1. 药物重定位与多组学工程导论

药物重定位（drug repurposing，也称老药新用）指的是为已上市或已进入临床阶段的药物寻找新的适应症。它的吸引力来自一个非常现实的工程事实：这些药物的安全性、药代动力学、生产工艺和部分临床数据已经存在，因此一旦找到可靠的新适应症假设，研发路径通常比从零开始的新药发现更短、成本更低、失败风险也更可控。经典案例包括沙利度胺用于多发性骨髓瘤、二甲双胍在肿瘤代谢研究中的再评估、以及西地那非从心血管方向转向肺动脉高压等。但需要强调：重定位不是“猜一个病名”，而是要在分子层面建立药物、靶点、通路与疾病表型之间的可检验联系。

药物重定位的核心逻辑

从机制上看，重定位的核心逻辑可以归纳为三条主线。第一条是“同一靶点、不同疾病”：药物作用的蛋白或通路在另一种疾病中同样关键，例如某个激酶抑制剂原本用于肿瘤，但其靶点也驱动纤维化。第二条是“同一药物、不同靶点”：药物存在脱靶效应或多药理作用，这些次级靶点可能恰好对应新的适应症。第三条是“同一疾病模块、不同干预点”：疾病往往由一组协同变化的基因、蛋白和代谢物构成模块，药物不必直接命中核心节点，也可以通过扰动模块中的其他成员恢复系统状态。

这三条主线对应三种证据来源：靶点知识、药物扰动数据和疾病分子特征。工程化分析的任务，就是把它们统一到可计算、可复现的流程中，而不是停留在文献综述层面。

多组学数据类型及其在重定位中的角色

多组学是重定位从“单靶点思维”走向“系统扰动思维”的基础。常见五类数据各有分工：

• 基因组（genomics）：提供突变、拷贝数变异、融合基因等信息，回答“疾病由哪些遗传事件驱动”。例如在肿瘤重定位中，EGFR 突变、BRCA 缺失会直接决定药物敏感性假设。
• 转录组（transcriptomics）：提供基因表达谱，是连接药物扰动与疾病状态最常用的桥梁。药物处理后的表达变化可以形成“扰动签名”，与疾病签名做反向匹配。
• 蛋白质组（proteomics）：反映蛋白丰度、修饰和相互作用，弥补转录本与功能蛋白之间的差距。磷酸化蛋白质组尤其适合评估激酶类药物的通路影响。
• 代谢组（metabolomics）：直接刻画细胞或体液的代谢状态，适合代谢性疾病、肿瘤代谢和药物毒性研究，也能提供药效标志物。
• 表观组（epigenomics）：包括 DNA 甲基化、组蛋白修饰、染色质可及性等，解释“同样基因型为何表型不同”，对表观遗传药物和分化类疾病尤为重要。

实际项目中，这五类数据很少同时齐全。更常见的起点是“疾病转录组 + 药物扰动转录组 + 靶点注释”，再逐步补充蛋白或代谢层。因此，工程上必须接受数据不完整，并通过分层证据和置信度评分来控制风险。

工程化分析流程概览

一个可落地的多组学重定位流程通常包含六个环节：数据获取与标准化、疾病特征构建、药物扰动特征构建、关联打分、候选排序与过滤、实验验证设计。下面这张图展示了从多组学输入到候选药物输出的整体数据流与关键判断点。

流程中的关键判断点有三个。第一，疾病特征是否稳定：如果样本量小、批次效应强，差异表达结果可能不可靠，需要先做质量控制。第二，药物扰动特征是否可迁移：不同细胞系、不同剂量和不同时间点的扰动谱差异很大，必须明确匹配条件。第三，打分结果是否可解释：一个候选药物如果只有统计分数高，却无法给出靶点或通路层面的机制解释，通常不应优先进入验证。

关键挑战与工程应对

多组学重定位的挑战主要集中在四个方面。其一是数据异质性：不同平台、不同实验室、不同物种的数据难以直接合并。工程上通常采用统一注释版本、分位数归一化或基于秩的转换来降低平台差异。其二是样本量与统计功效：疾病组学数据往往只有几十个样本，而药物扰动数据可能来自不同细胞系，直接做相关容易过拟合。应对方式是引入通路级聚合、交叉验证和独立数据集复现。其三是因果性不足：相关性不等于因果，表达反向匹配只能提示可能性。需要结合靶点敲除、通路富集和文献证据进行三角验证。其四是可复现性：分析流程若依赖手工步骤，很难被他人重复。建议把数据版本、参数、随机种子和中间结果全部记录，形成可追溯的工程管线。