综述：治疗复杂疾病的药物发现新范式：药物发现与优化

《Chinese Medicine》：A new paradigm for drug discovery in the treatment of complex diseases: drug discovery and optimization

这篇综述聚焦天然产物开发多靶点药物，阐述相关技术、作用模式及剂量优化，为新药研发提供策略。

　　

治疗复杂疾病的药物发现新范式：药物发现与优化

在药物研发领域，传统的 “单一靶点，单一疾病” 模式正面临诸多挑战。从 2014 年至 2023 年，美国食品药品监督管理局（FDA）虽批准了 456 种新药，但药物研发成本高昂、周期漫长，且临床安全性和有效性问题突出。传统的单靶点药物在临床应用中存在诸多弊端，如难以干预完整疾病网络、易产生耐药性、安全性欠佳等。其主要原因在于单靶点药物干扰靶点或抑制下游通路时，机体产生自我抵抗，激活旁路生物通路，同时治疗靶点的突变以及上下游效应器的激活或相互作用，也会导致药物疗效受限，脱靶效应还会带来毒性。

复杂疾病如心血管疾病、癌症、阿尔茨海默病等，是全球主要的死亡原因。这些疾病由遗传、生理、环境和行为因素共同作用，涉及多种潜在靶点和通路，疾病发生发展是动态过程，临床症状和预防手段复杂，并发症常见，这使得单靶点药物难以发挥理想疗效。

“设计多配体” 理念的提出为药物设计和发现带来新方向，多靶点药物可同时调节疾病网络系统中的多个靶点和环节，影响机体整体平衡，提高疗效和安全性。天然产物因其结构多样性、高多靶点活性和低毒性，成为多靶点创新药物开发的重要来源。然而，从天然产物开发多靶点药物面临诸多难题，如疗效物质基础不明、活性研究不深入、作用机制不清、忽视临床最佳剂量制定等。

天然产物发现技术

传统药物开发耗时久、成本高，而药物再利用策略（drug repurposing）因已知药物的安全性、剂量和毒性特征，可提高药物发现效率，阿司匹林、西地那非等是典型例子。随着技术发展，多种筛选方法不断涌现。

1. 高通量筛选（HTS）和高内涵筛选（HCS）：HTS 基于分子或细胞水平实验方法，具有微量、快速、灵敏、高效的特点，常用的 HTS 系统分为生化和细胞筛选系统。生化筛选系统主要基于荧光或吸光度检测纯化靶蛋白与药物的结合或酶活性影响；细胞筛选系统则在未知靶点的情况下检测药物诱导细胞表型的能力，大量研究利用该方法筛选天然产物和 / 或多靶点药物。

HCS 技术是在 HTS 技术兴起后逐渐发展起来的，也称为细胞组学，是一种结合自动荧光显微镜和自动图像分析的细胞表型筛选技术。其实验过程包括细胞培养、样品制备和暴露、图像采集、图像分析和数据挖掘。HCS 能在维持细胞结构和功能完整性的前提下，通过分析多孔板中的细胞图像，实现对天然产物多个靶点和参数（细胞形态和细胞内参数）的同时检测。与 HTS 相比，HCS 结果更丰富多样，已广泛应用于多种人类疾病治疗化合物的鉴定，涵盖细胞信号通路、肿瘤学、神经生物学、体外毒理学、靶点验证等生命科学领域。2. 计算机辅助药物设计（CADD）：疾病的发生往往与多个靶点相关，天然产物可调节多种疾病过程以达到最佳治疗效果。CADD 是开发多靶点药物常用的方法，主要分为基于结构的药物设计（SBDD）和基于配体的药物设计（LBDD）。

SBDD 是发现强效小分子药物的重要工具，基于生物分子或大分子配体复合物的三维结构进行药物设计，包括分子对接、药效团模型和分子动力学模拟等。虚拟筛选是 SBDD 的一种方法，根据受体结构的有无分为基于受体的虚拟筛选（RBVS）和基于配体的虚拟筛选（LBVS）。以 COVID-19 治疗药物开发为例，通过将活性成分与病毒表面蛋白（刺突糖蛋白、ACE2 等）和宿主靶点（Mpro、RdRp 等）进行对接，筛选出靶向病毒和宿主的药物，分子对接后还需进一步计算（如分子动力学模拟）以提高对接可靠性。

