CD82

unsetunset一、 研究摘要unsetunset背景：如何利用大规模通用语言模型（LLM）来辅助疾病诊断，以提高诊断的准确性和效率挑战：         LLM在临床诊断中的有效性尚未得到充分验证;         如何确保LLM的输出与临床实践标准一致。解决方案：提出MedFound，一个具有1760 亿参数的通用医学语言模型使用的技术：预训练，微调，对齐结果：在分布内、分布外和长尾分布方面优于其他基线LLMsunsetunset二、研究背景unsetunset1. 医疗诊断的重要性与挑战准确诊断是医疗核心，但初级保健误诊率高达20%，导致17%的医疗不良事件。传统临床决策支持系统（CDSS）和机器学习依赖结构化数据，开发复杂且临床落地困难。2. 语言模型在医疗领域的潜力与局限PLMs及LLMs在自然语言处理中表现突出，催生了ClinicalBERT、BioGPT等生物医学专用模型。现有研究集中于用例报告（如ChatGPT），缺乏针对真实临床场景设计的LLM存在生成幻觉风险，需通过对齐技术确保LLM的安全性与准确性。unsetunset三、研究材料与方法unsetunset1. 数据集研究主要使用了三大知识图谱：MSI、HetioNet和KEGG，每个图谱中包含的药物、疾病、基因和通路等数量如下表所示：表1.数据集来源及用途2. 模型框架3. 微调过程这是模型训练的流程图。第一阶段，基于 PMC - CR、Med - Text、MedDX - Note、MIMIC - 3 - Note 和真实世界数据，采用低秩适应（LORA）对BLOOM - 176B进行微调，这种微调方式能显著减少可训练参数。第二阶段，采用自举式数据增强对 MedFound 进行微调，目的是让模型模仿医生的诊断推理过程，进而产生 MedFound - DX。此阶段主要使用 MedDX - FT 数据集，该数据集包含医疗记录和相关诊断原理演示。使用少量种子数据集（有医生诊断的推断过程），采用一种自引导策略，在无需大量专家劳动的情况下，为每个电子健康记录自动生成高质量诊断理由（中间推理步骤）。第三阶段是偏好对齐，该框架集成了 “诊断层次结构偏好” 和 “实用性偏好”。目的是将LLM生成内容与标准临床实践对齐。步骤 1.1：初始微调（Seed Dataset Fine-tuning）输入：基础语言模型（Language Model, M） + 种子数据集（D₀）109,364条记录操作：使用医生标注的小规模种子数据集 D₀（包含病例输入和专家诊断理由）对模型 M 进行微调，得到初步优化模型 M'目标：让模型学会模仿医生的诊断推理逻辑（如症状分析、鉴别诊断等）。步骤 1.2：自举生成增强数据（Bootstrapping Augmented Data）输入：微调后的模型 M' + 无标注原始数据（D_raw）。操作：对每个病例输入，模型 M' 生成两种诊断理由：自由生成（r₁）：仅基于病例文本直接生成诊断理由。提示生成（r₂）：在已知正确诊断（作为提示）的条件下生成理由。选择策略：通过评分函数 s(r) 比较 r₁ 与 r₂，保留质量更高的理由，构建增强数据集 D₁。意义：利用模型自身生成高质量数据，解决标注数据不足的问题。步骤 1.3：二次微调（Augmented Data Fine-tuning）输入：模型 M' + 增强数据集 D₁。操作：使用 D₁ 对 M' 进一步微调，得到最终微调模型 M''目标：强化模型对复杂病例的诊断推理能力，减少错误生成。4. 偏好对齐偏好对齐过程包括两个步骤：偏好构建和偏好优化。4.1 诊断层级偏好构建借助ICD的指导，以解决仅基于诊断正确性设置偏好时可能出现的问题，因为这种方式可能会导致信号稀疏，尤其是在涉及罕见疾病或难以诊断的病症时。