Qingdao University of Science & Technology

精准医疗需要准确预测肿瘤细胞系对药物的反应，以优化治疗效果并降低医疗成本。现有模型在特征提取方面存在不足，忽略药物的空间结构，无法充分利用其几何信息。同时，肿瘤细胞系因多组学数据(如表观基因组、转录组、基因组)的复杂性，使预测更具挑战性，仍需更先进的方法提升准确性。 为解决上述问题，青岛科技大学于彬教授团队于2026年2月4日在《Journal of Medicinal Chemistry》上发表文章，题为 “MTEGDRP: Interpretable Molecular Self-Attention Transformer and Equivariant Graph Neural Network Based on Multi-Omics Fusion for Drug Response Prediction in Cancer Cell Lines”。文章提出了一种新颖的基于多组学的可解释分子自注意力Transformer和等变图神经网络的模型MTEGDRP，用于肿瘤细胞系的药物反应预测。 MTEGDRP代码仓库： https://github.com/YuBinLab-QUST/MTEGDRP 背景 随着人工智能和计算生物学的快速发展，肿瘤药物反应预测(Cancer Drug Response Prediction, CDR)已成为精准医学与计算药物学领域的重要研究方向。该研究聚焦于肿瘤细胞对抗癌药物的敏感性与耐药性差异，旨在通过系统建模药物分子特征与肿瘤多组学信息之间的复杂关系，为不同肿瘤个体筛选最优治疗方案。这一方向对于提升临床用药有效性、降低不良反应以及推动个性化治疗策略的制定具有重要意义。 传统的药物反应研究方法主要依赖体外实验和临床试验，成本高、周期长，且难以全面刻画肿瘤分子层面的异质性。随着高通量测序技术的发展，基因组、转录组和表观遗传组等多组学数据不断积累，为系统解析肿瘤分子特征提供了数据基础。借助人工智能强大的特征学习和非线性建模能力，CDR研究能够在大规模数据中自动挖掘影响药物反应的关键分子模式，从而实现对肿瘤药物敏感性的精准预测。然而，肿瘤药物反应预测仍面临若干关键挑战。一方面，多组学数据维度高、噪声大，特征冗余问题突出，另一方面，现有方法对药物分子结构信息的建模仍较为粗略，难以充分刻画其真实的空间几何特性。此外，多模态数据融合过程中对药物-肿瘤复杂交互关系的刻画仍有待加强。这些问题在一定程度上制约了模型预测性能和实际应用效果。因此，本文结合了药物的三维立体结构，肿瘤多组学细胞系的信息以及两者之间的高阶关系，构建了一种基于多组学的预测方法，如图1所示。 图1 摘要图 方法 本文构建一个预测肿瘤药物反应的深度学习模型，称为基于分子自注意 Transformer和等变图神经网络的肿瘤细胞系药物反应预测模型MTEGDRP，模型结构如图2所示。其中肿瘤细胞系特征学习如图2(A)所示，MTEGDRP在处理肿瘤细胞系数据时，先将基因组突变数据、基因表达数据和DNA甲基化数据使用Kernel Principal Components Analysis(KPCA)进行降维，然后将得到的特征矩阵编码后输入一个4层Transformer编码器中提取高级表达特征。药物结构特征学习如图2(B) 所示，MTEGDRP 在处理药物结构信息部分会首先对药物分子使用4层分子自注意力的Transformer编码器，基于自注意力机制，捕捉药物分子中各个原子或基团间的关联联系，提取出反映药物分子结构内在特性的初步特征表示。 