LBDD 在蛋白质晶体结构未知（如膜蛋白）时应用广泛，主要通过评估提交分子与疾病相关生物活性分子库之间的分子相似性进行筛选。药效团模型明确了药物分子（配体）与特定生物靶受体相互作用所需的空间和药效特征，在天然产物研发中应用广泛。同样以 COVID-19 药物开发为例，收集具有精确治疗效果的小分子抗 COVID-19 药物的结构和疗效特征作为训练集，使用多维药效团算法（HipHop、LigandScout 等）建立药效团，若化合物能匹配多个药效团，则表明其具有多靶点活性。3. 其他技术：人工智能（AI）技术的快速发展为药物再利用领域提供了新工具，可缩短研发周期，为罕见或难治性疾病提供新选择。AI 药物再利用包括数据挖掘和分析、机器学习、计算模拟等。例如，TxGNN 模型利用图神经网络和度量学习模块实现临床中心的药物再利用；基于 AI 技术的定量构效关系将深度学习和机器学习等 AI 技术应用于药物分子结构与生物活性关系的研究，加速组合药物的开发。此外，片段基虚拟筛选（FBVS）技术可通过较少的片段化合物发现结合效率更高的分子，成为药物研究的热点。

随着大数据时代的到来，计算机模拟技术与体外研究相结合，可快速准确地从天然产物库中筛选多靶点药物和联合药物。但药物研发过程包括先导化合物的发现和优化两个阶段，获得先导化合物后，优化药物的药效学（PD）和药代动力学（PK），同时考虑靶点组合的合理性、活性平衡和靶点选择性是巨大挑战。若天然产物对各靶点的活性差异过大，难以设定合适剂量，可能导致不良反应或无法达到预期效果，因此明确药物与靶点的相互作用是药物发现的重要研究领域。

天然产物的作用模式

明确天然产物的作用模式（MOA）有助于在确保药物安全的基础上促进药物开发。例如，抗疟药奎宁的主要分子靶点尚未确定，导致其作用模式不明，无法降低毒性反应。MOA 还为药物联合治疗提供依据，如多种单克隆抗体联合使用可显著提高对肿瘤组织的破坏作用；不同作用模式的抗癫痫药物联合使用更有效，可降低住院和急诊治疗风险。然而，基于表型筛选的天然产物主要作用模式尚不清楚，基于靶点筛选的药物很少仅与直接靶点结合，还需探索间接靶点以提高化合物的疗效和选择性。

1. 直接靶点发现策略：直接靶点是理解天然产物中活性物质作用模式的关键，天然产物小分子进入靶器官的 “内暴露剂量” 与直接靶点的相互作用是其直接药效的基础。例如，癌蛋白 PML-RAR 是 As₂O₃治疗急性早幼粒细胞白血病的直接药物靶点。“靶点垂钓” 策略是一种具有高操作性的直接靶点识别技术，主要利用药物与靶蛋白结合后稳定性改变的原理识别天然产物的潜在靶点，具体分为标记、非标记和其他方法。这些技术可快速捕获与药物活性物质可能存在特异性相互作用的靶蛋白。
2. 间接靶点发现策略：越来越多研究证明，各器官之间存在复杂的对话机制。在许多病理情况下，器官间的通讯发生改变，调节多器官相互作用是治疗疾病或损伤的内部系统调节策略。如肾 - 脑轴、肺 - 肠轴、肠 - 脑轴等双向或多向通讯连接在复杂疾病或慢性病的药物治疗中被提出。有研究表明，天然产物在治疗复杂或慢性病时，通过中间物质（如内源性代谢物、外泌体、肠道菌群等）调节生理代谢过程，从而发挥间接治疗作用。此外，开发间接靶点有助于避免不可成药靶点的技术挑战，降低药物毒副作用。因此，可通过系统生物学方法构建疾病相关网络、蛋白质 - 蛋白质相互作用网络等生物网络模型，分析网络拓扑结构和节点间的相互作用，识别间接靶点。
3. 系统生物学：生物系统的基本信息流从 DNA 到 RNA，再到蛋白质，最后到代谢物（基因组 - 转录组 - 蛋白质组 - 代谢组），这些技术可快速全面地掌握疾病的发病机制。近年来，专利药物靶点的研究转向基于疾病表型的细胞机制识别新靶点的分子方法。“组学” 技术不仅可表征和理解疾病，还能确定药物在分子水平的作用方式。

基因组药物靶点通过基因组技术发现与疾病相关的致病基因和新药靶点，为临床疾病的预防、诊断和治疗提供策略。自 20 世纪 70 年代末以来，mRNA 被实验用作潜在治疗靶点，发现途径包括全基因组测序、基因芯片或 RNA 测序、基因组学等，以识别与疾病相关的遗传变异位点或差异表达基因。同一基因与多种不同适应症相关，针对该基因开发的治疗药物可能适用于与之相关的疾病，如 5α 还原酶抑制剂用于治疗前列腺增生和脱发。此外，基因组学还可评估化合物靶点之间的有效性和特异性。

