发现有效的药物组合现在可能变得更加容易，这要归功于圣裘德儿童研究医院（St. Jude Children's Research Hospital）科学家今天公开的一个筛选平台。许多疾病，包括癌症，需要药物组合来创建有效的治疗方案，这些组合的效果大于各部分之和。然而，新药物和潜在组合的数量激增，使得传统筛选方法变得不切实际。
为解决这一需求，圣裘德研究人员创建了Combocat平台，该平台结合了机器学习和专用液体处理技术，以实现更大规模的组合筛选。该平台的功能已发表在《自然通讯》（Nature Communications）上。
"药物发现领域一直缺乏处理大量潜在组合的方法，这需要不切实际的实验材料量来进行筛选，"圣裘德儿童研究医院计算生物学系高级合著者保罗·吉莱赫（Paul Geeleher）博士说。"我们设计了Combocat，以最少的资源使科学家能够测试大量药物组合，快速提名最可能具有协同效应的组合进行进一步探索。"
"通过将机器学习和药物分配技术的领先方法结合起来，为高通量组合筛选提供动力，我们进行了以前无法实现规模的实验，"圣裘德儿童研究医院计算生物学系第一作者兼合著者查理·赖特（Charlie Wright）博士说。
作为该平台能力的原理验证，研究人员对9,045对药物进行了神经母细胞瘤癌细胞系测试。筛选发现了多对具有强协同效应的药物组合，顶级发现通过额外实验得到了确认。结果表明，Combocat能够高效地大规模发现有前景的药物组合。
通过机器学习和声波实现规模化
为了实现规模化，Combocat将微型药物分配与机器学习相结合。在药物分配方面，声学技术实现了定制化和高效的实验布局。"我们采用了使用声波精确转移微小药物液滴的声学液体处理器，"赖特说。"它们使用你所需的每种液体的确切最小量，允许使用比传统针头或移液管技术少得多的材料，并增加可测试组合的数量。"
机器学习通过使用Combocat的两种模式之一——"密集模式"（dense mode）来为"稀疏模式"（sparse mode）提供信息，从而完善了这一图景。在密集模式下，研究人员测量了每种药物组合的每种可能的剂量配对。除了密集模式外，稀疏模式通过仅从原始数据的一小部分预测完整结果，允许更严格的资源管理。稀疏模式模型是基于平台密集模式方法生成的数百次药物组合实验训练的。当研究人员将机器学习预测与测量值进行比较时，发现它们高度一致，这为该方法提供了信心。
"我们创建了两种筛选'模式'，它们之间存在某种权衡，"吉莱赫说。"我们优化了稀疏模式方法以实现规模化，但它以细节换取效率，而我们优化了密集模式以获得超可靠的测量，但无法扩展。然而，我们表明Combocat可以将它们结合起来，分析更多组合并比传统方法更快地验证它们。"
Combocat延续了圣裘德儿童研究医院药物组合疗法创新的传统，为不仅癌症研究人员，而且为任何需要新治疗方法的疾病提供了一种轻松筛选组合的方式。
"我们创建了一个免费、开源且高度可用的平台，可能成为药物组合发现领域的一个强大标准，"吉莱赫说。"Combocat可以帮助加快识别潜在安全有效的药物组合，最终可能在临床中产生有用且可能改变实践的新药物组合。"
W. C. 赖特（William C. Wright）等人，《开源筛选平台加速药物组合发现》，《自然通讯》（2025）。DOI: 10.1038/s41467-025-66223-8
【全文结束】
