跳到正文
原文
梅斯医学·临床资讯·· 8 天前AI 评分55

人工智能在中枢神经系统疾病药物研发中的应用与展望

好文推荐 | 人工智能在中枢神经系统疾病药物研发中的应用与展望

AI 导读

文章综述了AI在中枢神经系统疾病药物研发中的应用,包括靶点发现、结构解析、成药性预测及实验验证等方面。AI技术为CNS药物研发提供了新的技术路径,但数据标准化、模型可解释性及实验转化等问题仍需解决。

正文

深度解析医学证据,DeepEvidence为你支撑决策

摘要

中枢神经系统(CNS)疾病药物研发长期面临靶点发现困难、血脑屏障(BBB)限制及临床转化效率低等问题。近年来,人工智能(AI)结合单细胞与空间多组学、蛋白结构预测及生成式模型,为CNS药物研发提供了新的技术路径。本文综述了AI在CNS药物研发中的应用进展,包括疾病相关细胞状态识别、细胞通信与空间微环境解析、蛋白结构预测与分子设计,以及BBB通透性、脑暴露和安全性评估等方面。同时,本文总结了扰动组学、类脑器官和BBB芯片等实验平台在AI预测验证中的作用,并讨论了“预测-验证-迭代”的闭环研发模式。最后,针对数据标准化不足、模型可解释性有限及体外模型生理相关性不足等问题进行了分析,并对AI驱动CNS药物研发的未来发展方向进行了展望。

关键词:人工智能;神经系统疾病;药物研发;单细胞多组学;血脑屏障

Key words:Artificial intelligence;Neurological disease;Drug research and development;Single-cell multi-omics;Blood-brain barrier

中枢神经系统(central nervous system,CNS)疾病是全球范围内致残和致死的重要原因[1]。然而,此类疾病药物研发投资巨大且成功率长期偏低[2],其首要阻碍在于血脑屏障(blood brain barrier,BBB)阻止了超过98%的小分子药物和几乎所有大分子药物进入CNS[3-5];此外,靶点确证困难,如阿尔茨海默病(Alzheimer disease,AD)“淀粉样蛋白假说”药物的屡屡失败更凸显了其高度复杂性[6,7]。尤为严峻的是,传统模式动物与人类在高级脑功能、神经元数量级(人脑约860亿vs小鼠脑约0.71亿)及皮质发育解剖学上存在巨大的物种鸿沟,人类独有的高级认知功能与脑内神经环路连接模式无法在实验动物中复刻,导致传统动物模型的药效学预测可靠性差[8];加之动物伦理与监管压力日益增大,依赖动物模型的传统模式已成为跨越转化的最大障碍。为此,国际上正在兴起一种“以人为中心”的新研究范式,即新途径方法学(New Approach Methodologies,NAM),主张建立基于人类单基因病、临床神经生理学以及临床大数据与多组学的全新范式[9]。

近年来,人工智能(artificial intelligence,AI)技术,尤其是深度学习和生成式模型的发展,为实现NAM新范式及跨越研发障碍提供了新的思路和方法[10,11]。在靶点发现方面,单细胞多组学和空间转录组学能够以高分辨率揭示疾病微环境特征,AI算法则可进一步从复杂数据中识别关键细胞亚群和异常调控网络,从而提高靶点发现的准确性和针对性[12-14]。在分子设计方面,AlphaFold2等蛋白结构预测模型与生成式AI相结合,使基于靶点结构的理性药物设计更加可行[15,16],并有助于优化候选分子的BBB穿透性等关键性质[17]。

为将AI预测结果真正转化为药物研发成果,构建“预测-验证-迭代”的闭环体系至关重要。当前,AI预测模型正逐步与类脑器官、BBB芯片、扰动组学、虚拟临床试验等先进平台相结合,为疾病建模、靶点验证和药物筛选提供新的技术路径。基于CNS药物研发的关键流程,本文将依次围绕AI辅助的靶点发现、结构解析与分子设计、CNS成药性评估、实验验证与闭环迭代、虚拟临床试验以及未来挑战展开综述,以期系统阐明AI在CNS药物研发全链条中的应用价值与发展前景。

1 AI辅助的CNS疾病靶点发现

CNS疾病具有显著的细胞异质性和区域特异性,不同细胞类型、疾病阶段及脑区微环境均可能参与疾病发生发展。因此,靶点发现不能仅依赖整体组织水平的差异表达分析,而需要在单细胞分辨率下识别疾病相关细胞状态,并进一步结合空间信息明确异常信号发生的位置。AI方法在高维组学数据降维、细胞状态识别、调控网络推断和多模态数据整合方面具有优势,为从复杂病理背景中筛选候选靶点提供了新的技术路径。本节将围绕疾病相关细胞状态、细胞通信、空间微环境以及靶点优先级排序四个方面进行阐述。

