drug-repurposing

药物再利用

概述

这项技能教会 Agent 如何对药物再利用进行推理——识别可能用于治疗新适应症的已获批或处于临床阶段的化合物。药物再利用成功需要满足三个条件：（1）药物与新疾病之间存在可信的机制联系；（2）来自相互独立来源的证据强度足够；（3）结合现有安全性、PK、制剂和 IP 数据，存在现实可行的转化路径。

使用这项技能来评估方案、为候选药物排序、发现薄弱证据，并在投入湿实验或临床工作之前，引导用户制定有充分依据的药物再利用策略。

用法

当用户有以下需求时，调用这项技能：

• 已有疾病靶点，想寻找能调节该靶点的已获批药物。
• 已有疾病转录组特征，想寻找特征与之相反的药物。
• 询问如何查询 DGIdb、OpenTargets、ChEMBL 或 DrugBank，以寻找药物再利用候选药物。
• 基于单一数据来源，声称某种药物“应该对”新的适应症有效。
• 想根据证据强度为多个药物再利用候选药物排序。
• 询问某个药物再利用候选药物是否可转化为临床试验。
• 需要设计药物再利用研究或撰写药物再利用依据。

Agent 应当：

1. 对方法分类——基于靶点、基于表型，或两者结合。
2. 审查证据——查询了哪些数据库，哪些证据类型支持该候选药物。
3. 应用证据层级——遗传学 > 临床观察 > 体外 > 计算。
4. 评估可转化性——安全性特征、PK、剂量可行性、制剂、专利状态。
5. 找出证据缺口——缺少哪些证据，以及哪些实验能够补足。

回复格式

• 直接给出建议或分类作为开头（≤3 句话）
• 结构为：建议 → 理由（引用具体标准/阈值）→ 注意事项
• 比较时使用表格；列出标准时使用项目符号
• 省略用户已经了解的背景信息——他们是在提问
• 目标篇幅：200–400 词，除非用户要求详尽说明 这项技能中的决策树和框架仅供内部推理使用。运用它们得出结论，但不要在回复中复述。只呈现最终建议及其支持证据。

核心概念

1. 两种基本方法

每项药物再利用工作都从两个方向之一入手。选择哪种方法，决定了所涉及的数据库、方法和证据类型。

方法	起点	方法	主要数据库	优势	局限
基于靶点	已知疾病靶点（基因/蛋白质）	寻找能结合或调节该靶点的已获批药物	DGIdb、ChEMBL、DrugBank、OpenTargets	机制易于解释；可利用结构生物学	假设该靶点具有因果作用且可成药
基于表型	疾病分子特征（转录组、蛋白质组）	寻找特征与疾病特征相反的药物	CMap（Connectivity Map）、LINCS L1000	不受机制限制；可发现意想不到的关联	特征存在噪声；表达相反 ≠ 具有治疗效果

决策树：选择哪种方法？

Start
│
├── Do you have a validated disease target (gene/protein)?
│     ├── Yes → Target-based approach.
│     │         Query DGIdb, ChEMBL, DrugBank for drugs hitting this target.
│     │         Cross-reference with OpenTargets for target-disease association strength.
│     └── No  → Continue.
│
├── Do you have a disease molecular signature (e.g., differentially expressed genes)?
│     ├── Yes → Phenotype-based approach.
│     │         Query CMap/L1000 for drugs with negatively correlated signatures.
│     │         Validate top hits against known biology.
│     └── No  → Continue.
│
├── Do you have both a target and a signature?
│     ├── Yes → Hybrid: run both approaches independently, then intersect.
│     │         Candidates appearing in both lists have stronger support.
│     └── No  → Insufficient starting data. Gather target evidence or generate
│               disease signatures before attempting repurposing.

2. 关键数据库及其提供的信息

查询多个数据库——单一来源并不足够。

数据库	内容	用途
OpenTargets	靶点与疾病关联评分（遗传学、文献、通路）	验证靶点相关性；评估关联强度
DGIdb	来自 30 多个来源的药物-基因相互作用	查找与目标基因相互作用的已获批药物
ChEMBL	生物活性数据（IC50、Ki、EC50）	定量结合/活性证据；SAR 背景
DrugBank	药物靶点、PK、适应症、相互作用	药物元数据、安全性特征、剂型
CMap / LINCS L1000	约 20,000 种化合物的表达特征	基于表型的药物再利用；特征逆转
TTD	靶点、药物、临床试验状态	交叉核对靶点验证情况和研发阶段
STITCH	化学物质-蛋白质相互作用网络	网络层面的药物-靶点-疾病关系

