同济医学院附属协和医院邢毅飞教授、北京大学第一医院张争教授、中国医学科学院肿瘤医院关有彦教授、复旦大学附属肿瘤医院瞿元元教授、湖南省肿瘤医院谢宇教授的主持下，会议进入“肾癌年度探索与思考”环节。 中国医学科学院北京协和医院朱文佳教授在报告中介绍了肾癌核素诊断与治疗的协和探索。他指出，相较于前列腺癌、肾上腺肿瘤，肾癌似乎仍游离在核医学科与泌尿肿瘤合作的边缘，而协和团队根据VHR基因突变通路，开展了CA9靶点相关的肾透明细胞癌显像和治疗探索，并开展IIT研究布局来辅助临床诊疗。同时，团队也在VHR综合征领域进行了一系列探索。 上海交通大学医学院附属仁济医院黄吉炜教授在报告中以不可切除的肿瘤转化为可切除或降低手术难度、减少损伤，不可部分切除的肿瘤变得可以部分切除（保肾、高难度保肾），预后探索三个场景介绍了肾癌新辅助治疗面临的困境与思考，并以问题为导向介绍了临床研究的设计和开展思路。 北京大学肿瘤医院鄢谢桥教授在报告中讨论了靶免治疗失败后的选择，重点介绍了TKI单药、HIF抑制剂、免疫治疗、mTORi等在不同治疗背景下的疗效差异，强调了根据患者具体情况进行个体化治疗的重要性，以及通过生物标志物指导治疗选择的必要性。 复旦大学附属华东医院张海梁教授的报告对2026版NCCN诊治指南进行了更新要点解读，报告指出最新版指南的更新主要体现在放射治疗在各期肾癌中地位的显著提升，一线免疫联合方案推荐级别的调整、以及后续治疗路径的精细化分层等方面。 中山大学肿瘤防治中心董培教授在报告中总结了中国肾癌2025年度研究进展，指出2025年是中国泌尿肿瘤的丰收年，临床和基础领域开展了大量高质量临床研究为中国肾癌患者提供了更多治疗选择，未来希望能有更多研究成果转化至临床实践中为患者带来福音。 在讨论环节，山东第一医科大学附属省立医院丁森泰教授、浙江大学医学院附属第一医院周峰教授、吉林省肿瘤医院张雪莹教授、温州医科大学附属第一医院黄航教授、北京大学肿瘤医院李思明教授进一步对肾癌进展及临床实践展开了讨论与回顾。 在大咖论道环节，中山大学肿瘤防治中心周芳坚教授表示，科技发展对医学产生了积极影响，强调人工智能等技术在远程医疗、多学科协作中的应用促进了医学教育与临床实践的变革，并对近五年的领域发展进行了简要回顾。展望未来，呼吁青年医学工作者承担时代责任，推动泌尿肿瘤多学科团队的协作与发展。 尿路上皮癌年度探索与思考（一） 接下来，会议话题聚焦尿路上皮癌，由南方医科大学珠江医院徐啊白教授、天津医科大学第二医院胡海龙教授、河南省肿瘤医院杨铁军教授、云南省肿瘤医院白宇教授、四川大学华西医院张朋教授、南京医科大学第一附属医院吕强教授、大连医科大学附属二院王梁教授联袂主持。 复旦大学附属肿瘤医院沈益君教授的报告围绕尿路上皮癌领域未被满足的保膀胱需求展开，强调了在保证肿瘤控制前提下提升患者生活质量的重要性，讨论了患者选择、治疗方案如TMT联合免疫治疗及新辅助治疗等进展，以及未满足的临床需求，包括精准分层、预测生物标志物和新型联合治疗策略等。 四川大学华西医院鲍一歌教授的报告聚焦于经新辅助治疗MIBC患者的后线处理序贯问题，讨论了新辅助治疗在MIBC治疗中的重要性，以及其与后续治疗方案调整之间的脱节，强调了精准医疗在指导治疗方案调整中的潜力与挑战，呼吁临床研究应更加灵活地考虑新辅助治疗效果，以优化患者治疗方案，减少不必要的治疗副作用。 中山大学肿瘤防治中心尧凯教授在报告中介绍了高危NMIBC联合治疗的研究探索与进展。高危NMIBC是临床诊疗的难点也是痛点，目前的主要治疗模式是“TURBT+化疗/BCG膀胱灌注”模式，但目前BCG膀胱灌注治疗仍存在一定比例的失败等问题，新型灌注方案及生物标志物探索对实现个体化诊疗至关重要。 