細胞生理、病理狀態的改變是人體(ti) 衰老、疾病發生發展的重要機製。自1885年建立體(ti) 外細胞培養(yang) 技術以來，細胞作為(wei) 模型係統已經廣泛地用於(yu) 疾病研究和藥物篩選，是目前全球使用最廣泛的體(ti) 外研究模型。國際上，基於(yu) 多種組學技術特別是基因表達譜技術的藥物研究模式已成趨勢。
基因表達是指儲(chu) 存遺傳(chuan) 信息的基因經過一係列步驟表現出其生物功能的過程。特定基因表達量的多少，可以用於(yu) 疾病的診斷、預後或預測治療反應，在藥物篩選、預測藥物活性、發現藥物新靶點等方麵顯示出了強大的生命力。
1665年，羅伯特·胡克在《顯微術》一書中，首次描述並命名了細胞。1838年，Theodor Schwann和Matthias Schleiden提出了細胞學說的主要論點，指出細胞是生命結構和功能的基本單位，從而確定了細胞在生物學的核心地位。隨著現代細胞生物學和分子生物學的發展，細胞的結構和功能研究日趨詳盡，越來越多的細胞類型得到鑒定，各種生命活動同細胞功能及細胞內部分子變化聯係起來。2017年，美國啟動“人類細胞圖譜”計劃，致力於繪製人體中的每種細胞類型，改變了我們對生物體、細胞和疾病的認識。2022年5月，頂尖學術期刊Science四篇重磅論文同時上線,報告了構建綜合性人類細胞圖譜取得的裏程碑結果,繪製出了迄今最為全麵的“人類細胞圖譜”，覆蓋了100多萬個細胞，包括來自68個捐贈者的33種組織，共計500多種人體細胞類型[1]。![]()
圖1 2022年人類細胞圖譜計劃[1]
細胞通過對基因信息的表達調控，實現生長、代謝、分裂、分化、衰老、死亡等生理或病理過程，人體(ti) 中不同的細胞組合在一起，相互作用，構成不同的器官，並執行不同的功能，從(cong) 而決(jue) 定著人體(ti) 的生、老、病、死。
細胞功能的改變是驅動人體(ti) 衰老和疾病發展的根本[2,3,4]。2023年1月3日Cell發表重磅綜述文章《Hallmarks of aging: An expanding universe》，提出人體(ti) 衰老的12個(ge) 標誌，主要涉及細胞層麵或分子功能層麵的異常改變[5]。
作為(wei) 一切生命活動的基礎，細胞是疾病發生的根源，疾病中的問題都要在細胞中去尋找致病的原因、發展的過程，以及治病的方法。
![]()
圖2 細胞衰老是驅動人體(ti) 各係統衰老的根本（衰老12大標誌）[5]
藥物篩選是藥物發現的關鍵。理想的藥物篩選技術不但需要有更高的篩選效率、更大的篩選規模和更快的篩選速度，還要其檢測模型能夠準確、全麵地反映被篩藥物的生物活性特征。
常規基於靶標活性或化合物與靶蛋白體外反應的篩選技術，雖然具有快速、微量的特點，但隻能做到較少指標檢測，提供化合物對靶點作用的有限信息，無法對化合物的生物活性進行綜合評價。動物模型一直是確定新藥安全性和有效性的經典方法。但其效率低、成本高，也不太適合開展大規模、高通量的藥物篩選。此外，動物與人類存在種屬差異，動物模型在臨床預測方麵失敗率較高。細胞水平的活性篩選是連接分子靶標水平和動物(人體)水平活性的橋梁。自從1885年，德國學者Wilhelm Roux首次建立體外細胞培養技術以來，細胞作為模型係統已經廣泛地用於疾病研究和藥物篩選，已經成為目前全球使用最廣泛的體外研究模型。現代細胞培養技術的發展，細胞模型可以模擬人體各種器官、係統中的細胞變化，可以更好地模擬體內環境和藥物代謝，從而更真實地反映藥物在體內的效果。基於細胞開展藥物篩選，可以比基於體外生化反應，更好地模擬體內環境和藥物代謝，從而更真實地反映藥物在體內的效果。細胞易於培養，試驗周期短，容易實現高度自動化、規模化，極大地提高了藥物篩選效率和結果準確性。此外，細胞實驗所需的樣品極少（微克級），對某些昂貴或極難獲取藥物，具有重要價值。細胞水平篩選體係常用技術包括高內涵顯微成像、報告基因係統、熒光標記檢測等，目前在靶向細胞活性、細胞因子、生長因子、離子通道等單一活性功能指標上，取得了較好的進展。隨著人類基因組計劃的完成，基因組、轉錄組、蛋白組、代謝組等組學技術的發展，深刻揭秘了疾病和生命現象的根源，使得人們對細胞、基因與疾病的關係有了更深刻的理解。組學技術在藥物篩選中的應用，激發了許多新思路、新方法的探索和研究。組學技術可以相對快速地揭示藥物作用機製，能夠從多個角度、多個方麵展現藥物的作用效應，在藥效評價、毒性篩選、分子機製研究以及藥物代謝動力學等藥物研究提供了全新的解決方案。將組學技術深入應用在藥物篩選上，在篩選時間、精度、可控性和經濟效益方麵都具有明顯的優勢。下表中對比了虛擬篩選、生化篩選、動物實驗與細胞篩選的技術特點：
![]()
2006年，美國Broad研究所通過對1309種藥物作用於(yu) 5種人類腫瘤細胞係後的基因表達譜，建立了小分子藥物處理人類細胞的“藥物-疾病-基因”關(guan) 聯圖譜CMap（Connectivity Map）[6]。這些數據庫可以幫助研究人員快速發現與(yu) 疾病有高關(guan) 聯性的小分子化合物或藥物，或者預測出藥物分子可能的作用機製，從(cong) 而大幅推動藥物研發的進展。