数据库查询规则

1. 始终至少查询两个独立数据库。 仅在 DGIdb 中命中并不足够；应与 ChEMBL 生物活性数据交叉核对。
2. 检查相互作用类型。 DGIdb 报告抑制剂、激活剂、结合剂等。如果疾病需要激活靶点，那么命中“抑制剂”就毫无用处。
3. 检查活性数值。 ChEMBL 中 IC50 为 50 µM 并不属于类药物相互作用。认真考虑时要求 IC50/Ki < 1 µM；高置信度则要求 < 100 nM。
4. 检查细胞系/检测背景。 生化检测中的活性并不能保证细胞活性。有数据时优先选择基于细胞的检测数据。
5. 对于 CMap 查询，要求连接性评分 < -90（强负相关）。 -50 至 -90 之间的评分只能作为提示，单独不足以指导行动。

3. 药物再利用候选的证据层级

证据并非一视同仁。按支持候选药物的最强证据类型进行排序。

层级	证据类型	描述	权重
1（最强）	孟德尔随机化（MR）遗传关联	可代表药物作用的遗传变异与疾病风险相关；模拟自然 RCT	最高——无需担心混杂因素的因果推断
2	临床观察	病例报告、回顾性队列或理赔数据表明该药物会影响人类的新适应症	高——真实世界人体证据，但存在混杂因素
3	体外/体内实验	基于细胞的检测、动物模型显示药物在疾病背景下有效	中等——机制得到确认，但转化效果不确定
4（最弱）	计算预测	特征匹配、网络邻近性、对接评分、AI 预测	最低——仅用于提出假设；需要实验验证

应用层级的规则

1. 仅有第 4 层证据支持的候选药物只是一个假设，并非药物再利用候选。 未经实验验证，不要建议将其用于临床开发。
2. 第 1 层证据（MR）是验证靶点的金标准。 如果针对药物靶点的遗传工具变量与疾病相关，那么因果链条就很有力。务必在 OpenTargets 或 MR-Base 中查询 MR 研究。
3. 必须审慎审查第 2 层证据中的混杂因素。 服用药物 X 且预后较好的患者，可能与未服用该药物的患者存在系统性差异（适应症偏倚、健康使用者偏倚）。要求调整混杂因素，或采用模拟目标试验设计。
4. 第 3 层证据必须包含正确的疾病模型。 证明某种药物在体外能杀死癌细胞，并不能作为将其再利用于阿尔茨海默病的证据。模型必须重现目标疾病的生物学特征。
5. 可信的候选药物至少需要两个层级的证据。 理想的候选药物应同时具备第 1 层（遗传）+ 第 3 层（实验）+ 第 2 层（临床观察）证据。无论单一层级的证据有多强，都不足以支撑结论。

决策树：证据是否充分？

Start
│
├── Is there Mendelian randomization evidence (Tier 1)?
│     ├── Yes → Strong foundation. Proceed to translatability assessment.
│     │         Still seek Tier 3 confirmation (mechanism in disease model).
│     └── No  → Continue.
│
├── Is there clinical observation evidence (Tier 2)?
│     ├── Yes → Promising, but check for confounding.
│     │         Was the analysis adjusted? Was it an emulated target trial?
│     │         Seek Tier 3 confirmation.
│     └── No  → Continue.
│
├── Is there experimental evidence (Tier 3)?
│     ├── Yes → Mechanistically supported.
│     │         Is the model relevant to the target disease?
│     │         Seek Tier 1 or Tier 2 to strengthen the case.
│     └── No  → Continue.
│
├── Is there only computational evidence (Tier 4)?
│     └── Hypothesis only. Do not recommend for clinical development.
│         Design experiments to generate Tier 3 evidence first.
│
└── No evidence at all?
      └── Not a repurposing candidate. Return to target/disease validation.

4. 作用机制重叠评估

当某种药物被提出用于新的适应症时，Agent 必须评估该药物的作用机制是否与新疾病相关。

步骤：

1. 确定药物的主要和次要靶点。 使用 DrugBank 查询主要靶点，并使用 ChEMBL 查询脱靶活性（IC50 < 10 µM）。
2. 将靶点映射到疾病通路。 使用 OpenTargets 或 KEGG/Reactome，检查是否有药物靶点参与疾病相关通路。
3. 评估作用方向。 如果疾病需要抑制通路，那么药物必须是相关靶点的抑制剂（而非激活剂）。作用方向不匹配属于否决性发现。
4. 检查多药理作用。 一些药物再利用候选药物通过次要靶点发挥作用，而非其主要适应症靶点。这种情况合理，但必须有明确证据证明该次要靶点在新疾病中的作用。
5. 评估选择性。 在 1 µM 浓度下作用于 50 种激酶的药物可能会调节目标靶点，但也会通过脱靶效应引发毒性。请查看 ChEMBL 中的选择性面板。