解放军总医院顾良友教授的报告主题为尿路上皮癌全程免疫治疗循证证据引发的思考，主要从免疫治疗获益、围术期免疫治疗、一线免疫治疗、新辅助/保膀胱四个方面的研究进展进行了解读，分析了不同研究设计和人群选择对结果的影响，以及未来可能的治疗策略优化方向。 四川大学华西医院沈亚丽教授、辽宁省肿瘤医院刘世博教授、北京协和医院李孝远教授、四川大学华西医院谭平教授、北京大学肿瘤医院曹煜东教授、中山大学肿瘤医院蒋丽娟教授在讨论环节对上述尿路上皮癌进展与临床实践思考进行了讨论。 大咖论道环节，北京大学第一医院何志嵩教授聚焦于晚期尿路上皮癌一线治疗的最新进展，强调了ADC联合免疫治疗的重要突破，并指出，随着治疗选择的增加，如何合理选择成为新挑战，但同时也为临床实践和研究提供了更多机会，希望大家可以团结起来开展更多的研究来应对这些挑战，相信我们终将“长风破浪会有时，直挂云帆济沧海”！ 尿路上皮癌年度探索与思考（二） 之后的环节继续聚焦尿路上皮癌，由北京大学肿瘤医院崔传亮教授、西安交通大学第一附属医院范晋海教授、解放军总医院郁华亮教授、昆明医科大学第二附属医院王海峰教授、北京医院王建龙教授、山东第一医科大学附属肿瘤医院邹本奎教授共同主持。 北京大学肿瘤医院盛锡楠教授在报告中分享了晚期尿路上皮癌一线治疗进展与思考。报告主要回顾了RC48-C016研究的总体设计及主要结果，提示晚期尿路上皮癌已经进入免疫联合ADC的治疗时代，更多新机制的ADC药物正涌入临床研究，但ADC治疗失败后的选择也成为迫在眉睫的临床难题。 华中科技大学同济医学院附属协和医院樊继全教授承接上一报告，聚焦ADC失败后的治疗选择。报告从指南推荐、ADC一线治疗相关临床研究中进展患者的治疗选择和潜在获益的临床研究汇总三个方面抽丝剥茧，并总结出了治疗线索。 中国医学科学院肿瘤医院韩苏军教授解读了2026版NCCN尿路上皮癌指南的更新要点，主要聚焦于分子分型、生物标志物应用及诊疗个体化，强调精准诊疗，并从NMIBC、MIBC、转移性尿路上皮癌等方面详细介绍了更新要点，强调诊疗流程及随访管理的优化，整体趋势为从根治性治疗到个体化保器官的综合治疗。 北京大学第一医院张崔建教授在报告中回顾总结了中国尿路上皮癌2025年度进展。报告从2025年度国内文章发表情况切入，并对重要研究成果进行了逐一解读。在尿路上皮癌领域，国产原研药物取得了重大突破，提升了中国学者在国际舞台的竞争力，也体现了中国在科研领域的深厚实力和创新潜力。 在最后的讨论环节，中山大学孙逸仙纪念医院覃涛教授、南昌大学第一附属医院董涵之教授、天津市肿瘤医院韩颖教授、南京大学医学院附属鼓楼医院张顺教授、北京大学肿瘤医院周莉教授对尿路上皮癌的治疗进展，尤其是ADC的应用和发展进行了回顾和讨论。 郭军教授在大咖论道环节强调了青年医师独立思考对开展科学研究和职业发展的重要性，表示青年医师应避免盲目模仿和人云亦云，科研应基于对领域实践的深度理解和独立思考，而非简单重复。最后，郭军教授鼓励青年医师培养独立思维，好的idea才能产生更有价值的研究成果。 前列腺癌年度探索与思考 1月10日下午的会议由大会执行主席、中国医学科学院肿瘤医院王栋教授主持开场。“前列腺癌年度探索与思考”专场由中国医学科学院肿瘤医院王栋教授、重庆医科大学附属第一医院何卫阳教授、广西医科大学附属肿瘤医院唐勇教授、陆军军医大学第二附属医院郑霁教授共同主持。 中山大学肿瘤防治中心李永红教授的报告题为“前列腺癌新辅助治疗的陷阱——接受新辅助治疗前列腺癌的预后分析”。