药物重定位研究方法与流程归纳总结

药物重定位，说白了就是给老药找新活。听起来简单，真做起来坑不少。我当年第一次上手重定位项目，天真地以为把几个数据库一合并，跑个网络分析就能出结果。结果呢？数据打架、特征缺失、模型过拟合，折腾了两个月颗粒无收。后来我总结出一套相对稳定的流程，今天分享给你。

整个流程长什么样？

先看整体框架。我个人习惯把重定位拆成五个阶段：数据收集、数据清洗、计算预测、候选筛选、实验验证。每一步都有坑，但走通之后，效率能提升好几个档次。

第一步：数据收集与整合

重定位的数据，说白了就是两张大表：一张存药物和它的靶点、副作用、适应症；另一张存疾病和它的基因、通路、表型。然后想办法把这两张表连接起来。

常用的公开数据源，我整理了一份清单：

数据源	内容	访问方式
DrugBank	药物-靶点、药物-适应症	官网下载 XML/CSV
CTD (Comparative Toxicogenomics Database)	化学物-基因-疾病关联	REST API / 批量下载
STITCH	化学物-蛋白质互作	TSV 文件下载
GEO	基因表达谱（疾病 vs 正常）	GEOmetadb / Bioconductor
LINCS L1000	药物扰动后的基因表达变化	CLUE API / 下载
UniProt	蛋白质序列、功能、互作	SPARQL / 批量下载
STRING	蛋白质-蛋白质互作网络	API / TSV 导出

我曾经栽过一个跟头：从 DrugBank 下载了 XML 版本，结果解析时没注意英文字段里藏了中文注释，导致靶点名称对不上。后来我改用 TSV 版本，并写了个统一归一化的脚本。建议你一开始就统一用 DrugBank ID 或 ChEMBL ID 做主键，省得后面后悔。

第二步：数据预处理与特征工程

数据收集来的原始数据，你想想看，出自不同数据库，命名规范完全不一样。比如“阿司匹林”在 A 库里叫 Aspirin，在 B 库里叫 Acetylsalicylic acid，甚至在 C 库里给出的是 PubChem CID 2244。第一步就是实体对齐。

我常用的对齐工具：

• 基于字典匹配：用 UniChem、PubChem 映射表做交叉查询。
• 文本模糊匹配：对药物名称做 Levenshtein 距离、Jaccard 相似度，阈值设 0.85 以上。
• 人工校验：对齐后抽样 100 条，肉眼过一遍。我吃过亏，自动映射把 Dopamine 和 Dobutamine 当成同一种药，差点闹出笑话。

特征工程这块，我习惯构建三个维度的特征：

1. 药物特征：分子指纹（ECFP4、MACCS）、理化性质（LogP、分子量）、副作用标签。
2. 疾病特征：差异表达基因集、通路富集得分、表型相似性（基于 HP Ontology）。
3. 互作特征：药物靶点与疾病相关基因在蛋白质互作网络中的最短路径、共表达相关性。

写一个简单的 Python 代码片段，用来从 DrugBank 提取药物-靶点关系：

import pandas as pd
import xml.etree.ElementTree as ET

def extract_drug_targets(xml_file):
    tree = ET.parse(xml_file)
    root = tree.getroot()
    records = []
    for drug in root.findall('.//drug'):
        drug_id = drug.find('drugbank-id').text
        targets = drug.findall('.//target')
        for target in targets:
            target_id = target.find('id').text if target.find('id') is not None else None
            records.append((drug_id, target_id))
    df = pd.DataFrame(records, columns=['drug_id', 'target_id'])
    return df

df = extract_drug_targets('drugbank.xml')
df.to_csv('drug_target_pairs.csv', index=False)

第三步：计算预测方法

重定位的计算方法，说白了就是三种套路：相似度匹配、网络传播、机器学习。我各举一个代表性算法：

方法类别	典型算法	适用场景
基于相似度	药物-疾病余弦相似度 + 阈值排序	有已知适应症数据，特征维度不高
网络扩散	Random Walk with Restart (RWR)	蛋白质互作网络较完整，关系稀疏
机器学习	XGBoost / 图神经网络（GNN）	有足够正负样本，特征工程做得好

我个人最推荐 网络扩散 作为基线方法。为什么？因为它不需要大量训练标签，而且能利用网络的全局拓扑结构。我记得有一个项目，用 RWR 在 STRING 网络上跑一轮，Top-50 候选里验证成功率达到了 12%，远高于随机挑选。

RWR 的核心代码示例（Python + NetworkX）：

import networkx as nx
import numpy as np

def random_walk_restart(adj_matrix, seed, restart_prob=0.7, max_iter=100):
    n = adj_matrix.shape[0]
    p = np.zeros(n)
    p[seed] = 1.0
    # 归一化转移矩阵
    M = adj_matrix / adj_matrix.sum(axis=1, keepdims=True)
    M = np.nan_to_num(M)
    for _ in range(max_iter):
        p_new = (1 - restart_prob) * M.T @ p + restart_prob * p_seed
        if np.allclose(p, p_new, atol=1e-6):
            break
        p = p_new
    return p

# 假设 G 是 NetworkX 图，seed_node 是疾病相关基因的节点ID
adj = nx.adjacency_matrix(G).todense()
p_seed = np.zeros(adj.shape[0])
p_seed[seed_idx] = 1.0
scores = random_walk_restart(adj, p_seed)
# 对药物节点（非种子）按得分排序

第四步：优先级排序与候选筛选

计算模型通常会输出几百个候选药物。你不可能全拿去实验验证，太贵了。我经常用三层过滤器来筛选：

1. 安全性过滤：去掉已知有严重副作用的药。从 SIDER 数据库拉取副作用频率，剔除 hepatotoxicity、cardiotoxicity 高频的药物。
2. 可及性过滤：优先选已上市、成本低、专利已过期或即将过期的药物。太新的药反而不适合重定位，数据太少。
3. 一致性过滤：看候选药物的已知适应症与目标疾病是否有共享的生物学机制（比如共通路、共靶点）。如果完全不相关，模型可能是在学噪声。

三层过滤之后，Top-10 或 Top-20 基本就是可验证的候选列表了。我建议把候选列表做成一个表格，包含药物名、打分、安全评级、可及性标记、机制一致性说明。这样给 PI 看的时候，人家一眼就能判断。

第五步：实验验证

这一步是重定位真正的“试金石”。计算模型说行不算，体外细胞实验验证了才算。我通常建议做两组实验：

• 体外药效：在疾病相关细胞系中测 EC50 / IC50，和已知标准药对比。
• 安全性快速筛查：测一下对正常细胞的毒性（CC50），算一下选择性指数（SI = CC50 / IC50），SI > 10 才值得推进。

在你做实验之前，记得要先查一下这个药是否已经有人测试过对目标疾病的活性。我有一回白花了两周测一个药，结果发现三个月前刚有论文发表，还是一样的细胞系。真想把那篇论文从脑海里删掉。所以 文献调研要前置，用 PubMed、ClinicalTrials.gov 扫一圈，避免重复造轮子。