新药研发成功率降低，高内涵筛选能否力挽狂澜？

2018.10.16

　　研究人员认为，结合机器学习算法的高内涵筛选将广泛用于药物的研发。

　　上个世纪80年代，科研人员开发出了高通量筛选（high throughput screening），这是一种能对大量化合物样品进行药理活性评价分析的技术。在过去的几十年里，高通量筛选曾在新药的研发中发挥了重要的作用。

　　但在最近10年，开发一个新药的成本增加了整整一倍。在大规模筛选中发现的候选药物往往会在临床试验中遭遇失败，其中Ⅱ期临床试验更是新药研发中的一道难关。

　　只有大约1/100的候选药物能顺利走完新药研发之路，如此低的成功率也促使药物开发者重新考虑其筛选方法。

　　许多研发人员正在寻找实现高内涵筛选（high content screening），并同时保持可接受的筛选通量的方法。

　　“如果我们看看过去三十年的新药研发情况，比如小分子和蛋白质药物，就可以发现我们在选择候选药物时过于简单化了。”Jean-Philippe Stephan博士说，他在施维雅公司负责药物筛选、化合物管理和生物银行的运行。Stephan博士研究小组的工作重点是在药物研究的早期阶段，从大量的化合物中选出有潜力的候选药物，“为了更好的完成这一工作，我们将高内涵筛选引进了我们的工作平台。”

　　平衡筛选的通量和内涵

　　“在过去很长一段时间里，我们都认为药物的筛选只要不断尝试就可以完成。不管我们用的筛选方法多么简单，即使这犹如大海捞针一般，只要我们尽可能多地筛选化合物，我们最终都会找到想要的那根针。”Stephan博士说。

　　这种观点鼓励人们开发出含有数百万种化合物的大型化学库，然后一一进行筛选，以确定其中感兴趣的药物。

　　“但在筛选数百万种化合物时，筛选方法不能过于复杂。” Stephan博士说，“因为药物开发是一场分秒必争的竞赛，所以用于筛选的时间不能太长。”

　　在最近一项关于当前药物研发可持续性的研究中，Stephan博士及其同事强调了高内涵筛选对药物研发的益处和挑战。该研究探讨了如何将高内涵功能（如图像捕获、处理以及数据分析）纳入大规模筛选工作，并同时保持足够的筛选通量。

　　“我们需要一种能够概括整个身体状况的模型。”Stephan博士强调，“但这非常困难，在高通量或高内涵筛选方面更是如此。”

　　例如，几十年来，研究人员都在使用二维培养系统培养细胞，但它无法模拟人体组织的生理特性。三维培养系统虽然能更准确地模拟人体组织的生理学特性，但对三维培养系统的运用仍处于早期阶段。

　　“为了在培养皿中创造出接近体内的生理环境，研究人员需要将不同类型的细胞混合培养。” Stephan博士说，“但人体是很复杂的，想在小小的培养皿中重现类似的生理环境实在太困难了。”

　　即使有理想的实验模型，开发人员也必须处理另一个难题：选择最佳的筛选指标。这一指标可能包括细胞核的大小，特定染色的强度，特定细胞区域中抗体的结合情况或细胞的运动。

　　而高内涵筛选的优势之一恰好是可以同时测量多个参数，但有些筛选指标的选择会面临一些技术限制。例如，可以通过显微镜分辨的波长数通常限于四个，这些参数的选择数量有限可能会导致后续的分析出现错误。

　　高内涵筛选面临的另一个困难是需要限制数据偏差的可能性，例如使用阳性对照时产生的数据偏差。在高通量筛选中，研究人员需要在多个步骤进行阳性对照。控制数据偏差以前只被视为一个技术问题，但研究人员已经开始意识到在药物研发的多个步骤中控制偏差的重要性。