作用机制评估标准	通过	不通过
药物靶点参与疾病通路	靶点位于疾病通路排名前 3（OpenTargets）	无通路重叠
作用方向匹配	药物抑制过度活跃的靶点／激活功能不足的靶点	药物作用与治疗需求相反
治疗浓度下的活性	IC50/Ki < 获批剂量下的 Cmax	IC50 >> Cmax（无法实现靶点占有）
选择性可接受	治疗浓度下的脱靶靶点 < 10 个	广泛脱靶活性可能引发毒性

5. 临床转化能力评估

机制合理的候选药物仍可能因无法实际开发而失败。请从以下维度进行评估：

维度	有利因素	不利因素
安全性特征	已获批药物，AE 特征明确；对于新适应症的严重程度，AE 可接受	治疗窗窄；严重 AE 与新适应症不相称
药代动力学	药物以治疗浓度到达靶组织；人体 PK 已知	在靶组织中的生物利用度差；相关给药途径缺乏人体 PK 数据
剂量可行性	在获批剂量或更低剂量下即可达到治疗效果	所需剂量远超获批剂量（进入新的毒性范围）
制剂	现有制剂适用于新适应症（例如，适用于慢性疾病的口服制剂）	需要新的制剂（例如，针对 CNS 疾病的鞘内制剂；适用于门诊患者的 IV 制剂）
专利／独占权	有仿制药可用，或专利允许开发新适应症	仍有效的物质组成专利阻碍开发；没有可利用的新用途专利机会
监管路径	可采用 505(b)(2) 路径；现有安全性数据可减少试验负担	没有监管捷径；需要进行相当于完整 NDA 的开发

转化能力评估规则

1. 检查 Cmax 与 IC50。 如果新靶点的 IC50 高于获批剂量下可达到的 Cmax，那么药物若不增加剂量就无法作用于该靶点，而增加剂量会引入未知的安全风险。
2. 评估组织分布。 如果药物血浆 PK 极佳，但无法穿透 CNS，那么在不重新制剂的情况下，就无法将其再利用于脑部疾病。
3. 评估适应症严重程度是否匹配。 将免疫抑制剂（有感染风险）再利用于轻度过敏性鼻炎，属于转化能力评估失败——风险收益比不支持这种做法。
4. 尽早检查专利格局。 另一家公司持有的物质组成专利可能会阻碍开发，无论科学依据多么充分。新适应症的新用途专利仍可能可用。
5. 优先选择已有仿制药制剂的药物。 开发成本更低、上市路径更快，也不存在知识产权障碍。

6. 对多个候选药物进行排序

数据库查询得出多个药物时，应系统地对它们进行排序。

评分框架（每个维度赋 0–3 分）：

维度	0	1	2	3
证据等级	仅有 4 级证据	仅有 3 级证据	两个等级（例如，3+4）	1 级证据或 2 级证据 + 3 级证据
MOA 相关性	通路无重叠	通路有重叠，但方向性错误	方向性正确，活性较弱	方向性正确，活性强（IC50 < Cmax）
安全性	治疗指数（TI）窄，有严重不良事件	有中度不良事件	耐受性良好，仅有轻微不良事件	对目标人群而言安全性记录极佳
PK/剂量可行性	IC50 >> Cmax	IC50 ~ 2–5× Cmax	获批剂量下 IC50 ≤ Cmax	IC50 << Cmax；治疗窗宽
监管/IP 路径	受专利限制；需要完整 NDA	IP 情况不确定；标准路径	可能采用 505(b)(2)；已有部分数据	有仿制药；安全性数据库丰富

总分解读：

• 12–15： 强候选药物——优先进行实验验证。
• 8–11： 中等候选药物——资源允许时值得推进；应弥补不足。
• 4–7： 弱候选药物——存在重大障碍；除非有独特理由，否则应降低优先级。
• 0–3： 不可行——不要推进。

7. 药物再利用验证的研究设计

选定候选药物后，验证路径取决于现有证据。

Start
│
├── Tier 1 (MR) + Tier 3 (experimental) evidence available?
│     └── Proceed to clinical validation.
│         Design: Phase II proof-of-concept trial (randomized, controlled).
│         Endpoint: disease-specific primary endpoint.
│         Leverage existing safety data to shorten Phase I or skip it (505(b)(2)).
│
├── Tier 3 (experimental) evidence only?
│     └── Strengthen with additional preclinical work.
│         - Confirm efficacy in second disease model.
│         - Demonstrate target engagement at achievable concentrations.
│         - Then proceed to clinical validation.
│
├── Tier 2 (clinical observation) only?
│     └── Formalize with retrospective study.
│         - Emulated target trial design on EHR/claims data.
│         - Adjust for confounders (propensity score, IV if available).
│         - If positive, proceed to prospective trial.
│
└── Tier 4 (computational) only?
      └── Generate experimental evidence first.
          - In vitro assay in disease-relevant cell line.
          - Confirm target engagement.
          - Do not proceed to clinical work on computational evidence alone.

