引言

在过去的三十年中，基于靶标的药物发现（TDD，其起点是确定的分子靶标）一直是制药行业中药物发现的主要方法。但在1999-2008年间，FDA批准的新药中基于靶点筛选的仅有17个，而基于表型筛选的first in class原创新药有28个，于是学术界和产业界开始质疑基于靶标的筛选虽然有其优势，但也可能限制了药物发现的范围。于是基于表型的药物发现(phenotypic drug discovery, PDD)在过去十年中重新兴起，诺华、葛兰素史克等公司都是这种变化的拥护者。

其实这也并不奇怪，即使在今天，世界各地监管机构批准新药的逻辑依然是该药物对患者有效和安全，而不要求精确的作用机制或分子靶点。

百年来，制药公司试图将药物发现程序化，变得有公式可循。从1960年开始，医药公司开始雇佣生化学家及分子生物学家，来研究已开发出来的新药的生物学机制及它们的作用靶点。随着1980年代分子生物学革命和2001年人类基因组测序的到来，制药公司将重心转移到了特定的分子靶点。

现如今，辉瑞，诺华，默克等制药巨头花费了几十亿美金打造了制药实验室，仿佛严密的科学论证和精心规划已经取代了反复试错的过程，然而事实并非如此。21世纪的猎药技术似乎和5000年前从植物中寻找药物并没有什么两样：煞费苦心的从数量庞大的化合物库里面抽样做实验，希望能有一种是有效的。

唯一的不同是筛选新药的速度比数千年前加快了数万倍。

基于靶点的药物筛选

基于靶点的药物筛选（TDD）是在已知靶点结构的前提下，根据靶点的结构用化合物库中成千上万种化合物一一与靶标进行拼接，通常需要使用计算机辅助药物设计。这种方法的好处是高通量，效率高，并且在follower跟踪类药物的审批中占有优势，但缺点也很明显。

1、可药用靶点少，竞争激烈。尽管人类基因组计划成功揭示了2万个人类基因，这些基因编码了大约50万个蛋白质，但是目前只存在435个有效的药物靶点，优秀的可成药靶点更是少之又少，这意味着全世界的制药公司都要来竞争这些靶点。

2、成功率比较低，筛出来的化合物绝大多数在进入体内以后不一定能到达靶点位置。

基于靶点的药物筛选开发流程

表型药物筛选

药物表型筛选是基于特定环境下，针对疾病的表观表现进行药物筛选的一种方法。传统的药物表型筛选是基于动物疾病模型的筛选，通过观测药物对机体表型的改变。随着技术的进步，可以在更深层次上研究组成生命体的微小元件，如细胞、蛋白、基因等等。

工业化表型药物筛选的流程‍

表型药物筛选具有以下优势：

扩大“可药用”目标空间

在表型药物筛选中，具有活性的化合物通过不可知（不知道靶点，不知道作用机理）的途径激活“生理相关”的生物系统或细胞信号通路，这有助于发现新的信号通路以及分子机制和药物靶点，扩展可药用靶点/信号机制。

一个典型的例子是以抑制HCV复制为原理的NS5A的调节剂daclatasvir ，它是利用HCV复制子表型筛选发现的，而NS5A没有已知的酶活性，难以作为药物结合的靶点，然而表型药物筛选可以绕过这种限制。

表型药物发现的部分药物案例

从历史上看，药物筛选的本质就是表型化的，开发药物的主要目的是为了缓解症状，而这些症状是疾病的外在表现。PDD筛选涉及参与的多个目标和生理机制，从而产生表型，这间接导致生物医学转化和临床应用的可能性更高。

表现出多重药理学（靶向多个靶点）

仅使用单靶点治疗的药物可能会出现耐药性突变，表型筛选出的药物可能一次针对多个靶点，可能避免这种缺陷。

历史上许多药物是在研发鉴定MoA后，发现靶向多药药理学，比如托吡酯（一种用于癫痫和偏头痛的神经稳定剂），它与一系列神经元受体、离子通道和酶结合。现在常用的药物组合、工程多靶点药物和多特异性抗体也是简化的多药理学方案。

但表型筛选衍生的多药理学可能导致一些药物选择性不够而产生副作用，针对这点，可以利用表型模型与分析组学和计算技术相结合，从偶然获得的药理学特征出发，优化其结构达到开/脱靶平衡，演变为基于构效关系的逆向工程方法，该方法可以最大限度地减少潜在的安全风险，同时保留并最终优化表型活性以增加临床成功的机会。

筛选药物分子量更低

在PDD模式下发现的药物被认为需要优化药效，但是实际上它在体内显示出不错的活性。因小分子药物尺寸小，能够适合结合部位的方向数量多，在针对特定目标进行筛选时有更高的有效命中率。

而使用共价片段（包含可以与蛋白质建立化学键的反应性部分的片段的子集）来识别新的靶标，可以揭示调节靶标的化合物的化学起点。在基于细胞的表型分析中，它们通过发现可逆化合物可能无法获得的结合位点，获得更多生物学领域的认可。

