机器学习驱动的药物再定位以治疗HER2阳性乳腺癌

为什么将旧药用于难治乳腺癌很重要

对于许多患有一种称为HER2阳性的侵袭性乳腺癌的人来说，现有的靶向药物随着时间推移可能失去疗效，而全新药物的研发既缓慢又昂贵。本研究探索了成千上万种已有药物中是否存在能够阻断由HER2驱动的肿瘤的候选分子，研究团队借助先进的计算工具来寻找这些被隐藏的抗癌潜力。

用通俗语言理解问题

HER2阳性乳腺癌由细胞表面的一种蛋白质驱动，该蛋白不断发出强烈的生长与分裂信号。当HER2过度表达时，癌细胞会快速增殖并常常发生转移，且它们可能学会规避现代HER2靶向药物。鉴于开发全新药物可能需要十年或更长时间，药物再定位的想法显得颇具吸引力：科学家们不是从头开始，而是检验那些已获批准用于其他疾病、并已知安全的现有药物是否也能在癌细胞中关闭HER2的活性。

计算机如何帮助筛查数千种药物

研究者首先收集了近1.4万种曾被用于HER2测试的化合物的详细信息，包括每种化合物抑制该蛋白的强度。他们将每个分子转换为数百个描述其大小、形状、电荷及其他性质的数值特征。基于这些数据，研究团队训练了多种机器学习模型，以学习分子结构与抑制HER2能力之间的关联。在对数据进行严格清洗并去除弱势或冗余特征后，一类称为随机森林（Random Forest）的模型给出了最可靠的预测，能正确解释约五分之四的新分子活性差异。

从预测到在癌症靶点内进行对接

掌握该模型后，团队转向了一个包含4,099种已批准药物的真实世界药库，并缩减到超过1,600种干净、定义良好的小分子。计算模型估算了每种药物可能抑制HER2的强度，并标出一组被预测为特别有效的候选物。随后将这些优选候选物“对接”入正常HER2蛋白和在某些耐药性癌症中出现的有问题突变体的三维结构中。对接模拟类似于虚拟的锁和钥匙测试，用以检查药物与HER2活性口袋的契合度以及其可能形成的原子级接触类型。

随时间追踪最有前景的候选者

一种用于心脏和眼科的药物——马来酸噻莫洛尔（在研究中标记为FDA0870）多次脱颖而出。它在机器学习筛查和对正常及突变HER2的对接测试中均名列前茅，与控制蛋白活性的关键区域形成了强氢键和疏水接触。为了验证这种结合在更现实条件下是否稳固，研究者进行了长时间的分子动力学模拟，模拟分子在类体液环境中如何摆动与运动。经过从纳秒到微秒的模拟时间，噻莫洛尔在两种形式的HER2口袋中都保持稳定嵌入。额外的计算评估其吸收、分布、代谢、排泄和毒性（ADMET）表明，其既有的类药物特性、中等渗透性和安全性总体上适合进一步探索。

这对患者可能意味着什么

用通俗的话说，这项工作表明，智能计算流程可以在任何实验室或动物测试开始之前，从大量已知药物中筛选出最有可能对抗难治性癌症的候选者。在众多被检查的获批药物中，噻莫洛尔作为一种同时阻断标准型和突变型HER2的再定位候选显示出很强的潜力。尽管这些结果纯属计算预测，仍需在细胞和动物实验中得到验证，但它们指向了一条更快且可能更廉价的途径：通过赋予熟悉药物新的用途，为抗击HER2阳性疾病增加新的工具。

引用: Dinesh, B.G.H., Ganjipete, S., Kumar, B.S. et al. Machine learning-driven drug repurposing for HER2-positive breast cancer. Sci Rep 16, 15868 (2026). https://doi.org/10.1038/s41598-026-45361-z

关键词: HER2阳性乳腺癌, 药物再定位, 机器学习, 分子对接, 噻莫洛尔