8. 用于靶点验证的孟德尔随机化

孟德尔随机化（MR）通过将遗传变异作为药物作用的工具变量，为药物再利用提供最有力的非临床试验证据。其逻辑是：如果模拟药物对靶点作用的遗传变异也与疾病相关，那么该靶点就可能具有因果作用。

MR 质量检查清单：

标准	要求	风险信号
工具变量强度	每个 SNP 的 F 统计量 > 10	F < 10 表示工具变量较弱；结果会偏向存在混杂的观察性估计
相关性	SNP 必须与靶基因表达或蛋白水平相关（cis-pQTL 或 cis-eQTL）	Trans-pQTL 可能通过中介因素发挥作用；特异性较低
独立性	工具变量之间不存在连锁不平衡	相关 SNP 会夸大表观强度
排除性限制	SNP 仅通过靶点影响疾病	水平多效性会违反核心假设
多效性检验	MR-Egger 截距不显著；加权中位数法和 MR-PRESSO 结果与 IVW 一致	MR-Egger 截距显著 = 存在多效性
重复验证	在不同祖源人群和生物样本库中结果一致	仅基于单一祖源人群的 MR 可能反映人群特异性的 LD 模式

解读用于药物再利用的 MR 结果：

• MR 估计的是终生靶点调节的效应方向和大致幅度。用药数月产生的效应会小于 MR 估计值。
• 保护性 MR 关联（例如，遗传代理的靶点抑制可降低疾病风险）支持再利用该靶点的抑制剂。
• 有害 MR 关联（例如，遗传代理的靶点抑制会增加疾病风险）是强烈的禁忌理由——不要再利用。
• MR 结果为零并不能否定该靶点；这可能反映统计效能不足、组织不匹配或效应非线性。

9. 实用数据库查询工作流

系统性的药物再利用筛选应按以下顺序进行：

Step 1: Define the target or disease signature
│
├── Target-based: Identify gene symbol, UniProt ID, Ensembl ID.
│
└── Phenotype-based: Generate or obtain disease DEG list
    (log2FC > 1, FDR < 0.05 from case-control transcriptomics).

Step 2: Query primary databases
│
├── Target-based:
│     ├── OpenTargets → target-disease association score (require > 0.5).
│     ├── DGIdb → list of drugs with known interactions for the target.
│     └── ChEMBL → bioactivity data (IC50, Ki) for each drug-target pair.
│
└── Phenotype-based:
      └── CMap/LINCS L1000 → query disease signature → rank drugs by
          negative connectivity score (require < -90).

Step 3: Cross-reference and filter
│
├── For each candidate drug:
│     ├── DrugBank → current indications, safety profile, PK parameters.
│     ├── ClinicalTrials.gov → prior trials for this drug + new indication.
│     └── ChEMBL → confirm activity at achievable concentrations (IC50 < Cmax).
│
└── Remove candidates with:
      ├── IC50 > 10× Cmax (cannot achieve target engagement).
      ├── Prior Phase II/III failure for the same indication.
      ├── Unacceptable safety profile for indication severity.
      └── Blocked IP (active composition-of-matter patent, no generic).

Step 4: Rank surviving candidates
│
└── Apply the scoring framework (Section 6) across all dimensions.
    Prioritize candidates scoring ≥ 12/15.

Step 5: Validate top candidates
│
└── Follow the study design decision tree (Section 7).

10. 网络药理学注意事项

基于网络的方法可以补充直接靶点查询：它们会在蛋白质-蛋白质相互作用（PPI）网络和疾病模块的背景下考察药物的作用。

网络药理学可发挥作用的情况：

• 疾病具有多基因特征，没有单一的主导靶点。
• 药物具有多重药理作用（作用于多个靶点），且你想评估其总体效果。
• 你想识别具有协同作用的药物再利用组合。

网络药理学不足以应对的情况：

• 将其作为药物再利用候选药物的唯一证据（仅 Tier 4）。
• 目标组织的 PPI 网络不完整。
• 疾病模块定义不清（已知疾病基因较少）。

关键指标：

指标	释义	阈值
网络邻近度（z 分数）	药物靶点与 PPI 网络中疾病基因的接近程度	z < -2（显著近于随机情况）
重叠系数	药物靶点中属于疾病基因的比例	> 0 为必需；> 0.1 值得关注
分离分数（SAB）	药物模块与疾病模块之间的拓扑分离程度	SAB < 0 表示存在重叠