通過比較候選藥物處理和疾病條件下細胞或組織的基因表達圖譜，如果兩(liang) 者存在互補關(guan) 係，則說明該候選藥物可能對該疾病具有療效；另一方麵，候選藥物的基因表達圖譜可與(yu) CMap數據庫中的藥物或化合物的基因表達圖譜做比對，進而確定候選藥物的可能療效與(yu) 藥理學機製。
基於(yu) CMap和基因集合富集分析方法，通過與(yu) 不同細胞狀態下的基因表達譜印記對比分析，成功發現了新的藥物作用模式[7,8]，在藥物重定位[9]、疾病相關(guan) 基因發現[10]、疾病機理研究[11]等方麵得到了應用。
圖3 CMAP原理示意圖
此後，美國國立衛生研究院(NIH)啟動了基於網絡的細胞反應印記整合圖書館(Library of Integrated Network-based Cellular Signatures，LINCS)計劃，旨在全麵描述不同小分子化合物、配體以及基因沉默擾動下的多層次細胞反應(如轉錄物表達水平、蛋白質表達水平、細胞表型等)。LINCS采用了一種低成本基因表達譜測定技術（L1000技術），通過檢測978個標誌基因，外推出其他基因的表達量，從而使需要測量的基因數目大幅減小，從而達到控製成本的目的。
L1000數據庫是CMAP數據庫的擴展，主要是使用32855個小分子對99個細胞係進行處理，包含約1,000,000個表達譜[12]。LINCS計劃所產生的細胞反應大數據已經顯示出在基因調控關係挖掘、疾病發生和藥物作用機理辨識、藥物新用途發現等方麵的廣泛用途。Young等[13]用LINCS中L1000裏基因沉默擾動數據，推斷基因間的調控關係，並且根據轉錄因子數據庫TRANSFAC和JASPAR裏所識別的關係得到驗證。Xie等[14]利用L1000藥物擾動下轉錄組水平的數據，係統發掘並預測了480種已上市藥物用於其他治療屬性的潛力。Chen等[15]用L1000數據集係統研究並量化了藥物與疾病擾動下基因表達特征之間的逆轉關係，最終預測出4種化合物可有效逆轉肝癌細胞中的基因表達，並在5種肝癌細胞係中得到驗證。中藥作用機製研究一直是中醫藥現代化研究的關鍵問題之一。依據“君臣佐使”的原則，中藥方劑常以多味藥材組合入藥，其作用機製複雜，使得中藥研究麵臨較大的挑戰。
2014年，程京院士提出建立分子版《本草綱目》研究計劃（簡稱“分子本草”），該計劃基於微量細胞的高通量藥物轉錄組測序技術和人工智能技術，構建了具有自主知識產權的全轉錄組基因表達譜中藥篩選平台。該平台使用微孔板配合自動化工作站操作，僅需藥物處理數千個人源細胞，經裂解後反轉錄、低循環PCR擴增、文庫構建及測序過程，可進行全轉錄組的基因表達譜檢測，為中藥篩選和機製解析提供了一種全景式、高通量的藥物篩選方法。目前已構建了世界超大規模的中藥分子功能基因表達譜數據庫，該數據庫真實檢測了900多種中藥、300多種食物提取物對人體9大係統疾病細胞模型作用的10億級真實基因表達數據和2500多萬條藥用信號通路數據。基於人工智能、高性能計算、分子組學圖譜技術，結合中藥知識圖譜，以逆轉疾病通路為核心，建立了人工智能驅動的中藥創新研發平台，用數字化技術賦能中藥創新藥研發、藥食同源健康食品開發、天然植物化妝品開發。通過細胞基因表達譜技術，揭示藥物與疾病的秘密，為中醫藥現代化和國際化開創全新的科學發展路徑。![]()
圖4 分子本草平台世界超大規模中藥藥用基因表達譜數據庫
已申請發明專利15項、獲得軟件著作權9項、發表SCI論文10 篇（總影響因子102.3）。獲得中關村高新技術企業、雙軟認證企業、AAA級信用企業、博士後工作站資質。獲得北京市知識產權局專利轉化專項支持、入選中關村科技型小微企業關鍵技術創新支持項目，並獲得科技部2022年全國顛覆性技術創新大賽總決賽最高獎，入選中華中醫藥學會2022年度“中醫藥十大學術進展”。參考文獻
[1] Liu Z, Zhang Z. Mapping cell types across human tissues[J]. Science, 2022, 376(6594): 695-696.[2] Zou Z, Long X, Zhao Q, et al. A single-cell transcriptomic atlas of human skin aging[J]. Developmental cell, 2021, 56(3): 383-397. e8.[3] Abdellatif M, Rainer P P, Sedej S, et al. Hallmarks of cardiovascular ageing[J]. Nature Reviews Cardiology, 2023: 1-24.[4] Wilson D M, Cookson M R, Van Den Bosch L, et al. Hallmarks of neurodegenerative diseases[J]. Cell, 2023, 186(4): 693-714.