随后，经分子自注意力Transformer处理后的特征被输入至等变图神经网络，该网络借助图结构数据，能够有效保留药物分子的拓扑结构信息，其等变特性确保在旋转、平移等几何变换下，能够深度提炼更加稳定准确的药物分子的高阶特征。将编译后的肿瘤细胞系高级特征与药物高级特征通过4层Transformer解码器解码后形成联合表示，MTEGDRP模型Transformer解码器部分如图2(C)所示。最后将肿瘤细胞系高级特征与药物高级特征的联合表示输入具有三个隐藏层的全连接网络中预测IC50值，MTEGDRP模型预测部分如图2(D)所示。 图2 MTEGDRP框架概述。(A)处理肿瘤细胞系多组学数据(基因组突变、基因表达和DNA甲基化数据)的 Transformer编码器模块。(B)用于处理药物分子结构信息的分子自注意力Transformer编码器模块，及用于获取药物分子空间结构信息的等变图神经网络模块。(C)Transformer解码器端，用于对编译后的肿瘤细胞系高级特征与药物高级特征进行解码。(D)利用得到的肿瘤细胞系和药物分子信息进行药物反应预测。 结果 数据集 本研究中使用多个公共数据集，包括GDSC2、CCLE、COSMIC和TCGA患者数据集。其中排除任何组学数据缺失的肿瘤细胞系和没有PubChem ID或PubChem ID 不正确的药物。最终，从222种药物和764个细胞系的相互作用对中，共获得 147027个可用实例。 预测已知药物-肿瘤细胞系相互作用反应 回归实验显示，MTEGDRP在各评估指标上均优于其他方法，预测性能最佳，其 RMSE达0.948，PCC和SPCC分别为0.938、0.916，IC50预测值与真实值高度一致。传统Random forest表现较差，深度学习模型因能建模非线性关系更具优势，其中结合Transformer的模型性能进一步提升，GraTransDRP的PCC、SPCC已达 0.933、0.912。MTEGDRP相较GraTransDRP全面优化，误差约降1.4%，相关性指标也有提升，展现出更强的预测能力与泛化性，提升了药物反应预测的准确性和稳定性。 表1 MTEGDRP与基线模型在GDSC2数据集上的性能对比 本文从药物、肿瘤细胞系、测试集整体三个维度，全面评估MTEGDRP模型在肿瘤药物反应预测中的测试集预测精度，结果如图3所示。药物层面，模型对各药物预测的 RMSE呈近似正态分布，无显著异常值或偏差，预测性能均衡，能有效捕捉药物分子特性及药物-细胞系间的复杂相互作用，保证预测结果的一致性与可靠性。肿瘤细胞系层面，模型预测RMSE同样呈近似正态分布，且绝大多数细胞系的RMSE小于 1.5，预测误差低，稳定性与泛化能力优异，可精准刻画不同细胞系的生物学特性，对新细胞系也有高预测准确性。测试集整体层面，模型预测IC50值与真实值的散点图显示二者高度线性相关，多数数据点集中在理想参考线附近，能有效模拟药物-细胞系相互作用，精准预测药物的生长抑制效果。多维度分析表明，MTEGDRP模型在各层面均表现出卓越预测性能，预测误差分布稳定、预测值与真实值线性相关性显著，兼具高精度与强泛化能力，有望成为肿瘤个性化治疗和新药开发的有力工具，为精准肿瘤治疗策略探索提供重要支撑。 图3 MTEGDRP模型在测试集上的预测性能分析。 基于TCGA肿瘤类型和药物类型的IC50预测 本研究从29种肿瘤类型的147027个样本中，按8:2随机划分训练集与测试集，以 PCC为指标验证MTEGDRP的泛化能力，肿瘤类型预测结果见图4。实验显示，模型在所有细胞系的PCC达0.951~0.971，其中宫颈鳞癌、甲状腺癌预测表现最优，PCC 分别为0.971、0.965，SPCC亦处于高位。