近日，藥學(xué)院韓思飛團(tuán)隊(duì)在藥學(xué)學(xué)科頂尖期刊Journal of Controlled Release在線發(fā)表題為“Predicting lymphatic transport potential using graph transformer based on limited historical data from in vivo studies”的研究論文。我校藥學(xué)院韓思飛、澳大利亞南昆士蘭大學(xué)吳迪為共同通訊作者。我校訪問(wèn)學(xué)者李沄沨、藥學(xué)院2024級(jí)碩士生劉睿雅、國(guó)家超算中心濟(jì)南分中心2023級(jí)博士研究生紀(jì)宗昊為共同第一作者。中國(guó)藥科大學(xué)為第一完成單位與第一通訊單位。
近年來(lái)，位于人體淋巴系統(tǒng)內(nèi)藥物靶標(biāo)正被逐漸發(fā)掘和利用，為腫瘤、感染、炎癥自免、代謝綜合癥等重大疾病治療帶來(lái)新機(jī)會(huì)。由于血液是藥物吸收和運(yùn)輸?shù)闹鲗?dǎo)路徑，通常情況下藥物經(jīng)淋巴吸收量極低（<0.2%），不利于其在淋巴系統(tǒng)內(nèi)發(fā)揮作用。以往研究發(fā)現(xiàn)，少部分親脂性藥物具備經(jīng)淋巴吸收特征，但此經(jīng)驗(yàn)規(guī)律準(zhǔn)確度有限，亟須更深入的藥物淋巴吸收規(guī)律探尋與更好的預(yù)測(cè)模型，以便指導(dǎo)高淋巴吸收藥物分子設(shè)計(jì)與篩選。
本工作首先檢索由動(dòng)物模型（含人體臨床試驗(yàn)）實(shí)測(cè)藥物經(jīng)淋巴吸收的相關(guān)文獻(xiàn)，依據(jù)模型選取的差異分類(lèi)構(gòu)建數(shù)據(jù)庫(kù)。針對(duì)藥物淋巴吸收體內(nèi)精準(zhǔn)研究困難，總體數(shù)據(jù)樣本量低的問(wèn)題（被測(cè)試過(guò)淋巴吸收的藥物數(shù)量不足藥物總數(shù)的5%），本工作引入數(shù)據(jù)增廣模型，用于小樣本條件下的AI數(shù)據(jù)訓(xùn)練。隨后，基于化合物分子結(jié)構(gòu)代碼SMILES通過(guò)三種建模方法Graph Convolutional Network (GCN), Graph Attention Network (GAT) and Graph Transformer (GT)的比較，選取表現(xiàn)最佳的GT作為淋巴吸收預(yù)測(cè)模型。最后，以尚未發(fā)表的實(shí)驗(yàn)室內(nèi)測(cè)藥物的動(dòng)物淋巴轉(zhuǎn)運(yùn)數(shù)據(jù)驗(yàn)證了模型準(zhǔn)確度。
本工作為全球首次發(fā)表AI驅(qū)動(dòng)淋巴系統(tǒng)藥物吸收預(yù)測(cè)模型，為淋巴趨向型藥物設(shè)計(jì)與篩選提供了有力工具。該模型線上開(kāi)放使用，未來(lái)隨測(cè)試數(shù)據(jù)增加，有望快速迭代。藥學(xué)院韓思飛、胡羅娟課題組主要研究淋巴藥物轉(zhuǎn)運(yùn)與遞送系統(tǒng)，包括大分子載體構(gòu)建、小分子設(shè)計(jì)、淋巴類(lèi)器官芯片等子領(lǐng)域工作。自2023年建組以來(lái)，該團(tuán)隊(duì)與校內(nèi)外十余家課題組廣泛合作，正推動(dòng)淋巴系統(tǒng)內(nèi)藥物靶標(biāo)的利用和臨床轉(zhuǎn)化。
該研究工作得到我校原創(chuàng)藥物研究院魏強(qiáng)教授在數(shù)據(jù)庫(kù)建設(shè)方面的指導(dǎo)與幫助，我校藥學(xué)院姜正羽教授、江程教授在淋巴趨向分子片段設(shè)計(jì)與合成方面的指導(dǎo)與幫助，以及澳大利亞蒙納士大學(xué)Trevaskis教授在藥物篩選方面的指導(dǎo)與幫助。該工作獲得國(guó)家海外優(yōu)秀博士后引進(jìn)計(jì)劃、江蘇省藥物分子設(shè)計(jì)與成藥性?xún)?yōu)化重點(diǎn)實(shí)驗(yàn)室資助項(xiàng)目 (DDORC202202) 的支持。
論文鏈接：https://doi.org/10.1016/j.jconrel.2025.113847
基于數(shù)據(jù)增廣與圖形化藥物分子結(jié)構(gòu)的AI驅(qū)動(dòng)淋巴預(yù)測(cè)模型原理示意圖
（供稿單位：藥學(xué)院，撰寫(xiě)人：劉華，審稿人：劉帆）