[5] López-Otín C, Blasco MA, Partridge L, Serrano M, Kroemer G. Hallmarks of aging: An expanding universe. Cell. 2023 Jan 19;186(2):243-278.[6] Lamb J, Crawford ED, Peck D, etal. The Connectivity Map: using gene-expression signatures to connect small molecules, genes, and disease. Science. 2006 Sep 29;313(5795):1929-35.[7] Iorio F, Tagliaferri R, Di Bernardo D. Identifying network of drug mode of action by gene expression profiling. Journal of Computational Biology: A Journal of Computational Molecular Cell Biology, 2009, 16(2): 241-251.[8] Iorio F, Bosotti R, Scacheri E, et al. Discovery of drug mode of action and drug repositioning from transcriptional responses. Proc Natl Acad Sci USA, 2010, 107(33): 14621-14626.[9] Chang M, Smith S, Thorpe A, et al. Evaluation of phenoxybenzamine in the CFA model of pain following gene expression studies and connectivity mapping. Molecular Pain, 2010, 6(1): 56-69.[10] Reka A K, Kuick R, Kurapati H, et al. Identifying inhibitors of epithelial-mesenchymal transition by connectivity map-based systems approach. Journal of Thoracic Oncology: Official Publication of the International Association for the Study of Lung Cancer, 2011, 6(11): 1784-1792.[11] Wei G, Twomey D, Lamb J, et al. Gene expression-based chemical genomics identifies rapamycin as a modulator of MCL1 and glucocorticoid resistance. Cancer Cell, 2006, 10(4): 331-342.[12] Subramanian A, Narayan R, Corsello S M, et al. A next generation connectivity map: L1000 platform and the first 1,000,000 profiles[J]. Cell, 2017, 171(6): 1437-1452.[13] Young W C, Raftery A E, Yeung K Y. A Posterior probability approach for gene regulatory network inference in genetic perturbation data. Mathematical Biosesciences & Engineering, 2017, 131(6): 1241-1251.[14] Xie L, He S, Wen Y, et al. Discovery of novel therapeutic properties of drugs from transcriptional responses based on multi-label classification. Scientific Reports, 2017, 7(1): 7136-7147.[15] Chen B, Ma L. Reversal of cancer gene expression correlates with drug efficacy and reveals therapeutic targets. Nature Communications, 2017, 8: 16022-16034.