1.1 疾病相关细胞状态识别

单细胞转录组学(single cell RNA sequencing,scRNA-seq)的发展,使研究者能够在单细胞分辨率下解析CNS疾病中的细胞异质性。AI模型,尤其是基于深度学习的方法,可从大规模scRNA-seq数据中识别疾病相关的异常细胞亚群。例如,在AD研究中,研究者结合单细胞图神经网络(single-cell graph neural network,scGNN)等图神经网络框架,识别出疾病相关小胶质细胞、反应性星形胶质细胞等关键亚群,并揭示其在疾病进展中的变化[18]。这类方法不仅能区分已知细胞类型,也有助于发现过渡状态或疾病特异性细胞群。

AI模型还可整合单细胞转座酶可及染色质测序技术(single-cell assay for transposase-accessible chromatin using sequencing,scATAC-seq)等染色质可及性数据,推断转录因子活性及关键基因调控网络。例如,单细胞多组学研究显示,AD相关调控异常在小胶质细胞中尤为突出[19]。通过比较健康与疾病样本,AI还可分析细胞比例、差异表达基因和功能通路变化。例如,CoCoA-diff分析约70 000个脑细胞数据,识别出215个在AD不同细胞类型中差异调控的基因[20]。这些细胞类型特异性候选基因为后续靶点筛选提供了更精准的依据。

1.2 细胞通信与调控网络解析

CNS微环境中的细胞间通信对维持神经稳态和推动疾病进展具有重要作用。基于CellChat等配体-受体数据库,AI算法可从单细胞转录组数据中推断细胞间通信网络。例如,在帕金森病的小鼠模型中,单细胞分析发现小胶质细胞功能明显改变,胰岛素样生长因子(insulin-like growth factor,IGF)、Agrin蛋白(agrin,AGRN)和多效蛋白因子(pleiotrophin,PTN)等与神经元-小胶质细胞通信相关的信号通路下调[21]。同样,在AD相关研究中,淀粉样前体蛋白信号通路被发现可能参与不同疾病中的血管病变过程[22]。这些结果有助于识别疾病状态下异常的细胞通信轴。

此外,图神经网络(graph neural network,GNN)可用于对细胞间复杂关系进行建模,捕捉传统统计方法难以发现的非线性互作;还可整合转录组和表观基因组数据,解析细胞内基因调控网络[23]。另外,还有研究通过机器学习方式预测脑区特异性调控网络,将遗传风险变异与特定脑区的基因调控异常联系起来,并识别出多个免疫调控相关基因[24]。因此,AI不仅有助于发现异常通信通路,也可锁定关键调控节点,为CNS疾病药物靶点筛选提供支持。

1.3 空间多组学提升靶点定位精度

传统单细胞测序在组织解离过程中会丢失细胞的空间位置信息,而空间转录组学技术弥补了这一不足。10×Visium、10×Xenium、Slide-seq、Merscope和 Stereo-seq等技术能够在组织切片中原位检测基因表达,并保留空间坐标信息。结合SpaGCN、BayesSpace等AI模型,研究者能够识别病灶区域特异性的病理结构,并分析其相关基因表达特征[25]。这种方法使靶点发现不仅关注“哪类细胞异常”,还能够进一步定位“异常发生于何种病理微环境”。

目前,单细胞数据与空间转录组数据的整合分析已成为重要方向。AI可利用单细胞数据中定义的细胞类型信息,将其映射到组织空间中,从而揭示不同细胞在病灶区域的分布及相互作用[14]。例如,在AD脑组织中,小胶质细胞、星形胶质细胞与神经元在β淀粉样蛋白(β-amyloid,Aβ)斑块周围呈现特定空间分布模式[26]。此外,Squidpy、Giotto等工具还可分析细胞间空间距离与基因表达的关系,帮助识别病理微环境中特异性激活的信号通路[27,28]。这些研究为发现局部病灶相关靶点及开发精准干预策略提供了依据。

1.4 靶点优先级排序与“数据活检”证据链构建

在获得大量候选靶点后,如何筛选最具潜力的靶点是药物研发的重要问题。传统知识驱动的方法在靶点发现上面临着效率低下、候选众多的瓶颈。NAM范式下的AI方法则倡导引入肿瘤学的精准医疗模式,改变将脑部疾病视作同质单一疾病、采用统一干预方案的粗放研发模式,通过患者多维度数据分层以定位特异性靶点。该路径利用“数据活检”技术,整合海量多组学、大规模临床人群队列,如中国国家卒中登记研究-Ⅲ( China National Stroke Registry-Ⅲ,CNSR-Ⅲ)队列、CR33/STROMICS多组学大数据库)以及文献知识图谱,结合孟德尔随机化验证因果关系,实现由传统随机筛选向靶点精准定位的转变。目前该模式在行业中已有成功实践(如英国BenevolentAI发现ALS潜在靶点,将研发周期缩短80%[29,30];复旦大学科研团队利用AI模型成功筛选并验证出帕金森病新靶点FAM171A2[31])。