报告展示了团队对前列腺癌新辅助治疗的独特思考，以一例病例的诊治经过引出了两大关键问题：新辅助治疗对RP术后临床/病理特征的影响，以及接受新辅助治疗后无不良临床/病理特征预后如何？并根据中山大学肿瘤防治中心前列腺癌数据库和相关文献资料分析，做出了解答。 四川大学华西医院沈朋飞教授解读了前列腺癌核素治疗研究现状及未满足的临床需求。报告梳理了PSMA靶向放射性配体治疗应用于前列腺癌不同阶段或不同人群的关键临床研究，指出177Lu-PSMA-617的应用还存在序贯/联合方案、人群选择、治疗时机等临床挑战，未来需要多学科协作、精准医学策略和持续创新来满足这些需求，为前列腺癌患者提供更有效的治疗选择。 复旦大学附属肿瘤医院卞晓洁教授的报告回答了一项创新性的临床问题：T cell engager（TCE）是否是前列腺癌免疫治疗的救星？报告详细介绍了TCE的结构与作用机制，并列举了现阶段正在进行的临床研究及药物疗效和相关毒性。总体而言，TCE治疗前列腺癌前景广阔，但也面临毒性管理等临床挑战，需要更多研究来丰富管理经验和疗效数据。 山东大学齐鲁医院陈守臻教授的报告解读了2026版NCCN前列腺癌指南的更新要点，主要包括局限性前列腺癌的诊断与治疗、转移性前列腺癌的诊断与治疗更新、其他诊断及治疗的更新三个方面，并指出NCCN指南充分体现了多学科诊疗特色。 上海交通大学医学院附属仁济医院潘家骅教授回顾了中国前列腺癌2025年度进展。潘教授指出，2025年度前列腺癌领域进展可观，文章发表数量较2024年度上升23%，中国学者高质量研究成果显著增加，并进一步从临床研究进展和基础研究进展两个方面进行了关键研究回顾。 北京大学肿瘤医院刘辰教授、北部战区总医院郭放教授、华中科技大学同济医学院附属同济医院寻阳教授在讨论环节共同回顾了前列腺癌进展，并对临床实践的关键问题展开了讨论。 少见泌尿肿瘤专场 少见泌尿肿瘤专场由北京协和医院张玉石、中山大学肿瘤防治中心韩辉教授、复旦大学附属肿瘤医院张盛教授、首都医科大学附属北京朝阳医院田龙教授主共同持。 北京协和医院邓建华教授为大家分享了肾上腺肿瘤的规范化诊治策略及进展。报告从影响筛查诊断、治疗决策等方面介绍了肾上腺肿瘤的诊疗规范，并以关键疾病类型为代表分别解读了相关研究进展和应用实践。 中国医学科学院肿瘤医院李亚健教授对2026版NCCN阴茎癌指南的更新进行了解读，报告根据泌尿外科诊疗经验，以EAU指南结合NCCN指南，从肿瘤标本病理评估、分期、诊断、鉴别诊断、治疗策略、淋巴结处理、全身治疗等方面介绍了指南推荐及更新要点。 北京大学肿瘤医院唐碧霞教授介绍了2026版NCCN睾丸肿瘤的更新要点，并从原发性腹膜后淋巴结清扫术、化疗后腹膜后淋巴结清扫术、系统性药物治疗三个方向进行了解读和相关研究数据的回顾。 河北大学附属医院贾友超、北京大学肿瘤医院内蒙古医院陈鹏教授在讨论环节对上述话题进行了讨论。 泌尿肿瘤先锋探索专场 本届会议特别设置了“泌尿肿瘤先锋探索专场”，由中山大学孙逸仙纪念医院陈长昊教授、解放军总医院郭刚教授、天津医科大学第二医院李伟教授、浙江大学附属第一医院朱意教授、北京协和医院徐维锋教授、北京大学第一医院虞巍教授共同担当主持。 山东省肿瘤医院李因涛教授、四川大学华西医院孙光曦教授、安徽大学邵立智教授分别以“浅谈凝练临床科学问题”、“ 深度学习技术在罕见肾癌病理辅助诊断中的应用探索”、“ 肿瘤恶性度的多尺度量化与临床决策辅助”为题发表了报告。 上海交通大学医学院附属仁济医院张瑞赟教授、青岛大学附属医院谢飞教授、四川大学华西医院陈俊儒教授、内蒙古医科大学附属医院曹冉华教授、北京大学肿瘤医院李娟教授对上述内容进行了讨论。 