编辑推荐：
研究人员针对 HAPE 药物研发难题，开展基于深度学习的药物筛选研究，发现 FA 和 RES 有抗 HAPE 潜力。
# 深度学习赋能抗高原肺水肿药物筛选：开辟新路径，展现新希望
在神秘而又充满挑战的高原地区，一种名为高原肺水肿（High altitude pulmonary edema，HAPE）的疾病，正悄然威胁着那些快速登上高原人群的健康。HAPE 是一种因快速进入高海拔地区，身体来不及适应低氧环境而引发的严重疾病，其主要特征是肺部积聚过多液体。如果得不到及时治疗，病情会迅速恶化，甚至危及生命。尽管科学家们已经知道，缺氧会导致肺泡 - 毛细血管屏障中的细胞形态发生变化，比如线粒体结构改变和细胞骨架重组，这些变化在 HAPE 的发病过程中起着关键作用，是潜在的治疗靶点，但目前基于这些细胞形态特征来发现有效抗 HAPE 药物的策略却十分匮乏。
为了解决这一难题，青海大学医学院药学系、北京放射医学研究所等机构的研究人员展开了深入研究，相关成果发表在《Respiratory Research》上。这项研究意义重大，不仅为抗 HAPE 药物的筛选提供了新方法，还为人工智能驱动的表型药物发现开辟了新视角。
研究人员在此次研究中运用了多种先进技术方法。深度学习技术，构建了分割网络（SegNet）和缺氧评分网络（HypoNet）。借助 Cell Painting 技术，用六种不同染料对多种细胞进行染色，获取细胞的多通道图像，以获取丰富的细胞形态信息。同时，利用 3D - 肺泡芯片（3D-alveolus chip）技术模拟人体肺泡 - 毛细血管屏障的生理环境，还使用了 C57BL/6 小鼠构建 HAPE 动物模型，用于验证药物效果。
研究结果
- SegNet 的卓越表现：研究人员获取了超 10 万张细胞全视野图像用于训练 SegNet。结果显示，SegNet 在细胞核和细胞膜的分割任务上表现出色，精度高达 0.971，召回率为 0.977，mAP@0.5 达到 0.990 。与传统的 CellProfiler（CP）等方法相比，SegNet 在处理细胞紧密连接等复杂情况时，分割性能更优，且处理速度极快，平均每张图像仅需 22.2 毫秒。
- 细胞形态特征与缺氧的关联：通过自定义的细胞核 - 膜匹配算法（NMM），研究人员从全视野图像中成功提取出多种亚细胞结构图像，并分析了相关形态特征。发现随着氧浓度降低，细胞形态特征变化明显，如线粒体形态在不同氧浓度下差异显著。这表明可以基于细胞表型变化进行药物筛选。
- HypoNet 的优势与应用：研究人员用大量亚细胞结构图像训练 HypoNet，该模型在验证集上准确率、精度、召回率、F1 评分和 AUC 均超 0.97。在独立测试集中，HypoNet 在 A549 细胞和人肺微血管内皮细胞（HPMECs）上的表现均优于其他神经网络架构。通过 HypoNet 对细胞进行缺氧评分，发现高缺氧评分的细胞线粒体形态从细长丝状变为圆形、碎片化并聚集在细胞核周围，还观察到自噬激活信号，这表明 HypoNet 在药物筛选方面具有潜在应用价值。
- 筛选潜在抗 HAPE 药物：研究人员选取 11 种具有潜在抗缺氧作用的药物进行筛选。经多轮给药和 Cell Painting，收集大量图像并分析。结果显示，阿魏酸（ferulic acid，FA）、白藜芦醇（resveratrol，RES）、丹酚酸 C（salvianolic acid C，SAL C）和复方丹参滴丸（compound Danshen dripping pills，DSDW）能有效减轻 A549 细胞的缺氧反应，除乙酰唑胺外，其余药物对 HPMECs 均有一定抗缺氧效果。最终选定 FA、RES、SAL C 和 DSDW 作为候选抗 HAPE 药物。
- 候选药物的有效性验证：在 3D - 肺泡芯片模型中，FA、RES 和 SAL C 显著降低了缺氧导致的肺泡 - 毛细血管屏障通透性增加，且能降低血管内皮生长因子（Vascular Endothelial Growth Factor，VEGF）的表达。在 LPS 诱导的 HAPE 小鼠模型中，FA 和 RES 大幅提高了小鼠生存率，减轻体重下降，降低肺组织中伊文思蓝染料的吸光度，减少促炎细胞因子（VEGF、IL - 6 和 TNF - α ）浓度，减轻肺组织病理变化，有效保护了肺泡 - 毛细血管屏障完整性。
研究结论与讨论
研究人员成功开发并训练了基于深度学习的药物筛选流程 CPHNet，能自动检测 Cell Painting 图像中的形态变化，有助于识别抗 HAPE 药物。该研究虽意义重大，但也存在局限性。实验主要在实验室条件下进行，与高原复杂生理环境有差异；深度学习模型依赖训练数据，泛化能力有待进一步评估；A549 细胞源自肺癌细胞，与原代肺泡上皮细胞可能存在差异。未来，需与临床医生和高原医学研究人员合作，扩大 AI 模型数据集，使用原代肺泡上皮细胞或其他非癌细胞系验证研究结果，推动研究成果向临床应用转化。
总的来说，这项研究为抗 HAPE 药物研发提供了新方向，展示了深度学习在药物筛选中的巨大潜力，有望推动复杂疾病药物研发领域的发展，为解决高原医学中的难题带来新希望。