例如，ICD编码E11（2型糖尿病）是几个子编码的父编码，包括E11.0（伴有高渗状态的2型糖尿病）、E11.1（伴有酮症酸中毒的2型糖尿病）和E11.2（伴有肾脏并发症的2型糖尿病）。这些子ICD编码在语义上彼此之间的差异比它们与父编码E11的差异更大。ICD的层级结构有助于基于模型输出与ICD编码的对齐，构建更细致的偏好。从响应中提取诊断标签，并将其映射到ICD编码，与真实的ICD编码标签进行比较，从而定义精确程度。如果和在ICD层级结构中有更细粒度的共同父节点，那么的值就越高。给定带有标签的输入，以及两个生成输出和，其映射的ICD编码分别为和，如果，则在训练中使用偏好，表示比更受偏好。4.2 有用性偏好构建作者构建一个评分模型，该模型在包含标注为“有用”或“无用”的诊断依据的专家注释数据集上进行训练。训练一个二元分类模型作为评分模型，以评估每个诊断依据的有用程度。对于给定的输入和响应，使用以下损失函数训练二元分类器：其中代表专家注释的标签，代表预测概率。概率被用作有用性得分。给定输入和两个生成输出和，如果，则在训练中使用偏好，其中是概率得分。4.3 偏好优化通过直接偏好优化（DPO）实现多个偏好目标的优化。 诊断层级偏好和有用性偏好被联合训练。给定一份医疗记录，对多个响应进行采样。我们通过两种方式选择偏好对：一种是随机选择两个响应，另一种是选择具有最高精确程度（基于ICD编码）的两个响应，从而得到两个用于偏好优化的偏好对。 对于一对响应，如果它们的精确程度不同，则使用诊断层级偏好；否则，使用有用性偏好。目标函数为：其中是输入提示，和分别表示更受偏好和不受偏好的响应，是参考策略，是带有参数的最优策略，是一个控制与参考策略偏差程度的参数。5. 模型评估设计为了评估模型与其他基线模型在实际场景中的诊断性能作者在分布内（ID）、分布外（OOD） 和长尾疾病分布环境中进行了评估，涵盖八个专业的疾病，包括肺病学、胃肠病学、泌尿学、心脏病学、免疫学、精神病学、神经病学和内分泌学（图4左）。同时作者还对AI 系统进行了临床应用的评估，首先对比了人类医生、AI、AI辅助人类医生的诊断准确率，随后在人类评估框架下对AI在理解力、推理能力、决策支持等多方面进行了定性研究（图4右）unsetunset四、研究结果与讨论unsetunset1. 模型分布内及分布外的性能对比作者首先评估了MedFound-DX-PA在ID（分布内）和OOD（分布外）设置中诊断常见疾病的性能，并将其与几种领先的大型语言模型（LLMs）进行了比较，包括开源的MEDITRON-70B、Clinical Camel-70B和Llama 3-70B，以及闭源的GPT-4o。MEDITRON-70B和Clinical Camel-70B是经过医学预训练的LLMs，在医疗任务中表现出色；Llama 3-70B是流行的开源Llama系列的一员，在各种领域特定任务中表现优异；而GPT-4o作为ChatGPT的最新版本，具有更广泛的知识库和增强的问题解决能力，在诊断任务中显示出潜力。在ID设置下，研究者构建了MedDX-Test数据集，评估了MedFound-DX-PA在诊断常见细粒度疾病方面的性能，结果显示其Top-3平均准确率达到84.2%（图5a），显著优于其他四种模型，并且在所有专科中的准确率均表现优异，范围在82.4%到89.6%之间（图5b）。在OOD设置下，研究者使用MedDX-OOD数据集进一步评估了模型的泛化能力，该数据集包含从外部真实环境中收集的病例,作者的模型作为诊断通用模型在多种临床疾病中具有泛化能力，尤其是在细粒度疾病诊断方面。（图5c-d）。结果表明，MedFound-DX-PA在所有专科中均显著优于基线模型，充分证明了其在多种临床疾病诊断中的广泛泛化能力，特别是在细粒度疾病诊断方面的卓越表现。