药物重定位与老药新用
药物重定位是为已上市或已完成安全性评价的药物寻找新的适应症。它的吸引力在于这些化合物的药代、毒性和人体耐受数据已经存在，可以跳过早期开发的部分环节。计算层面的重定位主要有三条路线：一是特征反转，取疾病状态相对正常的差异表达基因，去匹配能产生相反方向表达变化的药物扰动特征；二是网络层面，看药物靶点在蛋白互作网络中是否靠近疾病相关基因构成的模块；三是遗传学证据，看药物靶点是否有人群水平的因果关联支持。输出是一份排序后的候选药物清单。本页内容为科研分析方法，不替代临床诊断或治疗决策。
什么时候用
- 手上有疾病与对照的表达数据，想找可能逆转这个状态的已有药物
- 已确定一个疾病相关基因集或模块，想找靠近它的药物靶点
- 某个靶点有遗传学证据，想查已有哪些药物作用于它
- 需要为细胞或动物实验筛出一批优先级较高的候选化合物
- 想解释某个已上市药物在新适应症中可能的作用机制
- 为罕见病寻找可快速进入研究的现成药物
不适合的情况
- 直接据此改变用药方案：计算排序不构成任何临床用药依据
- 疾病表达特征来自不可比的样本（如不同组织混合）：反转匹配会给出随机结果
- 靶点完全未知的表型：三条路线都需要分子层面的锚点
需要准备的数据
- 疾病表达特征
- 差异表达结果表，含基因 ID、log2FC 和显著性；需来自同一组织、校正过批次，方向定义写清楚
- 药物扰动特征库
- 药物处理后细胞的表达变化数据（如 LINCS/CMap 类资源）；需记录细胞系、剂量和处理时间
- 药物-靶点关系
- 药物到靶点的映射表，标注作用类型（抑制、激动）和证据强度；同一药物常有多个靶点
- 蛋白互作网络
- 做网络邻近度时需要一个人类互作网络，并记录是否含预测边；网络密度影响距离分布
- 疾病基因集
- 来自 GWAS、差异表达或已有数据库的疾病相关基因列表，用于定义疾病模块
分析步骤
- 1
确定疾病特征
先把疾病侧的输入定下来：用差异表达特征还是基因集。做反转匹配通常取上调和下调各若干个基因（常见做法是各取一两百个，按显著性与效应量排序）。特征基因太少噪声大，太多会把方向性信息稀释掉。
- 2
统一标识与方向
把疾病侧与药物侧的基因 ID 统一（常用 Entrez 或 Ensembl），确认 log2FC 的方向定义一致，即都是病例相对对照。方向搞反会让真正有效的药物排到最后，而这种错误在结果里看不出来。
- 3
计算反转得分
用基于秩的打分方法衡量药物扰动特征与疾病特征的反向程度：疾病上调基因在药物处理后应下移，下调基因应上移。得分为负（按常见约定）且绝对值大的药物优先。同时记录每个药物有多少个细胞系、剂量条件支持该方向。
- 4
跨条件一致性检查
同一药物在不同细胞系、剂量和时间点的扰动特征差别可能很大。只在单一条件下出现的强反转多为噪声，应统计该药物在多少比例的条件里方向一致。可信候选通常在多个相关细胞系中重复出现。
- 5
网络邻近度分析
把药物的靶点集合与疾病基因集合映射到互作网络，计算两组节点间的最短路径距离，再与度数匹配的随机节点集比较得到相对值。直接用原始距离会让高连接度的热门蛋白总是看起来靠近任何疾病模块。
- 6
整合遗传与功能证据
对靠前的候选逐个补证据：靶点是否有人群遗传学支持、在相关细胞模型中是否为依赖基因、药物已报道的适应症与副作用是否提示相关通路。多条独立证据指向同一机制的候选，优先级明显高于只有单一来源的。