此外,AI可通过整合转录组、蛋白质组、代谢组及全基因组关联分析(Genome-Wide Association Study,GWAS)等多组学数据,构建疾病相关因果网络。基于孟德尔随机化的方法,能够评估候选靶点与疾病之间的因果关联。例如,研究者通过整合脑和血液蛋白质组与遗传数据,筛选出桥整合因子1(bridging integrator 1,BIN1)、颗粒蛋白(granulin,GRN)等AD潜在因果靶点[32];另有研究发现部分代谢物与AD风险存在因果关联[33]。这类方法有助于提高靶点筛选的可靠性。

知识图谱(knowledge graph)进一步为整合复杂生物学信息提供了框架[34]。AI可结合DrugBank、Open Targets等数据库,构建包含基因、蛋白、药物和疾病等实体的关系网络,从而形成从遗传关联、表达变化到药理作用的多维证据链[19]。此外,基于图注意力网络的模型能够综合考虑网络重要性及多组学证据,对关键生物学基因进行优先级排序,为靶点发现提供依据[35]。这些方法能够为后续实验验证提供更明确的方向,并提高候选靶点进入药物开发阶段的可行性。

2 AI辅助的结构解析与分子设计

靶点发现只是CNS药物研发的起点,候选靶点能否进一步转化为可干预的药物靶点,还取决于其结构信息、结合口袋特征及可药性。随着蛋白结构预测和生成式模型的发展,AI不仅能够辅助解析靶点三维结构,还可基于结合口袋特征开展分子生成和结构优化。对于CNS药物而言,分子设计还需兼顾脑渗透性、选择性、代谢稳定性和安全性等多重要求。因此,在靶点优先级排序之后,如何利用AI推动结构导向药物设计和多目标分子优化,成为连接靶点发现与候选药物筛选的重要环节。

2.1 蛋白结构预测与靶点可药性评估

AlphaFold2、RoseTTAFold等AI模型在蛋白三维结构预测方面取得了重要突破,尤其提高了膜蛋白等传统实验难以解析靶点的结构解析能力[15,36]。这些高精度结构为后续药物设计和靶点可药性评估提供了基础。基于预测结构,AI工具可识别潜在的小分子结合口袋,并评估其疏水性、可及性和柔性等特征,从而判断靶点的成药潜力。例如,在G蛋白偶联受体研究中,变构位点的可药性分析已成为发现高选择性药物的重要手段[37]。

此外,分子动力学模拟结合AI增强采样技术,可进一步分析蛋白构象变化及蛋白-配体结合过程[38]。由于部分靶点的有效结合口袋仅在特定功能状态下出现,这类动态分析有助于更准确地预测分子结合模式和稳定性[39],为CNS疾病相关新靶点的发现与验证提供支持。

2.2 生成式AI与结构导向分子设计

生成式AI模型,如扩散模型、生成对抗网络和变分自编码器,正在推动基于结构的药物设计发展[40]。这类模型能够根据靶点结合口袋的结构特征,从头生成具有较高结构互补性的候选分子[40]。同时,条件生成模型还可在分子生成过程中加入分子量、脂溶性等性质约束,使生成分子更符合CNS药物对脑渗透性和安全性的要求。强化学习等算法则可进一步优化分子结构,在提升活性的同时规避潜在毒性和代谢不稳定结构[41]。相比传统药物筛选方法,AI驱动的分子设计能够更高效地探索化学空间,加快先导化合物发现与优化过程。

2.3 面向CNS疾病的多目标分子优化

CNS药物研发通常需要同时兼顾靶点亲和力、BBB穿透性、脑组织暴露量、代谢稳定性以及心脏安全性等多个指标。AI驱动的多目标优化算法,如帕累托优化和贝叶斯优化,可在多个目标之间进行平衡,从而筛选综合性质更优的候选分子[42,43]。此外,物理信息神经网络和GNN等模型,还可用于预测分子的BBB转运效率、脑组织分布及脑药代动力学参数[44]。结合这些预测模型,研究人员能够在临床前阶段更早评估候选分子的脑暴露和安全性,从而提高CNS药物研发效率,并提供更精准的候选药物。

3 面向CNS药物研发的成药性预测

即使候选分子在体外显示出良好的靶点活性,其能否成为真正有效的CNS药物,还受到BBB通透性、脑内有效暴露和安全性等因素的限制。与外周疾病药物相比,CNS药物不仅需要到达靶点,还需要在脑组织中维持足够的游离药物浓度,并避免外排转运、脱靶毒性和神经系统不良反应。AI模型可在早期研发阶段对这些关键成药性指标进行预测,从而帮助研究者在候选分子优化过程中提前排除高风险化合物。本节将重点讨论BBB通透性、脑暴露量和安全性预测在CNS药物研发中的应用。