作者通过提示其进行特定于专业的设置，将疾病专家的角色分配给各个大模型，在MedDX-Test和MedDX-OOD数据集上的Top-3准确率分别达到87.9%-93.9%和85.8%-90.2%（图6），表明其能够适应专科设置的精度要求。与现有的专科决策支持工具相比，MedFound的性能相当或更优，进一步证明了其作为诊断通用模型在专科领域的潜力。2. LLMS在罕见病方面的表现作者进一步评估LLMs在诊断长尾分布罕见疾病中的性能。作者指出疾病分布呈长尾分布，常见疾病覆盖 99% 的人口，其余 1% 包含多种不太常见的疾病（图6a）。作者评估了上述八大类疾病中的2,105 种罕见疾病（图6b），MedFound-DX-PA性能也均超过了其他基线模型（图6c,其中条形图表示 MedFound-DX-PA 对每个专业中个别疾病的前 3 名准确性。）在8类罕见病的诊断上，MedFound-DX-PATop-3准确率从也均超过了其他基线模型（图7d）。3. LLM 与医生之间的性能比较作者将基于 LLM 的诊断系统与内分泌学和肺病学人类医生的诊断能力进行了比较。招募了 18 名医生，包括 9 名内分泌科医生和 9 名肺科医生，并按临床经验进一步分为三组：初级 （n = 3） 、中级 （n = 3） 和高级 （n = 3）。每位医生被分配了 150 例进行诊断。根据专家小组建立的金标准诊断来衡量性能。在肺病学方面，MedFound-DX-PA 的诊断准确率为 72.6%，超过初级医生 （60.0%） 和中级医生 （67.7%），但略低于高级医生 （76.2%），在内分泌学中，AI 的准确性 （74.7%） 超过了初级医生 （69.4%） 和中级医生 （72.5%），与高级医生 （75.2%） 相似。当提供 EHR 记录（删除诊断）时，来自两个专业的初级和中级医生进行了初步诊断。两周后，他们参考 AI 生成的内容进行第二个诊断（图8深蓝色柱子）肺病学方面，人工智能辅助大大提高了初级和中级医生的准确性，分别提高了 11.9% 和 4.4%，性能接近人工智能系统，但仍略低于高级医生。在内分泌学方面，在 AI 辅助下，初级和中级内分泌学家组的准确率分别大幅提高到 74.0%（增加 4.6%）和 78.8%（增加 6.3%）。医生最初根据患者目前的病史和实验室检查的 C 反应蛋白水平诊断为“急性支气管炎”。然后，在 AI 生成的内容的帮助下，强调患者的复发性支气管炎病史，医生将诊断修改为“慢性支气管炎急性加重”的准确诊断。当医生在患者的实验室检查中观察到促甲状腺激素水平升高时，就做出了亚临床甲状腺功能减退症的初步诊断。在 AI 辅助下进行重新评估期间，该模型强调了以前被忽视的抗甲状腺过氧化物酶抗体水平升高，表明可能存在潜在的自身免疫性甲状腺疾病。因此，医生将诊断修改为“自身免疫性甲状腺炎”。4. AI 诊断能力的人类评估框架为了解决传统评估指标（如准确率或自然语言生成评分）无法全面捕捉诊断过程临床质量的问题，作者提出了CLEVER评估框架，涵盖八项临床指标，包括医学案例理解、临床推理、医学指南和共识、鉴别诊断相关性、诊断可接受性、不忠实内容、偏见与不公平性、潜在危害性。通过六名资深医生使用Likert评分系统（1-5分）进行评估，MedFound-DX-PA在多项指标上显著优于未对齐的LLM模型。结果表明，通过与人价值观对齐，LLM系统可以优化其可信度和临床适用性，为临床决策提供更可靠的支持。MedFound-DX-PA在多项临床指标上的优异表现，展示了其作为诊断通用模型在真实世界诊断中的潜力。5. 训练组件对 LLM 性能的影响为了探讨MedFound及其关键组件对LLMs（大型语言模型）诊断性能的影响，作者使用MedDX-Bench数据集进行了实验，比较了MedFound与Clinical Camel-70B、Llama-3-70B和MEDITRON-70B的表现。