中山大学肿瘤防治中心李向东教授、上海交通大学医学院附属仁济医院董樑教授、中国医学科学院肿瘤医院杨飞亚教授、天津医科大学第二医院许天笑教授分别以“睾丸癌化疗后腹膜后残存病灶的外科精准治疗”、“基于细胞外囊泡的前列腺癌免疫治疗新策略探索”、“活体自组装Nano-PROTAC降解AR/HSP90用于耐药的前列腺癌治疗”、“ IL-6受体拮抗剂增强肾癌靶免治疗疗效的临床应用价值探索”为题进行了报告。 山东大学齐鲁医院蒋学文教授、北京大学肿瘤医院吴晓雯教授、北京大学第一医院周靖程教授、吉林大学白求恩第一医院孙乐萌教授就上述主题展开了讨论。 会议总结 最后，盛锡楠教授和叶雄俊教授作为执行主席对会议进行了总结：本届会议为期一天半的议程至此圆满结束，感谢各位在场同道的支持和坚守，期待这次交流的头脑风暴能给大家带来收获，也期待能在来年的北京泌尿肿瘤青年医师学术交流会与大家再次相聚！ 北京泌尿肿瘤青年医师学术交流会至今已走过6年发展历程，旨在为泌尿肿瘤青年医师搭建高水平的学术交流平台，通过专题报告、大咖论道与互动讨论，助力临床实践与科研创新能力的提升，推动我国泌尿肿瘤诊疗事业的持续发展，未来也将作为领域内品牌会议持续推进中国泌尿肿瘤青年医师发展。 4月，另一领域盛会——第四届泌尿肿瘤临床研究大会也将在京召开，会议延续传统，将继续聚焦泌尿肿瘤创新发展和高水平临床研究开展，推动泌尿肿瘤临床研究取得新突破。请大家持续关注！ 编辑 | 中国医学论坛报社 黄琳琳 审阅 | 北京大学肿瘤医院 盛锡楠

随着人工智能技术的发展及大规模数据集的积累，深度学习已成为抗癌药物协同作用预测的核心方法。针对该领域，安徽大学郑春厚与苏延森团队于2025年12月16日在《npj Drug Discovery》期刊上发表题为“A review of deep learning approaches for drug synergy prediction in cancer”的综述文章。文章从单任务学习和多任务学习的视角，对经典与新兴的深度学习模型进行系统梳理，讨论了当前面临的数据与技术挑战，并展望了推动计算药物协同预测发展的未来研究方向。 背景 近年来，药物治疗受到越来越多的关注，已成为攻克癌症的重要手段之一。然而，传统的癌症单药治疗存在诸多局限性，例如耐药性增强、患者不良反应增加、治疗效果有限以及治疗失败风险上升。从药理学角度看，药物联合使用可能产生协同、相加或拮抗效应，具体取决于其联合效应是否分别高于、等于或低于各单药的独立效应。其中，协同效应在药物治疗中尤为理想，因为其能够降低耐药发生率、增强治疗效果、减少患者副作用并提高治疗成功率。如图1所示，药物协同治疗能够有效弥补单药治疗的不足。 图1 单药治疗与药物协同治疗的比较。 目前，已经开发了多种知名的体外计算方法用于检测药物组合的协同效应。代表性方法包括 Loewe、Bliss、HSA以及ZIP。此类方法通常基于药物剂量数据和表型效应，采用统计学方法计算药物组合的协同评分。然而，这些方法无法提供药物在分子层面相互作用的详细信息，从而限制了对药物协同机制的深入理解。此外，由于依赖实验筛选，这些方法通常只能在有限范围内识别协同药物效应，因而被认为耗时且效率较低。 为弥补体外方法的不足，研究者提出了基于传统机器学习的药物协同预测模型。代表性方法包括ComboFM、ComboLTR等。与体外计算方法相比，基于传统机器学习的预测模型具有高时效性和高成本效益的优势。然而，这类模型仍然面临可解释性不足和预测精度有限的问题。 