神经母细胞瘤、慢性淋巴细胞白血病表现相对较弱，PCC为0.952、0.951。 基于药物类型的IC50，模型预测效果存在不均衡性，PCC跨度为0.362~0.960。Belinostat、Trametinib为预测效果最佳的两种药物，PCC为0.960、0.958，SPCC同样表现优异；Avagacestat、Bicalutamide预测效果最差，PCC仅0.431、0.362。该差异或因部分药物作用机制复杂，多信号通路靶向、非线性剂量-反应关系等特征难以被模型捕捉。 图4 MTEGDRP在不同TCGA肿瘤类型和不同药物中的表现。 未知药物反应的预测 本研究利用MTEGDRP模型预测GDSC2数据库中缺失的IC50值，挖掘潜在抗肿瘤敏感药物。该数据库包含222种药物与764种肿瘤细胞系的已知相互作用对，模型经完整数据训练学习后，对31357组缺失IC50值(约占全部潜在相互作用的19%)进行预测。预测结果按药物分组并依据平均预测IC50值排序，图5为均值最高和最低的10种药物云雨图，其中均值最低的10种药物可能具有更强抗肿瘤活性，均值最高的则疗效可能较差。值得注意的是，排名靠前的多种药物已被证实有显著肿瘤抑制作用，如紫杉烷类药物Docetaxel、半合成长春碱类药物Vinorelbine，均通过特定机制诱导细胞凋亡，广泛应用于实体瘤治疗。此外，Bortezomib等药物在DeepTTA预测中也排名较高，印证了MTEGDRP模型的可靠性与预测能力。 图5 按药物分组的未知药物-细胞系相互作用对的预测IC50值分布。 药物和细胞系盲测 为评估MTEGDRP的鲁棒性及精准医学应用潜力，本研究开展药物和肿瘤细胞系盲测，测试集中的药物和细胞系均不参与训练，任务更具挑战性。药物盲测从GDSC2 数据库抽取80%药物相关实例为训练集，剩余46种药物实例为测试集；细胞系盲测抽取80%细胞系实例为训练集，剩余154个细胞系实例为测试集，并将MTEGDRP 与5种主流深度学习基线模型对比，结果如表2所示。实验显示，药物盲测中所有模型性能均大幅下降，但MTEGDRP表现最优，PCC达0.531、RMSE为2.373；细胞系盲测中其同样最优，PCC为0.923、RMSE为1.032，体现出良好稳定性和优越性。药物盲测难度高于细胞系盲测，采用Transformer的模型表现突出，MTEGDRP借助等变图神经网络学习药物三维结构，PCC较DeepTTA提升14.2%，各项指标均位列第一。 表2 MTEGDRP模型与五种基线模型在新药物和新细胞系上的盲测性能 模型可解释性分析 深度学习“黑盒”特性导致的可解释性缺失，限制了其实际应用。本研究通过可视化分析，从药物分子和细胞系基因特征两方面，探究MTEGDRP模型的可解释性及生物学意义。 药物层面，随机选取4种药物，依据原子特征权重着色可视化如图6所示，发现模型注意力主要集中于决定药物活性的关键官能团。其中，ZSTK474、Trametinib的高权重原子对应苯环、三氟甲基等，可通过疏水、静电及氢键作用增强药物与靶标蛋白结合；Idelalisib的羧酰胺基团、Lapatinib的胺基磺酰基团，均因能提升药物亲和力和选择性而被赋予高权重，体现模型对药物-靶点作用机制的精准捕捉。 细胞系层面，选取基因表达数据，可视化Transformer编码器各层权重如图7所示，发现关键基因权重显著高于其他基因，且在不同层级中被持续强化，红色框标记区域为模型重点关注的功能关键基因，对药物反应机制至关重要。Transformer的层次化学习能力可同时捕捉全局与局部基因表达模式，逐步聚焦关键基因，区分主次特征，提升预测精度。 