通过MED-Prompt方法评估LLMs在MedDX-Test、MedDX-OOD和MedDX-Rare数据集上的表现。MedFound（未使用SC解码）在微准确率上显著优于其他LLMs，分别高出14.4%、11.9%和11.1%。通过领域特定数据的微调，所有模型在MedDX-Bench任务上的表现均有显著提升。在MedDX-Test、MedDX-OOD和MedDX-Rare上的微准确率分别提高了14.9%、15.9%和12.7%。unsetunset五、不足与可借鉴点unsetunset不足模型规模过大(176B参数)，部署和维护成本高缺乏模型压缩和轻量化方案的探讨可借鉴点提出自举策略解决标注数据不足问题思维链（CoT）微调设计统一偏好对齐框架，对齐LLM与人类对诊断的理解参考文献：Wang, G., Liu, X., Liu, H., Yang, G. et al. A Generalist Medical Language Model for Disease Diagnosis Assistance. Nat Med (2025)文章代码：https://github.com/medfound/medfound投稿人：李   坤责任编辑：许燕红

作者｜Bio-three 2024年5月16日，强生（Johnson & Johnson）公司宣布以8.5亿美元现金收购Proteologix，并有可能支付额外的里程碑付款，轰动一时。彼时，Proteologix的研发管线中仅包括两个双抗，分别是PX128（IL-13/TSLP）和PX130（IL-13/IL-22），前者处于即将进入临床的阶段。 强生收购Proteologix新闻稿（强生官网） 近期Proteologix的PX128的PCT专利（WO2025049345）公开。这款天价交易的产品终于首次揭开面纱，业界也得以近距离观察这款IL-13/TSLP双抗。 PX128的TSLP抗体部分采用杂交瘤技术进行筛选，通过TSLP报告基因法得到了多种高亲和力克隆，其中51B2基于和已上市的TSLP抗体Tezepelumab差异化的表位，而优选进行下一步人源化操作。 PX128的TSLP抗体表位检测（WO2025049345） 人源化后TSLP抗体hz51B2-L3H9，对人源TSLP抗体的结合检测达到Biacore的上限，检测值为1.24 pM，对猴源TSLP结合能力为86.6 pM。 PX128的TSLP抗体亲和力检测（WO2025049345） IL-13的抗体部分，改造来自Amgen的IL-13抗体专利US7585500（2005年11月申请），其对某一抗体的轻链CDR1区域进行了C34Y突变，形成了73P1的抗体，相较于改造前对人源IL-13和猴源IL-13的亲和力都有一定提高。 PX128的IL-13抗体亲和力检测（WO2025049345） IL-13的信号传导方面，首先结合IL-13Rα1，然后IL-4Rα被招募形成三元复合物。基于IL-13的生物学功能，Proteologix将IL-13的抗体的表位分为两类，第一类为同时阻断IL-13Rα1和IL-13Rα2，第二类为阻断IL-13和IL-4Rα形成三元复合物，后者被认为具有更好的临床效果。 根据与上市的两款IL-13抗体，比较IL-13的中和活性显示，73P1和具有第二类表位的上市抗体Ab＃2具有类似的阻断活性，意味73P1的表位为第二类。 PX128的IL-13抗体中和活性检测（WO2025049345） 双抗药物的构建方面，Proteologix采用了多种形式，最终采用了非对称的形式。重链部分采用knob in hole的结构防止错配，TSLP抗体部分采用hole结构，IL-13抗体采用knob结构。同时为了防止轻链的错配，采用了CH1/CL charge pair的方式，IL-13抗体的重轻链还进行了R2、JT11和JT7等不同形式的突变。 