基于深度学习的预测模型在推断协同药物组合方面展现出良好前景。一方面，随着深度学习可解释性技术的发展，深度学习预测模型的决策过程变得更加透明。另一方面，深度学习预测模型通过整合多种生物医学数据，显著提升了预测精度。深度学习模型能够基于已有的异构数据推断潜在的相互作用，从而减少对多来源信息的大规模采集需求。这种表示学习能力使研究人员能够高效筛选并优先验证最具潜力的药物组合，在保证较高预测准确性的同时节省时间和资源。 在该综述中，作者系统介绍了经典及最新的基于深度学习的药物协同预测模型，重点关注多任务学习模型，并讨论了该领域面临的局限性与挑战。图2清晰展示了利用深度学习模型进行药物协同预测的整体流程。 图2 深度学习模型在药物协同预测流程中的应用。 药物协同资源 深度学习预测模型依赖于多种资源捕获药物之间复杂的关系与模式。近年来，许多专注于药物协同研究的科研机构相继开发了协同效应评价指标、数据库、交互式软件工具以及网络平台，用于促进协同药物组合的发现与分析。 协同效应评价指标从不同角度刻画了药物-药物之间的关系。具体来说，Loewe和Bliss侧重于理论参考模型，HSA强调基于经验的比较，而ZIP则融合了概念模型与实验数据两方面的视角。在药物协同预测研究中，审慎选择并一致性地应用这些评价指标，对于构建具有可重复性和可比性的基准体系至关重要。 多种常用的药物协同数据集涵盖了在多种癌症细胞系中测试的数千种药物组合，并经过专门整理，用于训练基于深度学习的预测模型。关于这些数据集的详细信息见表1。这些全面且高度整合的药物协同数据集为构建高可靠性的深度学习预测模型提供了宝贵资源，并加速了用于癌症治疗的新型协同药物组合的发现。 表1 基准药物协同数据集汇总。 目前已开发出多种交互式软件工具和网络平台，用于促进药物协同数据的可视化、分析与解读，其汇总见表2。总体而言，这些交互式分析平台为药物组合研究提供了强有力的计算支持。通过实现数据可视化、协同效应定量评估以及预测建模，它们显著提升了药物协同研究的可访问性与可重复性，并有助于推动更有效联合治疗方案的开发。 表2 公开交互式软件工具和网络平台汇总。 药物与细胞系的特征表示 基于深度学习的药物协同预测模型的输入通常由癌症细胞系特征和药物特征共同构成。这些特征的质量对于预测模型的性能至关重要。如图3所示，研究者从不同角度发展多种特征表示方法，用以刻画药物和细胞系的性质。 图3 常见药物与细胞系特征。 对于药物而言，其化学结构是其理化性质的基础。具有相似化学结构的药物往往表现出相似的生物活性和药代动力学特性。药物的化学信息通常可表示为字符串形式，最常见的是采用SMILES表示法。SMILES可被视为一种将分子结构编码为字符串的方式，以紧凑的文本形式描述原子及其连接关系。在计算研究中，SMILES字符串常被转换为分子图，其中原子作为节点，化学键作为边。分子图能够有效捕获分子内部的拓扑关系。基于分子图，可以计算拓扑指纹，用于刻画原子对或原子路径之间的连接模式。此外，分子图主要描述单一化合物内部的拓扑结构，而异构图则将这一概念扩展至分子间及跨实体的关系，将药物与蛋白质、细胞系和通路等生物实体连接起来。通过异构图建模整合药物–生物实体相互作用信息，已成为构建全面药物表示的重要策略。 对于细胞系而言，基于深度学习的模型通常采用基因组学和功能组学数据作为输入特征，包括基因表达谱、突变状态、拷贝数变异、DNA甲基化、基因效应评分以及依赖概率等。这些特征能够全面刻画每个细胞系的分子状态和调控程序，为理解其潜在的药物响应提供关键信息。