　　最后，高内涵筛选还需要继续结合机器学习算法，这些算法有望在药物研发中广泛运用。零碎的信息可能不准确或生物复杂性太小，但深度神经网络可以充分利用这些信息，在筛选的第一阶段先预选出一些化合物，然后再使用更复杂的模型进行鉴定。

　　在高通量筛选中，需要在多个步骤中进行阳性对照

　　球体光学处理

　　“我们开发了一套高通量光学处理的方案，可用于球体成像、荧光高内涵共聚焦成像和核分割。”美国国立卫生研究院国家转化科学中心的生物学家Molly E. Boutin博士说，这项工作有助于完善3D细胞培养模型。

　　许多生物学的3D模型都是球状的，然而在高通量筛选时，研究人员很难得到清晰的球状体图像并进行分析。

　　“光通过一层层细胞成像时会产生大量的散射。”Boutin博士说。使用这套光学处理方案可以在球体更深的区域成像，但是现在只有少量的研究者在高通量筛选中使用它们。“这些都是非常简单的分析技术，”她继续说道，“但是研究人员通常没有想过去观测细胞在球体培养模型的哪个位置。”

　　例如，在预测药物细胞毒性的实验中，普通显微镜图像中球体的大小会被看作细胞是否死亡的指标。“但这些图像并不能说明死亡的细胞是在球体培养模型的外部还是内部，甚至根本就没有细胞死亡。”Boutin博士说。

　　因此，Boutin博士及其同事最近开发了这套高通量球体光学处理和细胞核分割方案，并使用它检查了来自乳腺癌和原发性胶质母细胞瘤细胞系3000个球体培养模型的558,000个图像文件。使用这套自动化处理方案，科学家们可以在1-2.5小时内对384孔板进行成像。在这项研究中，Boutin博士及其同事还证明了分割算法能够根据荧光标记识别单个球体内细胞的几个亚群。

　　“机器学习算法正在快速发展，它允许用户自己训练程序，让程序了解数据集。”Boutin博士告诉我们。“从学习过程中，人们还可以预测未知数据集的内容。”

　　例如，使用对照图像和治疗图像数据集，可以训练程序判断未知的治疗是否会引起特定的反应。机器学习的优点是可以减少手动选择阈值时产生的偏差，Boutin博士表示他们今后会设法在算法中引入机器学习来进行分析。

　　定向分化

　　“我们实验室对不同的遗传和环境因素如何促进疾病进展，以及如何找到治疗这些疾病的药物感兴趣。”威尔康奈尔医学院外科和生物化学副教授Shuibing Chen博士说。在最近的一项研究中，Chen博士及其同事开发了一种分化方案，用于检测Glis3（一种与糖尿病相关的基因）在人胰腺β细胞生物学中的作用。

　　这项研究表明，人胚胎干细胞中Glis3的缺失削弱了它们向胰腺祖细胞和β样细胞的分化能力，并引成了这些细胞的死亡。为了寻找能拮抗这种损伤的药物，Chen博士实验室的研究人员使用了高内涵筛选，最终发现了一种TGF-β抑制剂，目前正在进行II期临床试验。

　　这种叫galunisertib的TGF-β抑制剂能特异性地在体外和体内拮抗由Glis3缺失引起的细胞死亡，而对正常细胞却没有任何影响。识别出了galunisertib的高内涵筛选十分有前景，Chen博士预测它将越来越广泛地被用于药物研发。

　　Chen博士及其同事开发的用于区分个体胰腺细胞类型和模拟人类疾病的方案具有几个优点。“当我们进行筛查时，我们可以将胰岛素（一种胰岛β细胞标记物）和胰高血糖素（一种胰岛α细胞标记物）结合起来，获得促进分化为这些细胞谱系的小分子的信息。”

　　另一个优点是能够同时评估细胞死亡和细胞增殖，同时检测这两个指标可以帮助我们识别导致细胞死亡的某些小分子。”Chen博士断言，“我们已经从细胞的初步筛选中获得了一些机制线索。”

图片.png