組學技術的快速迭代，開創了疾病治療的精準醫學時代。以TCGA和ICGC為代表的國際基因組項目大大增加了可操作的癌癥突變數量，基因編輯技術實現了突變位點的高通量功能驗證。然而，傳統藥物研發的低效性和種種挑戰大大阻礙了精準醫學的應用，包括臨床相關靶點的發現、生物標志物的鑒定、腫瘤耐藥性、藥物功效和安全性等。近年來，基于生物信息學方法進行多組學數據的挖掘，為一些問題的解決提供了合理的方案。已有研究表明基因組學支持的靶點發現可以使臨床開發的成功率翻倍[1][2]。

圖1. 藥物研發中組學數據的應用

靶點發現

(資料圖片)

傳統的靶點發現通?；谖墨I檢索、單個基因功能研究、快速跟進已經獲批或正在開發中的靶點等方法。而組學數據挖掘靶點的方法，通過多維度組學數據的整合和高通量功能篩選能夠更加系統的發現與臨床密切相關的靶點。以TCGA為代表的癌癥基因組圖譜數據，通過分析頻發突變、功能影響、預后影響等發現腫瘤驅動變異。以GEO和GTEx為代表的轉錄組數據，通過比較組別間的差異表達基因、構建基因調控網絡分析基因集的變化模式。以ENCODE為代表的基因組功能元件數據，通過分析功能元件與組織特異性和甲基化圖譜之間關系，可以發現特定適應癥靶點。

如下圖示例，采用OmicSoft繪制了TCGA Pan-Cancer研究[3]中低級別膠質瘤（LGG）預后差Cluster 4和預后較好Cluster 5基因表達熱圖，并按照熱點突變IDH1 R132H進行分組。統計檢驗結果表明，在預后差的Cluster 4中ETV7在IDH1突變組中顯著低表達。

圖2. LGG預后差Cluster 4和預后好Cluster 5基因表達熱圖

進一步采用QIAGEN IPA構建了ETV7與貝伐珠單抗藥物靶點Vegf和VEGFA之間的調控網絡。結果發現，如果ETV7被激活劑活化（紅色代表激活，藍色代表抑制），同樣可以抑制Vegf和VEGFA活性，與貝伐珠單抗具有協同作用。

圖3. ETV7與貝伐珠單抗靶點之間的調控網絡

高通量功能驗證

基因功能評估是靶點篩選中另外一個關鍵環節，可以進一步驗證靶點與癌癥之間的因果關系。功能驗證通常采用RNAi或CRISPR對全基因組進行功能缺失篩查，從而系統評估靶點與癌癥之間的依賴值（dependency score）。CCLE和DepMap數據庫已經收錄了上萬個基因通過CRISPR敲除和RNAi干擾后在幾百種細胞系中的依賴值，OmicSoft也對該數據進行了人工整理和收錄。

如下圖示例，在OmicSoft CCLE Land中檢索ETV7基因并篩選神經系統來源的細胞系，發現與ETV7依賴性較高的兩個細胞系均來自膠質瘤樣本（Gene Dependency Score越小依賴性越高）。

圖4. 基于CCLE數據庫計算ETV7與不同細胞系之間的依賴值

先導化合物發現

基于組學數據進行先導化合物的發現，代表性策略是采用連接圖（Connectivity Map）方法[4]來比較基因、疾病和藥物對應的轉錄組圖譜之間的相似性。其中藥物處理細胞系對應的表達譜數據通常來自LINCS數據庫。該數據庫收錄了130萬個表達譜數據，涉及19,811種化合物處理3~77種細胞系的數據。如下圖示例，采用QIAGEN IPA軟件，首先獲取厄洛替尼（Erlotinib）處理EGFR突變的HCC515細胞系表達譜數據；然后將該表達譜數據與LINCS數據庫進行匹配分析，找到與其表達譜模式相似的數據集。該示例中case.treatment一列顯示pelitinib、AZD8330、trametibib等藥物處理細胞系后具有類似的表達譜模式；最后，將篩選的藥物處理細胞系表達譜與疾病組（EGFR突變 vs 正常樣本）表達譜數據進行比較，找到與疾病組表達模式相反的藥物處理細胞系組。

圖5. 厄洛替尼處理EGFR突變HCC515細胞系與LINCS數據庫匹配分析結果

揭示藥物分子機理

基于組學數據探索生物標志物和關鍵生物學通路的變化對于藥物分子機理的研究至關重要。QIAGEN IPA軟件可以將不同處理組與對照組進行全面的比較，從調控因子、生物學通路、功能、基因數等角度比較其變化趨勢。如下圖示例，來自AstraZeneca開發的心力衰竭藥物髓過氧化物酶抑制劑（AZD4831）[5]，可以顯著抑制心力衰竭相關生物標志物和通路的活性（1-4是安慰劑治療組，5是AZD4831治療組，橘色表示活性激活，藍色表示活性抑制）。

圖6. AZD4813藥物處理組與對照組生物標志物變化比較

參考文獻：

1.Nelson, M.R. et al. (2015) The support of human genetic evidence for approved drug indications. Nat. Genet 47 (8), 856–860

2.Hingorani, A.D. et al. (2019) Improving the odds of drug development success through human genomics: modelling study. Sci. Rep. 9 (1), 18911

3.Thorsson et al. (2018) The Immune Landscape of Cancer. Immunity 48 (4), 812-830

4.Lamb, J. et al. (2006) The Connectivity Map: using gene-expression signatures to connect small molecules, genes, and disease. Science 313 (5795), 1929–1935

5.Erik Michaelsson et al. (2023) Myeloperoxidase Inhibition Reverses Biomarker Profiles Associated With Clinical Outcomes in HFpEF, JACC Heart Fail 11 (7), 775-787