目前常用的表型药物筛选模型主要有细胞模型，器官模型，动物模型。

细胞模型筛选

基于细胞的筛选一直是PDD筛选经常采用的方法，因为它可以快速测试大量化合物。基于细胞的表型分析通常使用原代人类细胞系、永生化细胞系（原代或工程细胞系），或者源自患者或正常人类细胞的诱导多能干细胞(iPSC) 分化的特定细胞类型。随着细胞培养方法和工程的进步，近年来，适用于药物发现的基于细胞的测定和细胞系统的数量和类型呈爆炸式增长。

细胞活力测定（鉴定出杀死癌细胞或外源性病原体（包括细菌、真菌、原生动物和寄生虫）的活性化合物）、细胞信号通路测定（对此通路起作用的化合物）和疾病相关表型测定是在先导化合物发现中常用的三种基于细胞的表型测定。这些测定均可以使用机器筛选平台，并具有更高的筛选通量，缩短筛选时间。

开发诱导多能干 (iPS) 细胞技术、基因编辑工具（如 CRISPR–Cas 5）、类器官和成像分析技术等细胞表型筛选技术的快速进展，使开发新的基于细胞的疾病模型成为可能，这些模型有望更现实地概括人类疾病。

器官模型

除了基于细胞的方法之外，代表基本器官的类器官模型的发展进一步推动了PDD筛选方法。大脑皮层、肠道、垂体、肾脏、肝脏、胰腺、神经管、胃、前列腺、乳房、心脏和肺的类器官模型允许对PDD进行器官特异性疾病建模。

动物模型

动物模型是新药筛选最早启用的模型，使用动物体内模型的表型筛选可以了解有关化合物吸收、分布、代谢和毒性的丰富信息，有助于选择良好的先导化合物。

但动物模型的筛选通量小，效率较低，因此一般不用来做初步的药物筛选。一般利用细胞表型筛选初级化合物，再由动物模型进行进一步的筛选，二者结合结合可以提供与功效和安全性相关的读数的无偏见化合物评估。

PDD有多重动物模型，简单到Saccharomyces cerevisiae 或盘基网柄菌，无脊椎动物，如卤虫，黑腹果蝇（苍蝇）和秀丽隐杆线虫（蠕虫）等脊椎动物，如斑马鱼和Oryzias latipes（青鳉鱼），非洲爪蟾leavis , Gallus gallus , 到哺乳动物模型如Tupaia belangeri , Mus musculus和褐家鼠与人类具有不同程度的相似性，并为药物开发带来各自的优势。

表型药物筛选的未来

替代表型

在一些表征不明显的疾病上，表型药物筛选也难以筛选到合适的药物，但是可以通过替代表型进行筛选。可以使用基因表达和细胞形态等高维图谱作为替代疾病表型定义进行表型分析。例如，高通量mRNA谱用于根据功能影响对肺腺癌中发现的等位基因进行分类。

人工智能和机器学习

AI可以揭示隐藏在混乱中的模式中的规律。机器学习可以在表型筛选中将细胞表型与化合物作用方式联系起来，获得靶点、信号通路或遗传疾病关联的分类。而AI强大的图像处理能力，能够高效地将生物系统的所有形态特征整合，系统研究药物潜在的作用方式和信号通路，扩展对于疾病的生物学认识。

生理和疾病相关分析系统的进一步发展

PDD 项目是成功还是失败取决于“可翻译性链（作用是将主要表型分析通过动物模型，最终与患者疗效联系起来）”的内在强度。而cannell和Bosley对生物制药行业进行分析发现，研发效率的下降可能是由于最具预测性的疾病模型逐渐枯竭，新疾病相关模型的创建速度可能是研发效率的主要限制因素。

这种新的模型的开发涉及干细胞生物学、功能基因组学、生物工程/微制造和仪器/数据分析等。对大量人群（例如UK Biobank和FinnGen）的真实患者记录及其组学数据进行整合，然后进一步通过改进的自动化系统来采集和分析数据，这些都可用于构建和验证模型系统。

小结

只有PDD才能获得的新MoA、提供多重药理学的机会以及发现比传统分子小的药物库，但是需要能够更好地概括复杂疾病的病理生理学的表型模型（例如整合免疫或神经系统组件）。越来越多的生物活性分析和MoA表征方法应用于功效/安全性评估，日益强大的计算技术已成为充分发挥PDD潜力的必要条件。当前的挑战是如何合理地结合这些关键方面来“工业化”PDD。鉴于该领域的指数级增长，人工智能机器学习（尤其是深度学习）应用的增加将有助于PDD的有效实施。

参考来源：

[1] Drug discovery: from bedside to Wall Street

[2] 药物筛选的发展与现状

[3] Opportunities and challenges in phenotypic drug discovery: an industry perspective

[4] Phenotypic drug discovery: recent successes, lessons learned and new directions

[5] Cell and small animal models for phenotypic drug discovery

[6] Phenotypic screens as a renewed approach for drug discovery