综上，MTEGDRP通过原子和基因权重可视化，清晰呈现关键特征对预测结果的贡献，兼具较强生物学可解释性，既阐明了药物-靶点相互作用机制，也揭示了模型内部学习过程，为后续药物设计优化提供重要参考。 图6 ZSTK474、Trametinib、Idelalisib和Lapatinib分子的原子特征的权重可视化图。 图7 Transformer编码器各层的权重可视化结果。 消融实验 本研究设计9种MTEGDRP变体，从模型组件和组学数据两方面开展消融实验，探究组件重要性与组学信息的内部关联，结果如图8所示。 模型组件方面，EGNN对药物特征提取至关重要，移除后模型MAE、RMSE等误差指标上升，PCC、SPCC等相关性指标下降，证实其能有效提取药物三维几何信息，提升特征表达与预测精度。Transformer解码器虽改进幅度较小，但仍能有效捕捉多组学复杂特征与跨模态交互信息，增强预测稳定性。 组学数据方面，多组学联合训练的性能显著优于单组学。其中基因表达和DNA甲基化组合表现最佳，能捕捉药物反应多维特征；基因表达和基因突变组合次之，在突变驱动的药物反应预测中优势明显，而突变和甲基化组合性能大幅下降，因二者缺乏对基因表达调控的直接反映。单组学中基因表达数据表现最优，但仍不及多组学联合训练，突变数据单独使用性能最差，表明单组学数据信息量有限，多组学整合能提供更全面的生物信息，显著提升模型预测精度与稳定性。 图8 各个组件和不同组学信息在六个评价指标中的表现。 总结 在生物医学大数据时代，基于深度学习的肿瘤药物反应预测研究应运而生，可弥补传统实验方法局限，推动精准医疗发展、提升抗癌药物使用效率。本文提出创新性预测方法MTEGDRP，旨在挖掘药物与肿瘤细胞的复杂相互作用、提高预测精度。该方法采用Transformer编码器提取肿瘤细胞系多组学深层特征，结合分子自注意力 Transformer与EGNN提取药物高级特征及三维空间结构信息，经Transformer解码器融合特征，挖掘二者深层交互模式以实现预测，这种特征学习方式为解析药物作用机制提供新视角。在GDSC2数据集上的实验表明，MTEGDRP相较于现有先进模型，在RMSE、MAE等关键指标上显著提升，消融实验验证了药物三维结构、多组学数据等对预测性能的积极贡献。可视化分析提升了模型生物学可解释性，为优化提供指导。未来将优化模型架构、引入HGNN增强泛化能力，并扩展至相关研究领域，为精准医疗和新药研发提供有力支撑。 原文链接： https://doi.org/10.1021/acs.jmedchem.5c03438. --------- End --------- 感兴趣的读者，可以添加小邦微信加入读者实名讨论微信群。添加时请主动注明姓名-企业-职位/岗位或姓名-学校-职务/研究方向。

视网膜色素变性、年龄相关性黄斑变性、青光眼及视神经萎缩，是临床上高发且难治的致盲性眼病，其核心病理多伴随视网膜感光细胞、视神经节细胞的不可逆损伤，传统治疗手段仅能延缓病程，难以实现组织修复与视功能逆转。近年来，再生医学快速崛起，诱导多能干细胞（iPSC）与间充质干细胞（MSC）凭借独特修复特性，结合球后注射、半球注射的精准给药方式，为这类眼病治疗开辟了突破性路径。而顶尖科研力量的集结更让这一领域如虎添翼——2025年10月21日，青岛科技大学前沿生物医药技术研究院正式成立，由2013年诺贝尔生理学或医学奖得主Randy W.Schekman教授领衔，为干细胞等前沿生物医药技术的转化应用注入世界级动能，也为眼部疾病患者点亮了更明亮的康复希望。 作为修复眼组织的核心“种子细胞”，iPSC与MSC优势互补，在眼病治疗中各司其职。