3.1 BBB通透性预测模型

BBB通透性是CNS药物研发的首要限制因素。近年来,基于血脑屏障数据库(Blood Brain Barrier Database,B3DB)等数据库,支持向量机、XGBoost等机器学习算法结合分子指纹,已能高效区分分子的BBB渗透性,为早期筛选提供依据[45]。研究表明,使用分子指纹[如分子访问系统密钥(molecular access system keys,MACCS)]结合XGBoost或向量机算法,可以构建性能优异的分类模型,为药物的早期筛选提供可靠依据[45]。此外,GNN因能够直接处理分子结构信息,在BBB渗透性预测中表现出较好的泛化能力[46]。

除分类预测外,AI还可利用回归模型预测脑渗透相关的定量参数[47]。同时,针对P-糖蛋白、乳腺癌耐药蛋白等外排转运体的预测模型,也有助于评估候选药物是否会因主动外排而导致脑内暴露不足[48,49]。这些模型结合GNN与基于Shapley值的加性解释模型(SHapley Additive exPlanations,SHAP)分析,在提升筛选效率的同时揭示关键分子特征,为后续药物优化提供指导[45]。

3.2 脑暴露量预测

药物在脑组织中的暴露水平,尤其是游离药物浓度,是评价CNS药物有效性的核心指标。AI与生理药代动力学模型的结合,为脑暴露预测提供了新的方法[50]。利用深度学习构建的机理-神经网络混合模型,能够直接从化学结构预测分子的全身药代动力学特征及动态暴露特征[50,51]。而在纳米药物研发中,AI辅助的生理药代动力学模型已被证明能显著提升对复杂制剂生物分布的预测精度[52,53]。

3.3 安全性预测与脱靶效应评估

安全性评估是CNS药物研发中的重要环节。基于Tox21等大规模数据库,深度学习模型可对神经毒性、肝毒性及心脏毒性进行早期预警[54]。其中,GNN在处理人类Ether-à-go-go相关基因(Human EtheR-à-go-go Gene,hERG)通道相关毒性预测中表现出极高准确性,为规避临床前风险提供了有效工具[55]。AI还可结合化学蛋白组学和高通量筛选数据,预测药物与非目标蛋白之间的相互作用,从而评估潜在脱靶效应[56,57]。总体而言,AI正推动安全性评估由单一预测向综合风险分析发展,助力从设计阶段规避磷脂质病等复杂毒性风险[58]。

4 AI预测的实验验证与闭环迭代

AI模型能够提高靶点筛选、分子设计和成药性预测的效率,但计算预测本身并不能替代实验验证。尤其是在CNS药物研发中,疾病机制复杂、动物模型外推性有限、BBB功能状态易受病理环境影响,因此候选靶点和候选分子仍需在人源化、功能化和动态化的实验体系中进行验证。按照NAM新药范式的转化逻辑,验证体系应确立“以人源类器官或芯片为主,实验动物模型为辅”的闭环验证原则。扰动组学、类脑器官和BBB芯片等技术为AI预测结果提供了重要验证平台,并可将实验数据进一步反馈至模型训练和分子优化过程。本节将讨论这些实验平台如何支持“预测-验证-迭代”的闭环研发模式。

4.1 扰动组学验证靶点功能

扰动组学技术,如集成单细胞测序的成簇规律间隔短回文重复序列(clustered regularly interspaced short palindromic repeats,CRISPR)筛选[CRISPR-人源类器官-单细胞RNA测序(CRISPR-human organoids-single-cell RNA sequencing,CHOOSE)系统],是验证CNS靶点功能的重要工具。研究者可在人源脑类器官中实施大规模基因扰动,利用AI解析细胞命运决定及调控网络,评估基因对疾病表型的影响[59]。AI算法在此过程中扮演着核心角色,它能够处理大规模单细胞数据,识别基因扰动后关键的转录组变化及调控网络[60]。

此外,Perturb-seq等技术可模拟遗传与环境扰动,将致病基因精准映射至特定的细胞状态[61]。结合磷酸化蛋白质组学,利用虚拟富集信号蛋白活性分析(virtual enrichment-based signaling protein-activity analysis,VESPA)等算法可解析药物诱导的信号网络重构,通过多层次扰动数据的整合,显著提升靶点验证的可靠性[62]。

4.2 类脑器官验证药效与毒性

人诱导多能干细胞(induced pluripotent stem cell,iPSC)来源的类脑器官能够较好模拟多种CNS疾病的关键病理特征[63]。AI预测的候选药物可直接在类脑器官平台进行验证。例如,结合高内涵筛选与AI图像分析,可定量评估药物对病理特征的干预效果[64]。基于iPSC来源的运动神经元进行药物筛选发现的罗匹尼罗,已成功推进至治疗肌萎缩侧索硬化症的I、IIa期临床试验,显著延长了患者的无进展生存期,有力证明了该平台在药物研发中的转化医学价值[65]。

此外,超高密度微电极阵列可实时监测单细胞水平的电生理信号,利用AI分析网络传播动力学及连通性,从而评价药物对神经功能的调节作用[66]。类脑器官的转录组及蛋白质组数据可进一步反馈给AI模型,用于验证药物作用机制及优化设计[63,64]。这种“预测-实验-反馈”的闭环模式,极大地加速了精准靶向药物的研发效率。