除内在的基因组特征外，细胞系与药物、蛋白质及组织等生物实体之间的相互作用反映了疾病表型背后的多层次调控机制。通过在图结构框架下整合细胞系的分子特征及其基于相互作用的关系，模型不仅能够捕获分子层面的属性，还能学习系统层面的依赖关系，从而提升深度学习模型在药物协同预测中的可解释性和预测性能。 基于深度学习的药物协同预测模型 表3总结了代表性深度学习模型所使用的数据集，以及对应的药物和细胞系特征信息。 表3 深度学习预测模型所使用的数据集与特征信息汇总。 现有的深度学习预测模型可大致分为单任务学习框架和多任务学习框架。单任务学习模型仅关注药物协同预测任务，其模型结构可采用分支结构(图4a)或图结构(图4b)。具体来说，分支结构使模型能够并行处理多种特征或信息来源，从而有效捕获与药物和疾病相关的多种输入之间的关系；相比之下，图结构通常用于处理异构网络中的复杂关系，以揭示药物与疾病之间的相互作用。而多任务学习模型则在预测药物协同作用的同时，引入药物敏感性预测(图4c)或药物–药物相互作用预测(图4d)等辅助任务。 此外，药物协同预测既可建模为分类任务，也可建模为回归任务。在分类设定下，模型根据实验协同评价指标的预定义阈值，将药物组合划分为协同或非协同两类，并使用二分类标签进行区分；在回归设定下，模型学习预测连续的协同评分，以表征不同细胞系中药物相互作用的强度。表4对代表性的深度学习模型进行了汇总，包括模型属于单任务或多任务、模型结构设计以及任务建模方式等信息。与大多数单任务学习模型相比，多任务学习模型的整体架构相对简洁，模块数量也更少。通过引入辅助任务，多任务学习模型的预测性能得到了显著提升。 单任务学习：基于协同效应预测的模型方法 单任务学习方法以药物组合协同效应预测为唯一建模目标，是该领域最早、也是研究最为广泛的一类方法。现有单任务模型主要可分为基于网络结构的模型和基于图结构的模型两大类。 （1）基于分支结构的单任务学习模型 该类方法通常为两种药物及细胞系的多模态特征（如分子指纹、基因表达谱等）设计独立的分支网络进行编码，每条分支能够专门提取对应实体的特征表示。随后，各分支的输出在高层融合，通过多层感知机、注意力机制或特征交互模块建模药物-药物-细胞系三者之间的非线性关系。通过端到端训练，该类模型在药物协同预测任务中取得了良好性能，显示了深度神经网络的应用潜力。 （2）基于图结构的单任务学习模型 图神经网络被广泛应用于构建包含药物、细胞系、蛋白质及疾病等多维信息的异质图模型，通过整合转录组学、蛋白质组学及药理学等多源异质数据，构建起跨尺度的生物关联网络。通过在图结构上执行多轮消息传递与聚合，该类模型能有效捕获不同生物实体间潜在的高阶复杂交互，挖掘深层生物路径关联，从而为预测药物协同效应提供关键的结构特征与语义表征。 图4. 用于药物协同预测的单任务学习模型与多任务学习模型结构概况。 多任务学习：协同效应预测模型的重要拓展方向 为缓解单任务学习在监督信号不足方面的局限，近年来多任务学习逐渐成为药物协同预测领域的重要研究方向。该类方法通过在共享表示空间中联合建模多个相关任务，引入额外的生物学约束与辅助监督信息，从而提升模型的鲁棒性和泛化能力。根据辅助任务的类型，多任务模型主要可分为以下两类。 （1）基于药物敏感性预测的多任务模型 该类方法将单药敏感性预测作为辅助任务，与药物组合协同效应预测进行联合学习。通过共享药物和细胞系的底层表示，该类模型能够同时捕获单药作用机制与联合用药效应之间的内在联系，从而在一定程度上缓解协同数据稀缺带来的训练不稳定问题。 （2）基于药物-药物相互作用预测的多任务模型 另一类多任务方法引入药物-药物相互作用预测任务，显式刻画药物之间的相互作用关系。