诱导多能干细胞（iPSC）通过基因重编程技术，可将人体皮肤细胞、血细胞等体细胞逆转至类胚胎干细胞的多能状态，其核心优势在于强大的多向分化潜能——在特定诱导条件下，能精准分化为视网膜感光细胞、视网膜色素上皮细胞（RPE）、视神经节细胞等眼组织功能细胞，直接补充受损凋亡的眼内细胞，重建视网膜与视神经的正常生理结构。同时，iPSC可基于患者自体细胞制备，从根源上规避免疫排斥风险，为个体化治疗筑牢基础，破解了异体细胞移植的核心难题。 间充质干细胞（MSC）则广泛存在于骨髓、脐带、脂肪等人体组织中，取材便捷且无明显伦理争议，其治疗机制虽不依赖直接分化为眼组织细胞，却能通过旁分泌效应发挥关键作用，而这一效应的核心正是Randy W.Schekman教授的诺奖研究成果——细胞囊泡运输与调节机制。作为该领域的奠基人，他的研究精准揭示了细胞内囊泡如何有序运输、释放生物活性物质，为解析MSC旁分泌效应的分子调控机制提供了核心理论支撑，也为优化MSC在眼部疾病治疗中的应用效能筑牢了基础。MSC通过囊泡运输途径，可定向分泌大量血管内皮生长因子、神经营养因子等生物活性物质，精准抵达受损视网膜、视神经部位，提供充足营养支持以延缓细胞凋亡；同时能通过调节囊泡介导的信号传递，改善眼内炎症微环境，抑制异常免疫反应，减轻视网膜水肿与视神经继发性损伤，还可促进眼内受损血管的修复与再生，优化视网膜局部血液供应，为眼组织修复创造更有利的生理条件。 精准的给药方式是干细胞发挥治疗作用的重要保障，球后注射与半球注射针对眼部病变部位的解剖特点设计，可将干细胞制剂直接递送至病灶区域，实现靶向治疗。球后注射通过将针头经皮肤刺入眼球后方的球后间隙，将干细胞注入眼眶脂肪与肌锥内，该方式更易作用于视神经、脉络膜及视网膜外层，因此更适用于青光眼、视神经萎缩及晚期视网膜色素变性等以视神经损伤、视网膜外层病变为主的病症。半球注射则需针头穿透眼球壁，将干细胞制剂注入玻璃体腔或视网膜下腔，能够直接作用于视网膜感光细胞、视网膜色素上皮细胞及黄斑区，对年龄相关性黄斑变性、累及黄斑区的视网膜色素变性等病症的针对性更强。两种注射方式均属于微创操作，可最大程度减少对眼球正常组织的损伤，显著提升治疗效率。 针对四大致盲眼病，干细胞联合精准注射疗法的治疗潜力已逐步显现，而青岛科技大学前沿生物医药技术研究院的成立，恰好为这一技术的深入研究与临床转化搭建了高端支撑平台。该研究院揭牌仪式在崂山校区举行，汇聚了中国科学院院士李劲松、美国医学与生物工程院院士张先恩等全球顶尖科研人才，仪式上校长陈克正为Randy W.Schekman教授颁发“名誉院长”聘书，正是希望依托其在囊泡运输领域的学术权威，引领干细胞眼病治疗的科研方向。其中，对于视网膜色素变性这一遗传性眼病，通过半球注射将iPSC分化的感光细胞、RPE细胞植入视网膜下腔，可直接补充受损细胞，同时借助MSC基于囊泡运输的旁分泌营养作用，延缓剩余感光细胞凋亡；针对年龄相关性黄斑变性，iPSC来源的RPE细胞移植可替代受损细胞，MSC则能抑制异常血管生成，两类病症均能从该联合疗法中获益。 青光眼的核心危害是眼压升高引发视神经节细胞损伤、视神经萎缩，球后注射的MSC可直接作用于视神经，依托Schekman教授研究揭示的囊泡运输机制，高效释放神经营养因子等活性物质，通过旁分泌效应保护视神经节细胞，同时辅助调节房水循环、降低眼压；而iPSC分化的视神经节细胞移植，未来有望重建视神经传导通路。对于各类原因引发的视神经萎缩，球后注射MSC可借助精准的囊泡运输调控，延缓损伤进展，iPSC分化细胞移植则为功能恢复提供可能。这些研究方向与研究院聚焦的“外泌体药物开发”“生物医学前沿技术创新”等核心主题高度契合，仪式后Randy W.Schekman教授围绕细胞外囊泡与生物医学应用作专题报告，深入阐释囊泡运输在干细胞疗法中的转化价值，与现场专家学者共同探讨技术突破点，为干细胞眼疾治疗的临床转化路径指明了清晰方向。 