PX128的双抗结构设计（WO2025049345） 体外的TSLP和IL-13报告基因活性检测结果显示，采用R2、JT11和JT7等不同形式的突变体均对于TSLP和IL-13具有中和活性，其中JT11的活性最优。 PX128的体外活性检测（WO2025049345） 通过检测人外周血单个核细胞（PBMCs）中IL-13诱导的CCL17产生水平结果显示，PX128-JT11和PX128-JT7均表现出相似的皮摩尔水平强抑制作用，优于TSLP和IL-13联用效果。 同时在使用LS突变进行半衰期延长的作用下，PX128-JT11和PX128-JT7表现出更持久的抑制作用，说明PK的延长有助于PD作用的改善。 PX128的体外活性检测（WO2025049345） 基于以上的体外结果，进一步优选了PX128-JT11进行了食蟹猴中的药代动力学测试，结果显示PX128-JT11的半衰期达到了26天，显著优于赛诺菲临床阶段的IL-13/TSLP双抗lunsekimig，未来同样在依从性方面具有优势。 PX128食蟹猴中的药代动力学检测（WO2025049345） 强生作为自免领域的领航者，在传统的类风湿性关节炎和银屑病等自免领域具有深厚积淀，但增长已显乏力，主要采用了联合用药的方式进行下一代疗法的开发。面对特应性皮炎等新型自免领域的快速崛起，强生显然需要瞄准更为创新的疗法，这或许也是其出手收购Proteologix两款临床前双抗的主要原因。 强生的自免药物开发格局（强生官网） 另一方面，Proteologix面对下一代药物开发的激烈竞争，选择成熟的靶点进行迭代开发，同时在技术平台上也没有一味求新求炫，而是重点深入生物学的机制，运用成熟抗体工程技术，快速开发出具有竞争力的新药，受到大型药企的垂青，这也或将是biotech学习的典范。 公众号内回复“ADC”或扫描下方图片中的二维码免费下载《抗体偶联药物：从基础到临床》的PDF格式电子书！ 公众号已建立“小药说药专业交流群”微信行业交流群以及读者交流群，扫描下方小编二维码加入，入行业群请主动告知姓名、工作单位和职务。

近日，上海有机所丁克研究员/王震研究员联合密歇根大学团队在国际顶级药物化学期刊《Journal of Medicinal Chemistry》上发表题为“发现YJZ5118：一种与Akt抑制剂联合使用时具有协同效应的强效且高选择性不可逆CDK12/13抑制剂”的研究论文。该研究聚焦于CDK12/13这一新兴癌症治疗靶点，开发了一种新型不可逆抑制剂YJZ5118，并揭示其与Akt抑制剂的协同抗肿瘤效应。实验表明，YJZ5118可有效抑制RNA聚合酶II的Ser2磷酸化，抑制DNA损伤响应基因的转录，诱导DNA损伤和细胞凋亡。此外，YJZ5118在多种肿瘤细胞系中展现出显著的抗增殖效果，尤其对前列腺癌和乳腺癌细胞敏感。更重要的是，YJZ5118与Akt抑制剂联合使用时，在体外和体内模型中均表现出协同抗肿瘤效应，为癌症治疗提供了新的联合用药策略。 图片来源：ACS 01 Background 研究背景 CDK12和CDK13作为转录相关激酶，在DNA损伤响应（DDR）和基因组稳定性维持中起关键作用。它们通过磷酸化RNA聚合酶II的C末端结构域（CTD）的Ser2位点来调控转录延伸、剪接以及切割和聚腺苷酸化过程。近年来，CDK12/13因其在多种人类癌症中的潜在治疗价值而备受关注，尤其是在去势抵抗性前列腺癌（CRPC）和三阴性乳腺癌（TNBC）中，抑制这些激酶的活性或表达已被证实可以显著抑制癌细胞的增殖。此外，CDK12的突变在转移性CRPC患者中占5%~7%，且CDK12突变可能作为CDK12/13降解剂的协同生物标志物。尽管如此，目前开发的CDK12/13抑制剂仍面临活性、选择性、药代动力学（PK）特性以及安全性之间的平衡挑战，且缺乏足够的体内疗效数据，尚未有药物进入临床试验阶段。