该类模型通常通过共享药物表示或引入任务特异的交互模块，使模型在关注协同效应的同时，对药物对之间潜在的相互作用保持敏感，有助于从更全面的角度理解药物组合的生物学效应。 表4 不同深度学习预测模型及其对应任务设置。 为比较不同类型模型的预测性能，作者选取了若干具有代表性的模型以DrugComb数据集作为数据来源开展对比实验。为直观展示模型比较过程，图5给出了所有模型所遵循的完整流程，包括数据准备、样本划分和模型构建。 图5 用于药物协同预测模型比较的完整工作流程。 预测模型性能比较结果如表5所示。总的来说，SynergyX和MDNNSyn的优异表现源于其构建高质量特征的能力，而对于多任务学习模型而言，特征质量，尤其是共享特征的质量，同样至关重要。因此，未来的多任务学习模型应进一步提升构建信息更丰富的共享药物或细胞系特征的能力。 表5 预测模型在DrugComb数据集上的性能比较。 讨论及展望 基于深度学习的预测模型在预测药物组合协同效应方面显示出巨大潜力，但在数据、技术和优化方面仍有改进空间，如图6所示。 图6 基于深度学习的药物协同预测模型的发展展望。 数据方面：药物浓度测量。在实际应用中，药物浓度是影响治疗效果的重要因素。在实验验证阶段，研究人员需要通过生物实验测量并调整药物浓度，以确保药物组合在适宜浓度下发挥最佳效果。该过程不仅耗时，而且需要大量实验资源和专业技术。为了提升模型的实用性和准确性，未来的发展方向可包括将药物浓度纳入关键参数，使模型不仅预测哪些药物组合具有协同效应，还能评估不同浓度下的药物作用效果，并指导浓度调整以实现最佳治疗效果。这需要构建包含药物浓度信息的药物协同数据集，使预测模型能够处理并学习药物浓度与疗效之间的关系。 技术方面：优化药物和细胞系特征。大多数深度学习方法通常独立分析药物和细胞系特征。然而，不同药物之间的相互作用在不同细胞系中可能产生不同效果，从而影响整体治疗结果。未来研究方向可包括开发新算法，更好地理解和建模药物组合与细胞系之间的复杂相互作用，从而为构建更合理的药物和细胞系特征提供指导。在多任务学习框架下，共享特征可以帮助模型同时执行药物协同预测任务与辅助任务。不同任务可以共享表示学习过程中获得的通用特征，同时学习任务特异性特征，这种互补性有助于增强模型对药物协同效应的理解。因此，设计新技术以提升多任务学习预测模型中共享特征的质量，也是一个值得探索的发展方向。 优化方面：提升多任务预测能力。在构建多任务预测模型时，寻找每个损失函数的最优权重参数，以及确定如何组合多个损失函数以实现最佳整体性能，是值得研究的问题。此外，在某些多任务学习模型中，单药敏感性预测任务的性能尚未与以往研究进行直接比较。这主要是由于不同研究中所用的数据集、敏感性评分指标和评价方法存在差异。因此，未来研究有望解决这些差异问题，从而实现辅助任务的更有意义比较。此外，设计新的辅助任务也是必要的。通过引入新型辅助任务，如疾病–靶点关联预测、药物–靶点亲和力预测等，模型可以从多个角度和层次理解药物组合的协同效应，从而学习更丰富、更具多样性的特征。 参考资料 Li, L., Zhang, H., Zheng, C. et al. A review of deep learning approaches for drug synergy prediction in cancer. npj Drug Discov. 2, 30 (2025).  https://doi.org/10.1038/s44386-025-00034-1