4.3 BBB芯片验证通透性与转运机制

微流控血脑屏障芯片(BBB-on-a-chip)通过共培养脑微血管内皮细胞、周细胞和星形胶质细胞,可较好模拟体内BBB的结构与功能,为药物跨BBB转运研究提供了新的体外平台[67,68]。相比传统动物或二维细胞模型,BBB芯片能够在更接近生理环境的条件下评估候选药物的通透性,并通过检测芯片两侧药物浓度变化计算表观渗透系数(apparent permeability coefficient,Papp)等指标[69]。研究表明,基于微流控系统建立的BBB模型,其药物通透性趋势与既往动物及细胞实验结果具有较好一致性[69]。

此外,BBB芯片还可用于研究屏障功能变化及相关转运机制,为AI预测结果的实验验证提供支持[67,68]。这种将AI预测与BBB芯片实验相结合的策略,有望提高候选药物脑内递送效率,并降低CNS药物研发失败风险。

4.4 计算机模拟试验与虚拟患者建模

在通过体外平台验证后、正式进入真实人体试验前,利用AI驱动的计算机模拟试验(In-silico Trials)正成为打破传统临床试验“周期长、成本高、招募难”痛点的革命性路径。该技术利用计算机模型和算法整合真实患者的临床、基因与生活方式数据,构建单患者虚拟模型“数字孪生”,并进一步组合成数万级别的“虚拟患者群体”。AI能够在计算机空间内全流程模拟并“并行”开展数百万次虚拟临床试验,用于优化真实试验方案(如剂量、分组等)、预测样本量与终点事件、评估统计效能以及早期生成真实世界证据,在药物研发最早期实现有效去风险与精准分流[70](见图1)。

图片

图1 人工智能驱动中枢神经系统药物的研发

5 挑战与展望

尽管AI在神经系统疾病药物研发中展现出重要潜力,但仍面临数据质量、模型泛化能力和可解释性不足等问题。单细胞多组学数据普遍存在批次效应、高维稀疏性和样本异质性,BBB通透性预测模型也受到数据偏倚、样本规模有限及实验验证不足等因素限制,从而影响模型稳定性和预测可靠性[71]。为了真正践行NAM新范式,未来亟需克服中国丰富病例资源向标准化P级多组学大数据转化的瓶颈。同时,深度学习模型的“黑箱化”问题仍影响研究人员对预测结果的理解与信任,亟需发展可解释性人工智能,以提高模型决策的透明度和可信度[72]。

在实验转化方面,类脑器官和BBB芯片虽提高了体外模型的生理相关性,但在成熟度、标准化和高通量兼容性方面仍有待优化[73]。未来,AI驱动的CNS药物研发将朝着多模态融合与闭环自动化方向发展,通过整合神经影像、基因组学、药代动力学及实验反馈数据,构建更全面的疾病和药物评价模型。同时,将AI预测、虚拟临床试验、自动化合成与高通量筛选相结合,有望形成真正意义上的端到端“设计-合成-测试-分析”的闭环研发体系,提高候选药物发现与优化效率[74]。随着AI应用不断深入,模型透明性、可审计性及伦理监管问题也需同步完善,以保障其安全、规范应用[75]。

6 结论

AI正在推动着CNS药物研发由经验驱动向数据驱动的转变。AI算法通过整合单细胞与空间多组学、蛋白结构预测、生成式模型及成药性评估等方法,极大提高了靶点发现、分子设计、BBB通透性和安全性筛选效率。同时,类脑器官、BBB芯片和虚拟临床试验等平台为AI预测验证和闭环优化提供了支撑。尽管仍存在数据标准化、模型可解释性和实验转化不足等问题,但随着算法和验证体系不断完善,AI有望为神经系统疾病药物研发提供新的技术路径。

参考文献

[1] Steinmetz JD, Seeher KM, Schiess N, et al. Global, regional, and national burden of disorders affecting the nervous system, 1990–2021: A systematic analysis for the Global Burden of Disease Study 2021[J]. Lancet Neurol, 2024, 23(4): 344-381.

[2] Gribkoff VK, Kaczmarek LK. The need for new approaches in CNS drug discovery: Why drugs have failed, and what can be done to improve outcomes[J]. Neuropharmacology, 2017, 120: 11-19.

[3] Wu D, Chen Q, Chen X, et al. The blood-brain barrier: Structure, regulation, and drug delivery[J]. Sig Transduct Target Ther, 2023, 8(1): 217.

[4] Chang CY, Ting HC, Liu CA, et al. Induced pluripotent stem cell (iPSC)-based neurodegenerative disease models for phenotype recapitulation and drug screening[J]. Molecules, 2020, 25(8): 2000.

[5] Salick MR, Lubeck E, Riesselman A, et al. The future of cerebral organoids in drug discovery[J]. Semin Cell Dev Biol, 2021, 111: 67-73.