因此，开发具有替代化学骨架的新型不可逆CDK12/13抑制剂对于进一步验证选择性抑制CDK12/13作为癌症治疗策略具有重要意义。 图片来源：ACS 02 Drug Design 药物设计与评价 ①药物设计 作者描述了基于结构的药物设计过程，旨在开发一种新型的不可逆CDK12/13抑制剂。研究团队从一种可逆的CDK12/13抑制剂（化合物2）出发，该化合物具有较强的酶抑制活性和良好的激酶选择性，但对CDK7和CDK9的选择性较弱。通过对化合物2与CDK12/CCNK复合物的共晶结构分析，结合已知的共价抑制剂THZ531的结构信息，研究团队推测可以通过在化合物2的中心苯环上引入丙烯酰胺弹头，使其能够与CDK12的Cys1039共价结合，从而实现不可逆抑制。此外，为了促进共价键的形成并改善药物的水溶性和药代动力学特性，研究团队在丙烯酰胺弹头附近引入了亲水性的烷基胺基团。 图片来源：ACS ②构效关系研究 作者详细描述了通过一系列结构优化发现新型不可逆CDK12/13抑制剂YJZ5118（化合物14k）的过程。研究团队以可逆抑制剂2为先导化合物，通过在其结构基础上引入丙烯酰胺弹头和不同的烷基胺基团，合成了多个衍生物，并对它们的CDK12/13抑制活性、细胞增殖抑制活性以及药代动力学特性进行了评估。结果显示，化合物14a表现出与先导化合物2相当的CDK12/13抑制活性，但细胞增殖抑制活性显著增强，表明其可能通过共价结合延长了靶点占据时间。进一步的结构优化中，化合物14h表现出最强的激酶抑制活性和细胞活性，但其体内药代动力学特性不佳。最终，通过引入4-(二甲氨基)哌啶基团，化合物14k（YJZ5118）在保持较高激酶抑制活性的同时，展现出显著改善的药代动力学特性，包括较高的口服生物利用度和较长的半衰期。此外，YJZ5118对CDK12/13的选择性超过100倍，对其他CDK家族成员的抑制作用较弱，仅对CDK7表现出中等抑制活性。这些结果表明，YJZ5118作为一种新型的不可逆CDK12/13抑制剂，具有良好的靶点选择性、细胞活性和药代动力学特性。 图片来源：ACS 03 In vitro In Vivo 体内外评价 ①YJZ5118共价结合模式的验证 作者通过多种实验手段验证了YJZ5118与CDK12/13的共价结合模式。首先，通过液相色谱-质谱（LC-MS）分析，观察到CDK12与YJZ5118孵育后出现了与YJZ5118分子量一致的质量偏移，证实了化合物与CDK12的共价结合。进一步，通过解析YJZ5118与CDK12/CCNK复合物的共晶结构（分辨率2.5 Å），研究团队发现YJZ5118的丙烯酰胺基团与CDK12的Cys1039形成了共价键，同时化合物的其他部分通过氢键与激酶的关键氨基酸残基相互作用。此外，为了在细胞环境中验证共价结合，研究团队合成了YJZ5118的生物素标记探针YJZ9149，并利用链霉亲和素（streptavidin）珠子进行下拉实验，结果表明CDK12和CDK13是细胞裂解液中与YJZ5118共价结合的主要蛋白。最后，通过细胞洗脱实验比较了YJZ5118与可逆抑制剂在细胞中的作用持久性，发现YJZ5118即使在移除药物后仍能长时间抑制细胞增殖和RNA聚合酶II的Ser2磷酸化，而可逆抑制剂的作用则迅速消失。这些结果共同证实了YJZ5118通过共价结合不可逆地抑制CDK12/13的活性，为其作为不可逆抑制剂的特性提供了有力的证据。 图片来源：ACS ②YJZ5118在多种癌细胞系中对DNA损伤响应（DDR）基因转录的抑制作用，以及其诱导DNA损伤和细胞凋亡的能力 实验结果显示，YJZ5118能够以剂量和时间依赖的方式抑制RNA聚合酶II的Ser2磷酸化，进而影响依赖于该位点磷酸化的转录延伸过程。