青岛科技大学在生物医药领域早已积淀深厚实力，不仅设立了山东省首个“合成生物学”本科专业，还获批省级现代产业学院、主建市级工程技术中心，此次研究院的成立更是学校优化学科布局、构筑核心竞争力的战略举措。目前，依托该研究院的平台资源优势，iPSC与间充质干细胞经球后、半球注射治疗视网膜及视神经疾病的相关研究正有序推进，多项临床研究已面向符合条件的患者开放招募。招募对象为确诊相关眼病、经传统治疗效果不佳的18-75周岁患者，入组患者可免费接受相关检查与治疗，获得三甲医院专家团队全程诊疗指导，优先享受这一前沿技术带来的康复可能。 需特别提示的是，干细胞治疗目前仍处于临床研究阶段，需严格遵循研究方案开展，具体疗效因人而异，所有治疗操作均由专业医师在正规医疗机构实施。随着Schekman教授领衔的科研团队深耕细作，以及前沿生物医药技术研究院整合全球资源、推动产学研深度融合，干细胞精准注射疗法有望逐步突破现有治疗瓶颈，为更多眼部疾病患者带去光明，同时为我国生物医药产业高质量发展贡献重要力量。 人物简介：Randy W.Schekman（兰迪·谢克曼） 美国分子生物学家，1948年12月生于明尼苏达州圣保罗市。1971年获加州大学洛杉矶分校学士学位，1974年获斯坦福大学博士学位，师从诺贝尔奖得主阿瑟·科恩伯格教授。现任加利福尼亚大学伯克利分校教授、霍华德·休斯医学研究所研究员，2013年因发现细胞囊泡运输与调节机制，与詹姆斯·罗思曼、托马斯·聚德霍夫共获诺贝尔生理学或医学奖，现任青岛科技大学前沿生物医药技术研究院名誉院长。 【临床招募启动】诺奖团队护航，干细胞精准注射疗法面向眼部疾病患者招募 依托青岛科技大学前沿生物医药技术研究院的高端平台，以及Randy W.Schekman教授领衔的全球顶尖科研团队支持，iPSC与间充质干细胞经球后/半球注射治疗眼部疾病临床研究正面向全国公开招募患者，为饱受眼疾困扰的群体提供接触前沿再生医学技术的机会。 招募对象 1.  确诊为视网膜色素变性、年龄相关性黄斑变性（干性/湿性）、青光眼（视神经损伤期）、视神经萎缩（外伤/缺血/青光眼继发等）的患者； 2.  经药物、手术等传统治疗手段效果不佳，视功能持续下降，无其他有效治疗方案； 3.  年龄18-75周岁，身体状况良好，无严重心、肝、肾等系统性疾病，无凝血功能障碍及免疫排斥相关禁忌； 4.  自愿签署知情同意书，能够配合研究团队完成全程诊疗随访，遵守研究方案要求。 患者核心获益 1.  免费享受干细胞精准注射疗法相关的全套检查（含眼底造影、视野检测、视网膜功能评估等）及治疗操作，无需承担核心医疗费用； 2.  由三甲医院眼科专家团队联合诺奖团队科研人员全程诊疗指导，量身定制个体化治疗方案，依托囊泡运输机制优化治疗效能； 3.  优先使用iPSC与MSC联合精准注射前沿技术，为视功能稳定及改善提供潜在可能，助力摆脱致盲威胁。 报名方式 请扫描下方二维码或直接添加微信号chinadr3 报名咨询，添加时备注“眼部干细胞招募+患者姓名”。报名后请提交近期病历资料（确诊报告、眼底检查报告、治疗记录等），研究团队将完成初步资格评估，与符合条件的患者联系后续入组事宜。 重要说明 本项目为临床研究项目，严格遵循《药物临床试验质量管理规范》开展，所有治疗操作均由专业医师在正规医疗机构实施。干细胞治疗仍处于研究阶段，具体疗效因人而异，研究团队将如实告知潜在获益与风险，确保患者知情权与安全。 名额有限，招满即止。若您或您的家人正遭受相关眼部疾病困扰，不妨抓住这次康复契机，与前沿医学同行，重寻光明希望！