[6] Panza F, Dibello V, Sardone R, et al. Successes and failures: the latest advances in the clinical development of amyloid–β–targeting monoclonal antibodies for treating Alzheimer’s disease[J]. Expert Opin Biol Ther, 2025, 25(3): 275-283.

[7] Kim CK, Lee YR, Ong L, et al. Alzheimer’s disease: Key insights from two decades of clinical trial failures[J]. J Alzheimers Dis, 2022, 87(1): 83-100.

[8] Barron HC, Mars RB, Dupret D, et al. Cross-species neuroscience: Closing the explanatory gap[J]. Phil Trans R Soc B, 2021, 376(1815): 20190633.

[9] Turner J. Incorporating new approach methodologies into regulatory nonclinical pharmaceutical safety assessment[J]. ALTEX, 2023: 519-533.

[10] Agaram Sundaram V, Saravanan B, Sowndharya Balamurugan B, et al. The impact of artificial intelligence on drug discovery for neuropsychiatric disorders[J]. EXCLI J, 2025, 24: 728-748.

[11] Yang S, Kim SH, Kang M, et al. Harnessing deep learning into hidden mutations of neurological disorders for therapeutic challenges[J]. Arch Pharm Res, 2023, 46(6): 535-549.

[12] Garcia FJ, Sun N, Lee H, et al. Single-cell disp of the human brain vasculature[J]. Nature, 2022, 603(7903): 893-899.

[13] Chen C, Wang J, Pan D, et al. Applications of multi-omics analysis in human diseases[J]. MedComm, 2023, 4(4): e315.

[14] Tchatchoua Ngassam B, Niu H, Pang S, et al. Applications of AI to single-cell and spatial transcriptomics: Current state-of-the-art and challenges[J]. Front Bioinform, 2026, 5: 1715821.

[15] Jumper J, Evans R, Pritzel A, et al. Highly accurate protein structure prediction with AlphaFold[J]. Nature, 2021, 596(7873): 583-589.

[16] Guo SB, Meng Y, Lin L, et al. Artificial intelligence alphafold model for molecular biology and drug discovery: A machine-learning-driven informatics investigation[J]. Mol Cancer, 2024, 23(1): 223.

[17] Saxena D, Sharma A, Siddiqui MH, et al. Blood brain barrier permeability prediction using machine learning techniques: An update[J]. Curr Pharm Biotechnol, 2019, 20(14): 1163-1171.

[18] Wang J, Ma A, Chang Y, et al. scGNN is a novel graph neural network framework for single-cell RNA-Seq analyses[J]. Nat Commun, 2021, 12(1): 1882.

[19] Gupta C, Xu J, Jin T, et al. Single-cell network biology characterizes cell type gene regulation for drug repurposing and phenotype prediction in Alzheimer’s disease[J]. PLoS Comput Biol, 2022, 18(7): e1010287.

[20] Park YP, Kellis M. CoCoA-diff: Counterfactual inference for single-cell gene expression analysis[J]. Genome Biol, 2021, 22(1): 228.

[21] Liu Q, Liu Z, Xie W, et al. Single-cell sequencing of the substantia nigra reveals microglial activation in a model of MPTP[J]. Front Aging Neurosci, 2024, 16: 1390310.

[22] Xu X, Zhang C, Tang G, et al. Single-cell transcriptome profiling highlights the role of APP in blood vessels in assessing the risk of patients with proliferative diabetic retinopathy developing Alzheimer’s disease[J]. Front Cell Dev Biol, 2023, 11: 1328979.

[23] Deng L, Dong Z, Yang Z, et al. Graph learning in bioinformatics: A survey of graph neural network architectures, biological graph construction and bioinformatics applications[J]. Biomolecules, 2026, 16(2): 333.

[24] Khullar S, Wang D. Predicting brain-regional gene regulatory networks from multi-omics for Alzheimer’s disease phenotypes and Covid-19 severity[J]. Hum Mol Genet, 2023, 32(11): 1797-1813.

[25] Lim HJ, Wang Y, Buzdin A, et al. A practical guide for choosing an optimal spatial transcriptomics technology from seven major commercially available options[J]. BMC Genomics, 2025, 26(1): 47.

[26] Chen WT, Lu A, Craessaerts K, et al. Spatial transcriptomics and in situ sequencing to study Alzheimer’s disease[J]. Cell, 2020, 182(4): 976-991.e19.

[27] Palla G, Spitzer H, Klein M, et al. Squidpy: A scalable framework for spatial omics analysis[J]. Nat Meth, 2022, 19(2): 171-178.

[28] Dries R, Zhu Q, Dong R, et al. Giotto: A toolbox for integrative analysis and visualization of spatial expression data[J]. Genome Biol, 2021, 22(1): 78.

[29] Mead RJ, Shan N, Reiser HJ, et al. Amyotrophic lateral sclerosis: A neurodegenerative disorder poised for successful therapeutic translation[J]. Nat Rev Drug Discov, 2023, 22(3): 185-212.