规则：

1. 网络邻近度用于生成假设。z 分数 < -2 说明值得进一步研究，而非足以支持临床开发。
2. 有条件时，始终使用组织特异性 PPI 网络。通用互作组包含与疾病组织无关的相互作用。
3. 推进候选药物之前，至少使用一种正交方法（数据库查询、MR 或实验检测）验证网络预测。
4. 报告所用网络（BioGRID、STRING、IntAct）以及边的置信度阈值。低置信度边会人为夸大邻近度。

不应使用此技能的情况

• 对临床候选药物作出是否推进的决策（需要药物化学审查）
• 评估知识产权/专利格局是主要限制因素的候选药物

何时应向人类专家升级处理

• 根据药物再利用的依据投入临床试验之前
• 作用机制重叠需要结构生物学确认时

常见错误

• 错误： 将负向 CMap 连通性评分视为治疗有效性的证明 正确： 将 CMap 结果视为用于生成假设的依据（Tier 4 证据），并通过实验或临床数据进行验证 原因： 细胞系转录组特征无法重现体内疾病生物学——表达方向相反并不等于具有治疗效果

• 错误： 使用 DGIdb 中的“相互作用”结果，却不核实药物是抑制还是激活靶点 正确： 务必核实相互作用方向（抑制剂还是激活剂），并确认其符合治疗需求 原因： 如果靶点需要被激活，却使用了抑制剂，病情会恶化

• 错误： 将任何 ChEMBL 结合结果都视为具有治疗活性的证据 正确： 务必将 IC50/Ki 与获批剂量下的 Cmax 进行比较——只有 IC50 < Cmax 才值得认真考虑 原因： 药物可能只有在远高于体内可达到浓度的情况下才能与靶点结合，使这种相互作用在临床上无关紧要

• 错误： 根据单次数据库查询结果做出药物再利用决策 正确： 至少交叉参考两个独立数据库（例如，DGIdb + ChEMBL，或 OpenTargets + DrugBank） 原因： 每个数据库都有其偏差和缺漏——DGIdb 可能遗漏最新数据，ChEMBL 缺乏临床背景，DrugBank 的疾病关联数据有限

• 错误： 仅凭机制支持，就为轻症提出具有严重副作用的药物 正确： 在推进任何候选药物前，根据适应症的严重程度评估风险收益比 原因： 当副作用与病情严重程度不相称时，无论机制支持多充分，风险收益评估都无法通过

• 错误： 对科学依据充分的候选药物投入精力，却不核查专利状态 正确： 尽早检查专利布局——寻找物质组成方面的专利壁垒和用途方法方面的机会 原因： 知识产权障碍可能会阻止后续开发，不论科学价值如何，从而浪费时间和资源

• 错误： 假定获批剂量能让新适应症的靶点实现靶点结合 正确： 检查针对新靶点的 PK/PD 建模——所需暴露量可能与原适应症不同 原因： 获批剂量是针对原靶点优化的；新靶点可能需要不同的浓度

• 错误： 将网络邻近性（药物-靶点-疾病 PPI 距离）作为验证证据 正确： 将基于网络的预测视为 Tier 4（用于生成假设），并要求进行实验确认 原因： 计算得出的网络邻近性不足以支持临床开发决策

• 错误： 为药物无法到达的组织提出该药物（例如，为 CNS 疾病提出无法穿透 BBB 的药物） 正确： 核实组织特异性分布——确认药物能以治疗浓度到达与疾病相关的组织 原因： 即使疾病组织中有经验证的靶点，如果药物无法到达该组织，也毫无意义

• 错误： 在未查询 ClinicalTrials.gov 中是否有先前尝试的情况下推进药物再利用候选药物 正确： 投入资源前，务必检查相同药物-适应症组合是否有先前失败的试验 原因： 同一适应症的 II 期试验失败是强烈的负面信号，除非失败是由试验设计而非疗效所致

• 错误： 将单项统计效能不足的孟德尔随机化研究作为确定性的 Tier 1 证据加以引用 正确： 要求工具变量有效（F 统计量 > 10）、不存在水平多效性（MR-Egger 截距），并在不同祖源人群中得到重复验证 原因： 单项缺乏敏感性分析且统计效能不足的 MR 研究，不符合 Tier 1 证据标准