【邀请诺贝尔奖、图灵奖得主、两院院士、各行业专家，请联系五洲名家智库】 作为全球分子与细胞生物学领域的领军者、囊泡运输机制研究的开拓者，兰迪·谢克曼教授兼具顶尖基础科研能力与成果转化远见。他身兼多重学术与行业身份，既是破解细胞物质运输谜题的科研巨匠，也是推动诺奖成果落地产业的转化先锋，成为基础科研与生物医药协同赋能的标杆人物。 深耕科研数十载：学术与管理双栖领军者 兰迪·谢克曼生于美国明尼苏达州圣保罗市，学术生涯起点颇高。他先后就读于加州大学洛杉矶分校与斯坦福大学，1974年在诺奖得主阿瑟·科恩伯格的指导下获博士学位，博士后阶段便聚焦酵母突变体研究，开启了对细胞运输系统的探索之路。 1976年，谢克曼加入加州大学伯克利分校并建立独立实验室，逐步成长为分子与细胞生物学领域权威，同时兼任霍华德·休斯医学研究所研究员，深耕科研与学术管理双线领域。他曾出任美国细胞生物学学会主席，担任《美国国家科学院院刊》与开放获取期刊《eLife》主编，推动学术出版体系改革与开放科学理念传播，还获授中国科学院荣誉院士等多项国际荣誉，全球学术影响力显著。 研究领域跨界融合：以囊泡机制为核心辐射多学科 谢克曼的研究兼具基础深度与临床广度，以细胞内囊泡运输机制为核心，辐射多学科交叉领域。他通过酵母菌这一模式生物，系统解析囊泡运输的内在逻辑，识别出30余种调控该过程的关键SEC基因，颠覆了“囊泡运输随机无序”的传统认知。 在此基础上，其研究延伸至多个临床方向，涵盖肿瘤靶向治疗、神经退行性疾病机制、心血管及代谢性疾病干预等。他尤其关注外泌体生成机制，探索蛋白质与小RNA的分选分泌，深耕帕金森病等神经疾病研究，同时推动生物学与人工智能交叉应用，构建起完整的研究转化体系。 重磅成果加身：重塑生命科学研究格局 数十年科研深耕，让谢克曼收获多项顶级荣誉。1992年，他当选美国国家科学院院士，学术地位获广泛认可；2002年，与詹姆斯·罗思曼共享拉斯克基础医学奖，为诺奖加冕奠定基础。 2013年，他与另外两位科学家共享诺贝尔生理学或医学奖，其囊泡运输调节机制的发现，被瑞典皇家科学院评价为“为相关疾病治疗提供全新靶点”。此外，他发表多篇顶级期刊论文，搭建跨学科研究网络，培养大批专业人才，为生物医药革新提供核心理论支撑。 技术成果转化：赋能多领域产业创新 谢克曼的诺奖成果在产业转化中潜力凸显，为生物医药、健康科技等领域提供核心支撑。在抗肿瘤药物领域，基于其研究的靶向囊泡载体技术，可显著提升肿瘤部位药物浓度，相关技术已进入三期临床试验，预计2026年商业化。 在RNA药物领域，他合作开发的仿生囊泡递送系统，已助力我国多家企业改良mRNA疫苗。在代谢性疾病领域，肠溶囊泡载体实现口服胰岛素稳定递送，为糖尿病患者提供无创选择。同时，其技术还可赋能美妆抗衰、益生菌制剂等产品研发。 近期动态：深耕国际合作与成果落地 近年来，谢克曼始终聚焦科研转化与国际协作。2025年10月，他受邀出席青岛科技大学“名家讲堂”，发表专题报告分享胞外囊泡应用前景，搭建学术交流桥梁。 作为帕金森病研究国际项目科学总监，他牵头全球科研力量联合攻关疾病机制。同时，他深化“囊泡生物递送国际合作联盟”工作，联动20家顶尖机构与药企开放专利数据，加速技术在肿瘤、神经疾病领域的转化应用。 从实验室探索到产业赋能，兰迪·谢克曼用毕生坚守诠释科学家的责任与担当。未来，他将持续深耕囊泡技术与临床应用交叉领域，为全球生物医药创新与人类健康保障注入更多动力。 名人邀约|诺贝尔奖|诺贝尔奖获得者|诺奖代言|诺奖得主赋能背书|经济学家|邀请诺奖得主出席活动|大会嘉宾邀约|嘉宾推荐|院士邀请|中国名家论坛|会议活动邀请|论坛峰会嘉宾邀约大健康