通过RNA测序（RNA-seq）分析，研究发现YJZ5118处理的细胞中，基因长度与基因表达下调之间存在显著相关性，较长的基因更倾向于被抑制，这与CDK12在转录调控中的作用机制一致。此外，YJZ5118显著降低了多个DDR相关基因（如ATM、ATR、RAD51和FANC1）的表达水平，而对其他非DDR相关基因（如NRAS和EZH2）的影响较小。为了进一步验证YJZ5118诱导的DNA损伤，研究团队采用中性彗星实验检测了细胞中的DNA断裂情况，结果表明YJZ5118处理的细胞中DNA损伤显著增加。同时，流式细胞术分析显示YJZ5118能够诱导细胞凋亡，且在100 nM的浓度下即可显著提高细胞的凋亡率。此外，YJZ5118在多种肿瘤细胞系（包括前列腺癌、乳腺癌和尤文氏肉瘤细胞系）中展现出显著的细胞毒性，而对正常和非癌性细胞的敏感性较俴e。这些结果表明，YJZ5118通过抑制CDK12/13的活性，有效地抑制了DDR基因的转录，诱导了DNA损伤和细胞凋亡，且对多种癌细胞系具有选择性的抗增殖活性，而对正常细胞的影响较小，这为其作为潜在的抗癌药物提供了重要的生物学依据。 图片来源：ACS ③YJZ5118与Akt抑制剂联合使用在体内外均显示出协同作用。 研究团队探讨了YJZ5118与Akt抑制剂联合使用时的协同抗肿瘤效果。实验发现，YJZ5118单独处理细胞时会增加Akt及其底物PRAS40的磷酸化水平，提示CDK12/13的抑制可能通过某种机制激活Akt信号通路。基于此，研究团队将YJZ5118与多种Akt抑制剂（如MK2206、uprosertib、ipatasertib和afuresertib）联合应用于22RV1前列腺癌细胞系，并通过Loewe协同效应分析法评估了联合用药的协同性。结果显示，YJZ5118与Akt抑制剂的组合在体外实验中表现出显著的协同抑制细胞生长的效果，其中与MK2206的联合治疗协同得分达到10.81。 进一步的体内实验采用VCaP去势抵抗性前列腺癌（CRPC）小鼠模型，通过腹腔注射YJZ5118和口服给予uprosertib的方式进行联合治疗。结果表明，与单独用药相比，联合治疗显著抑制了肿瘤生长，且未引起明显的体重变化或其他不良反应。治疗结束时的肿瘤分析显示，YJZ5118有效抑制了RNA聚合酶II的Ser2磷酸化，增加了pAkt（S473）和pPRAS40的水平，并降低了DDR基因的表达，同时增强了细胞凋亡。这些结果表明，YJZ5118不仅能够通过抑制CDK12/13引发Akt磷酸化，还能与Akt抑制剂联合使用，展现出显著的协同抗肿瘤效果，为开发新的联合治疗策略提供了有力的实验依据。 图片来源：ACS 总结 研究团队从可逆抑制剂2出发，通过结构优化开发了YJZ5118。该化合物展现出显著增强的抗增殖活性和对CDK12/13的高选择性。通过质谱分析、共晶结构研究和蛋白质组学实验，YJZ5118的共价结合模式得到了全面验证。功能实验表明，YJZ5118能够有效抑制RNA聚合酶II的Ser2磷酸化，抑制DNA损伤响应基因的转录，并诱导DNA损伤和细胞凋亡。此外，YJZ5118在多种肿瘤细胞系中表现出显著的抗增殖效果，而对正常和非癌性细胞的影响较小。值得注意的是，YJZ5118能够诱导Akt磷酸化，并且与Akt抑制剂联合使用时，在体外和体内均展现出协同抗肿瘤效果。这些结果突显了YJZ5118作为癌症治疗策略的潜力，为未来进一步的临床研究提供了重要基础。 参考来源： https://doi.org/10.1021/acs.jmedchem.5c00127 声明：发表/转载本文仅仅是出于传播信息的需要，并不意味着代表本公众号观点或证实其内容的真实性。据此内容作出的任何判断，后果自负。若有侵权，告知必删！ 长按关注本公众号  粉丝群/投稿/授权/广告等 请联系公众号助手 觉得本文好看，请点这里↓