转录组是对 RNA 的高通量表征，基于转录组基因表达和靶点识别的药物重新定位是寻找疾病候选药物的有效方法。例如，Jia Z 等人利用转录组学找到 COVID-19 的关键作用模式，包括内吞作用、溶酶体和中性粒细胞脱颗粒，并重新定位了两种抗病毒药物沙奎那韦和利巴韦林。近年来，新的基因组编辑技术 CRISPR-Cas9 和 RNAi 技术为靶点发现和识别研究提供了有力工具。

蛋白质组学除了化学蛋白质组学的直接靶点识别策略外，还能提供超越基因组和转录组的疾病生物学独特见解。利用蛋白质组学技术评估健康和疾病或药物治疗样本中的蛋白质表达谱，识别与疾病发生、发展和治疗密切相关的靶点。例如，剪接、糖酵解和核苷酸合成途径是 SARS-COV-2 复制的重要途径和潜在治疗靶点，普拉地诺利德 B、2 - 脱氧葡萄糖、利巴韦林和 nms873 可作为 COVID-19 的潜在治疗选择。为更准确地定量蛋白质，可将质谱与稳定同位素标记方法（C、¹⁵N；¹⁴N、²H）或未标记方法结合。

代谢组学主要研究细胞、组织或生物流体中分子量在 1500 Da 以内的小分子物质，揭示机体代谢特征的变化。作为间接或辅助靶点发现技术，代谢组学通过干扰代谢酶导致代谢物积累或消耗，直接反映机体功能。在天然产物作用模式研究中，代谢组学系统地量化细胞或组织中代谢网络的流量分布，揭示导致代谢流变化的重要代谢酶。例如，二甲双胍通过 HIF-1α/PFKFB3/PFK1 调节轴阻断糖酵解通量，发挥抗肝癌作用。4. 网络药理学：复杂疾病的分子机制源于细胞内调节网络异常，涉及多个基因和多功能蛋白质的相互作用，“一药一基因一病” 模式阻碍了复杂疾病治疗药物的创新。网络药理学整合系统生物学、生物信息学、网络科学等学科，从系统水平和生物网络整体分析药物与治疗对象之间的分子关联，揭示药物的系统药理机制，指导新药研发和临床诊疗。

天然产物作为多组分复杂系统进入人体复杂生命系统，网络药理学提供了 “多组分 - 多基因 - 多靶点 - 复杂疾病” 的研究策略，阐明天然产物复杂成分与多种效应之间的复杂相互作用模式。在药物研发过程中，靶点验证和药物在疾病靶向组织和健康组织中的暴露 / 选择性平衡容易被忽视，导致临床药物开发失败率高。明确天然产物的作用模式有助于识别候选药物，优化其抑制分子靶点的疗效和特异性，减少脱靶效应，确定具有明确作用模式的天然产物的最终特征是确定临床前候选药物的关键步骤，通常包括高剂量药理学、PK/PD 研究、药物剂量线性和重复给药 PK 等，为优化药物首次人体剂量（FIH）提供必要数据。常用的从动物到人的外推方法主要有两类：基于机体治疗、耐受性特征和 / 或药物药理学特性的最小预期生物效应剂量（MABEL）和无观察效应水平（NOAEL）；基于机制原理的定量药理学模型。

安全用药剂量优化

1. 传统剂量优化策略：在联合药物开发过程中，药物之间存在复杂相互作用，传统设计方法难以找到临床联合用药的最佳剂量，预测最大推荐起始剂量（MRSD）成为从非临床到临床药物开发的关键节点。FDA 和欧洲药品管理局（EMA）推荐的传统剂量评估方法包括 NOAEL 和 MABEL。NOAEL 是确定人体首次临床试验 FIH 剂量的常用估计方法，但该方法忽略了物种间 PK 和 PD 特征的差异以及药物与受体的结合特征，导致有效人体剂量偏差较大，且基于最小毒性风险而非药理活性，在某些情况下无法准确预测药理活性强、毒性低的药物的 FIH 剂量。