[30] Richardson PJ, Smith DP, de Giorgio A, et al. Janus kinase inhibitors are potential therapeutics for amyotrophic lateral sclerosis[J]. Transl Neurodegener, 2023, 12(1): 47.

[31] Wu KM, Xu QH, Liu YQ, et al. Neuronal FAM171A2 mediates α-synuclein fibril uptake and drives Parkinson’s disease[J]. Science, 2025, 387(6736): 892-900.

[32] Ge YJ, Ou YN, Deng YT, et al. Prioritization of drug targets for neurodegenerative diseases by integrating genetic and proteomic data from brain and blood[J]. Biol Psychiatry, 2023, 93(9): 770-779.

[33] Sun L, Guo D, Jia Y, et al. Association between human blood metabolome and the risk of Alzheimer’s disease[J]. Ann Neurol, 2022, 92(5): 756-767.

[34] Chandak P, Huang K, Zitnik M. Building a knowledge graph to enable precision medicine[J]. Sci Data, 2023, 10(1): 67.

[35] Schapke J, Tavares A, Recamonde-Mendoza M. EPGAT gene essentiality prediction with graph attention networks[J]. IEEE/ACM Trans Comput Biol Bioinform, 2022, 19(3): 1615-1626.

[36] Baek M, McHugh R, Anishchenko I, et al. Accurate prediction of protein–nucleic acid complexes using RoseTTAFoldNA[J]. Nat Meth, 2024, 21(1): 117-121.

[37] Nguyen ATN, Nguyen DTN, Koh HY, et al. The application of artificial intelligence to accelerate G protein-coupled receptor drug discovery[J]. Br J Pharmacol, 2024, 181(14): 2371-2384.

[38] Mehdi S, Smith Z, Herron L, et al. Enhanced sampling with machine learning[J]. Annu Rev Phys Chem, 2024, 75: 347-370.

[39] Bowman GR, Bolin ER, Hart KM, et al. Discovery of multiple hidden allosteric sites by combining Markov state models and experiments[J]. Proc Natl Acad Sci U S A, 2015, 112(9): 2734-2739.

[40] Schneuing A, Harris C, Du Y, et al. Structure-based drug design with equivariant diffusion models[J]. Nat Comput Sci, 2024, 4(12): 899-909.

[41] Pereira T, Abbasi M, Oliveira JL, et al. Optimizing blood–brain barrier permeation through deep reinforcement learning for de novo drug design[J]. Bioinformatics, 2021, 37(Supplement_1): i84-i92.

[42] Lambrinidis G, Tsantili-Kakoulidou A. Multi-objective optimization methods in novel drug design[J]. Expert Opin Drug Discov, 2021, 16(6): 647-658.

[43] Maharjan R, Kim KH, Lee K, et al. Machine learning-driven optimization of mRNA-lipid nanoparticle vaccine quality with XGBoost/Bayesian method and ensemble model approaches[J]. J Pharm Anal, 2024, 14(11): 100996.

[44] Yang K, Swanson K, Jin W, et al. Analyzing learned molecular representations for property prediction[J]. J Chem Inf Model, 2019, 59(8): 3370-3388.

[45] Raveendrakumar E, Gopichand B, Bhosale H, et al. Uncovering blood–brain barrier permeability: A comparative study of machine learning models using molecular fingerprints, and SHAP explainability[J]. SAR QSAR Environ Res, 2024, 35(12): 1155-1171.

[46] Jing Y, Zhao G, Xu Y, et al. GCN-BBB: Deep learning blood-brain barrier (BBB) permeability PharmacoAnalytics with graph convolutional neural (GCN) network[J]. AAPS J, 2025, 27(3): 73.

[47] Martínez-López Y, Phoobane P, Jauriga Y, et al. Exploring blood–brain barrier passage using atomic weighted vector and machine learning[J]. J Mol Model, 2024, 30(11): 393.

[48] Jiang D, Lei T, Wang Z, et al. ADMET evaluation in drug discovery. 20. Prediction of breast cancer resistance protein inhibition through machine learning[J]. J Cheminf, 2020, 12(1): 16.

[49] Lim MA, Yonk MG, Hoang KB, et al. Leveraging quantum chemical properties in transfer learning for predicting blood-brain barrier permeability of drugs[J]. Drug Deliv Transl Res, 2026, 16(6): 2054-2072.

[50] Chou WC, Lin Z. Machine learning and artificial intelligence in physiologically based pharmacokinetic modeling[J]. Toxicol Sci, 2023, 191(1): 1-14.

[51] Führer F, Gruber A, Diedam H, et al. A deep neural network: Mechanistic hybrid model to predict pharmacokinetics in rat[J]. J Comput Aided Mol Des, 2024, 38(1): 7.

[52] Lin Z, Chou WC, Cheng YH, et al. Predicting nanoparticle delivery to tumors using machine learning and artificial intelligence approaches[J]. Int J Nanomedicine, 2022, 17: 1365-1379.

