圣裘德儿童研究医院的科学家创建了Combocat平台，可更高效地测试药物组合及剂量。
美国田纳西州孟菲斯，2025年12月15日
（左）首席兼共同通讯作者查理·赖特博士与（右）共同通讯作者保罗·吉勒赫博士，均来自圣裘德计算生物学系。
得益于圣裘德儿童研究医院科学家今日公开的新型筛选平台，发现有效药物组合或将更为便捷。包括癌症在内的多种疾病需要产生协同效应的药物组合（效果大于各部分之和）才能形成有效治疗方案。然而新药数量及潜在组合急剧增长，使传统筛选方法难以实施。为此，圣裘德研究团队开发了Combocat平台，融合机器学习与专业液体处理技术，实现更大规模的组合筛选。该平台能力已发表于《自然·通讯》。
"药物发现领域长期缺乏应对海量潜在组合的手段，传统实验需消耗不切实际的实验材料，"圣裘德计算生物学系高级共同通讯作者保罗·吉勒赫博士表示，"Combocat经设计仅需最小资源，即可让科学家快速测试海量药物组合，精准筛选最具协同效应的候选方案。"
"通过整合机器学习与药物分配技术前沿方法推动高通量组合筛选，我们实现了前所未有的实验规模，"圣裘德计算生物学系首席兼共同通讯作者查理·赖特博士指出。
作为平台能力的原理验证，研究团队针对神经母细胞瘤癌细胞系测试了9,045种药物配对。筛选发现多组具有强协同效应的药物组合，且顶尖结果经补充实验得到验证。数据证实Combocat可高效规模化发掘有前景的药物组合。
借力机器学习与声波技术实现规模化
为实现规模化，Combocat将微型化药物分配与机器学习相集成。药物分配环节采用声波技术实现定制化高效实验布局。"我们引入声波液体处理器，通过声波精准转移微量药液，"赖特解释，"它仅使用所需液体的最小精确量，相比传统针头或移液技术大幅减少材料消耗，显著提升可测试组合数量。"
机器学习通过Combocat双模式机制完善筛选体系：以"密集模式"数据驱动"稀疏模式"预测。密集模式下，研究者测量每组药物组合的所有可能剂量配对；稀疏模式则仅需原始数据的小部分样本，即可预测完整结果，实现更严格资源管理。稀疏模式模型基于该平台密集模式产生的数百组药物组合实验数据训练而成。当研究者比对机器学习预测值与实测值时，发现二者高度一致，验证了方法可靠性。
"我们创建了两种存在权衡关系的筛选'模式'，"吉勒赫说明，"稀疏模式为规模化优化，以效率换取细节精度；密集模式则为获取超可靠测量而优化，虽无法规模化。但我们证明Combocat能融合二者优势，比传统方法更快分析更多组合并完成验证。"
Combocat延续了圣裘德在药物组合疗法创新领域的传统，不仅为癌症研究者，更为任何亟需新疗法的疾病提供便捷组合筛选方案。
"我们打造了免费开源且高度易用的平台，有望成为药物组合发现领域的强力标准，"吉勒赫表示，"Combocat可加速识别潜在安全有效的药物组合，最终在临床转化出有用且可能改变实践的新药方案。"
【全文结束】