自 TGN1412 和 BIA10-2474 事件后，提出了通过拟合 PK/PD 数据估计 MRSD 的 MABEL 方法并不断优化，该方法考虑了药理剂量 / 浓度 - 反应曲线和受体占有率（激动剂≤10% - 拮抗剂≤90%），显著降低了临床受试者风险，估计的 MRSD 耐受性良好。然而，MABEL 方法忽略了物种间潜在的 PK 差异，需要大量机制数据，对于源于过度药理作用的不良反应药物，初始剂量估计可能过高。此外，小分子药物和大分子药物在临床试验设计上存在诸多差异，导致种间缩放方法不同，常用的异速生长缩放法不适用于整体准确性不足、适用性窄、特定物种结合 / 分布或肝脏代谢依赖的药物。2. 基于定量药理学模型的剂量优化策略：随着大生物数据、计算机技术和机器学习等新兴技术的发展，FDA 提出基于定量药理学的新药研发和科学评估，使模型模拟技术应用于研究复杂生物过程成为可能。传统的 PK/PD 模型主要用于改进已批准药物的给药方案和个体化治疗，但这种半机制 PK/PD 模型无法预测药物暴露水平，也无法进一步预测不同情况下（与其他药物或生物标志物之间）的药物效果。

FDA 提出基于生理、生化和解剖参数的生理药代动力学（PBPK）模型，以血液循环为中心连接各种组织和器官，模拟药物在体内的 ADME 过程。与传统剂量优化模型相比，PBPK 不仅考虑化合物本身的物理化学性质，还引入机体生理参数，强调描述药物进出房室反应速率常数的不同基础，建立药物暴露与靶组织效应之间的关系。同时，结合 PD 构建生理药代动力学 / 药效学模型（PBPK-PD），表征药物 ADME 的系统水平和组织水平药物效应，更准确地预测药物效应的时间过程，可在多种复杂情况下（如联合治疗和疾病并发症）预期最佳给药方案。

除种间外推，PBPK 还为体外体内外推（IVIVE）提供了实用框架。例如，通过整合 SARS-CoV-2 感染 Vero 细胞的体外数据，利用 PBPK 模型模拟不同给药方案下肺液中羟氯喹的浓度，探索最有效策略。目前，PBPK 已广泛应用于临床药物开发的各个阶段，如特殊人群的药物方案调整、风险评估、毒性评估、药物相互作用研究和药物 - 疾病相互作用预测等。

由于种族、年龄、性别、遗传背景等多种因素，人体对药物暴露的反应存在差异，在药物联合开发中应考虑人群水平剂量 - 反应关系的变异性。PBPK 作为基于参数的建模方法（自下而上），可与群体药代动力学（Pop-PK）结合进行药物剂量选择。Pop-PK 是一种数据驱动的计算模型，采用 “自上而下” 的方法反映个体间和个体内的变异性，识别导致药代动力学变化的因素（年龄、性别、种族、体重等），可用于模拟大样本稀疏个体中的药物浓度。两者互补结合，将暴露与临床结果联系起来，解决目标人群的个体差异问题。

例如，Offman E 等人建立的 Pop-PBPK 模型证实了淋巴循环的个体差异会影响皮下注射聚乙二醇肽的人体血容量和肾清除率；Pop-PBPK 模型还可为不同生命阶段或特殊人群（老年人、儿童、孕妇、肝肾功能受损患者等）提供安全有效的给药方案，如结合 Pop-PK 和 PBPK 模型建议孕妇在怀孕三个月后增加奥司他韦剂量；PBPK 模型结合 Pop-PK 模型还可解决种族差异问题，如 Feng S 等人利用 PBPK 模型预测比托哌汀的 PK 种族敏感性和初始剂量，Pop-PK 用于确认种族差异并为剂量调整提供依据。

在天然产物联合用药研究中，PBPK 模型可同时对多种成分、组织参数和药代动力学 / 药效学进行多因素相关分析。Law FCP 等人构建了茶多酚混合物的 PBPK 模型，预测服用绿茶或 Polyphenon E（PE）后人体血浆中茶儿茶素混合物的总浓度；PBPK 模型还可应用于天然产物药物相互作用研究，如证明水飞蓟宾 - 雷洛昔芬可联合使用，作用机制是抑制肠道葡萄糖醛酸反应。与传统 PK/PD 模型相比，PBPK-PD 模型在优化天然产物剂量过程中具有以下优势：考虑人体 ADME，直接从人体靶细胞或器官的药物浓度进行剂量优化；整合多成分的 PK 结果，反映天然产物中各种成分和靶点的综合效应；补偿临床小样本试验和患者生理导致的偏差；克服物种差异，在一定程度上取代动物实验和生物等效性实验，加快计算速度，降低研究成本。

治疗 COVID-19 的天然产物多学科研究框架

自 COVID-19 大流行以来，对数百种潜在药物进行了临床前 / 临床试验，但只有少数小分子抗病毒药物（如瑞德西韦）和 11 种单克隆抗体被批准用于临床治疗。天然产物在疫情防控中发挥着重要作用，药物再利用逐渐成为治疗常见和罕见疾病的热点。例如，氯<