[53] Chou WC, Chen Q, Yuan L, et al. An artificial intelligence-assisted physiologically-based pharmacokinetic model to predict nanoparticle delivery to tumors in mice[J]. J Control Release, 2023, 361: 53-63.

[54] Mayr A, Klambauer G, Unterthiner T, et al. DeepTox: Toxicity prediction using deep learning[J]. Front Environ Sci, 2016, 3: 80.

[55] Ylipää E, Chavan S, Bånkestad M, et al. hERG-toxicity prediction using traditional machine learning and advanced deep learning techniques[J]. Curr Res Toxicol, 2023, 5: 100121.

[56] Rao M, McDuffie E, Sachs C. Artificial intelligence/machine learning-driven small molecule repurposing via off-target prediction and transcriptomics[J]. Toxics, 2023, 11(10): 875.

[57] Zhao Y, Xing Y, Zhang Y, et al. Evidential deep learning-based drug-target interaction prediction[J]. Nat Commun, 2025, 16: 6915.

[58] Kuzikov M, Kalman A, Karki R, et al. Experimental and machine learning-based exploration of repurposed drugs reveals chemical features underlying phospholipidosis[J]. Patterns, 2026, 7(4): 101453.

[59] Li C, Fleck JS, Martins-Costa C, et al. Single-cell brain organoid screening identifies developmental defects in autism[J]. Nature, 2023, 621: 46.

[60] Monfort-Lanzas P, Rungger K, Madersbacher L, et al. Machine learning to dissect perturbations in complex cellular systems[J]. Comput Struct Biotechnol J, 2025, 27: 832-842.

[61] Shi T, Jin X. Probing neuropsychiatric disorders through in vivo CRISPR screening[J]. Curr Opin Genet Dev, 2026, 96: 102424.

[62] Rosenberger G, Li W, Turunen M, et al. Network-based elucidation of colon cancer drug resistance mechanisms by phosphoproteomic time-series analysis[J]. Nat Commun, 2024, 15(1): 3909.

[63] Ji Y, Chen X, Wang Z, et al. Alzheimer’s disease patient brain extracts induce multiple pathologies in novel vascularized neuroimmune organoids for disease modeling and drug discovery[J]. Mol Psychiatry, 2025, 30(10): 4558-4575.

[64] Ye R, Zhang Y, Xu W, et al. AI and organoid platforms for brain-targeted theranostics[J]. Theranostics, 2026, 16(2): 876-897.

[65] Morimoto S, Takahashi S, Ito D, et al. Phase 1/2a clinical trial in ALS with ropinirole, a drug candidate identified by iPSC drug discovery[J]. Cell Stem Cell, 2023, 30(6): 766-780.e9.

[66] Yokoi R, Matsuda N, Ishibashi Y, et al. Advanced neural activity mapping in brain organoids via field potential imaging with ultra-high-density CMOS microelectrode arrays[J]. Front Neurosci, 2025, 19: 1634582.

[67] Piatti L, Batzilla A, Nakaki F, et al. Plasmodium falciparum egress disrupts endothelial junctions and activates JAK-STAT signaling in a microvascular 3D blood-brain barrier model[J]. Nat Commun, 2025, 16: 7262.

[68] van der Helm MW, van der Meer AD, Eijkel JCT, et al. Microfluidic organ-on-chip technology for blood-brain barrier research[J]. Tissue Barriers, 2016, 4(1): e1142493.

[69] Yang J, Shin D, Jeong M, et al. Evaluation of drug blood-brain-barrier permeability using a microfluidic chip[J]. Pharmaceutics, 2024, 16(5): 574.

[70] Eadie AL, Lynch HF, Scheinerman N, et al. The arrival of digital twins and in silico trials in drug development[J]. Nat Med, 2026, 32(6): 1967-1971.

[71] Grant N, Machado Reyes D, Yang Z, et al. Blood brain barrier permeability prediction with artificial intelligence and machine learning: A meta-review and future directions[J]. Discover Artif Intell, 2025, 5(1): 254.

[72] Qadri YA, Shaikh S, Ahmad K, et al. Explainable artificial intelligence: A perspective on drug discovery[J]. Pharmaceutics, 2025, 17(9): 1119.

[73] Castiglione H, Vigneron PA, Baquerre C, et al. Human brain organoids-on-chip: Advances, challenges, and perspectives for preclinical applications[J]. Pharmaceutics, 2022, 14(11): 2301.

[74] Ghiandoni GM, Evertsson E, Riley DJ, et al. Augmenting DMTA using predictive AI modelling at AstraZeneca[J]. Drug Discov Today, 2024, 29(4): 103945.

[75] Pasas-Farmer S, Jain R. From discovery to delivery: Governance of AI in the pharmaceutical industry[J]. Green Anal Chem, 2025, 13: 100268.

版权声明:
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言

来源:梅斯医学·临床资讯 · news.medsci.cn