- 7
可行性过滤
按实际可用性筛选：是否能到达目标组织（如中枢适应症需考虑血脑屏障）、有效浓度与人体可达暴露量是否匹配、安全性是否允许长期使用、是否已有同类研究。这一步常能排除大半候选。
- 8
设计验证路径
把前几名候选转成实验计划：先在相关细胞模型做剂量-反应，确认表型和标志基因变化方向符合预期，再考虑动物模型。计算结果只负责把候选数量从几千降到可实验的量级。
关键参数与决策
特征基因数量
反转匹配中上下调基因各取多少个会明显影响排序。取得太少时个别基因主导结果，取得太多会纳入大量弱信号基因。常见做法是在几个数量档位下分别计算，看靠前的候选是否稳定。
细胞系与处理条件选择
优先选用与疾病组织相关的细胞系。用无关细胞系的扰动特征去匹配特定组织的疾病特征，会把普遍的细胞毒性反应误判为疾病特异的逆转，这类药物在结果里常以高分扎堆出现。
网络邻近度的随机化方式
必须用度数匹配的随机节点集作背景，否则高度节点带来的偏差无法消除。随机次数不足时 P 值不稳定，建议增加抽样次数直到排序不再变化。
药物-靶点证据门槛
只保留有直接实验证据的靶点，还是也纳入预测靶点，会改变网络分析的结论。放宽门槛会让多靶点药物占优，因为靶点越多越容易靠近任意模块；应对靶点数做归一化或在报告中注明。
候选排序的综合方式
把反转得分、网络邻近度和遗传证据合并时，简单加权容易被量纲主导。更稳妥的做法是先各自排名再取秩的组合，并同时展示各单项排名，便于判断某个候选是靠哪条证据进入前列的。
常见错误
- 疾病特征的方向写反：整份排序被颠倒，真实候选沉底，而结果表面看不出异常，只能靠正对照药物发现。
- 把普遍的细胞毒性当作特异逆转：高剂量下广泛抑制转录的化合物在任何疾病特征上都显示强反转。
- 只用单一细胞系的扰动特征：不同细胞系结果差异很大，单条件的高分重复性低，换细胞系后排序大幅变动。
- 网络邻近度不做度数匹配随机化：枢纽蛋白靠近所有模块，结果主要反映网络拓扑而非生物学。
- 忽略多靶点药物的靶点数偏差：靶点越多越容易得高分，排序前列被广谱老药占据，特异候选被挤到后面。
- 跳过组织可达性和暴露量判断：体外有效浓度远超人体可达血药浓度的候选没有后续价值。
结果怎么看
候选药物排序表
每行一个药物，列出反转得分、支持条件数、靶点、已知适应症和各单项排名。看前列是否被同一机制类别的药物占据——同类药物聚集通常是好信号；若前列全是广谱细胞毒药物，说明特异性过滤不够。
特征反转热图
展示疾病特征基因在候选药物处理后的变化方向。理想情况是疾病上调基因整体转为下调、下调基因转为上调，形成明显的反相格局；若只有少数基因驱动、其余无变化，得分的可靠性有限。
网络邻近度分布图
把观测距离与随机背景分布放在一起看。观测值落在背景分布左尾说明靶点确实靠近疾病模块；若落在分布中部，即使名义上距离很小也不构成证据。
证据汇总视图
每个候选逐条列出表达反转、网络邻近、遗传学与依赖性证据是否支持。同时被多条独立证据支持的候选才进入实验名单；只有一条证据且其余条目为空的候选，优先级应明确标低。
和相近方法怎么选
特征反转与网络邻近度
特征反转基于实测的转录响应，能捕捉机制未知的药物，但受细胞系和剂量影响大；网络邻近度只需要药物靶点和疾病基因，覆盖面广、计算快，却依赖靶点注释是否完整，也无法反映药物实际在细胞里的效应。两者排序重叠的候选可信度更高。
计算重定位与基于结构的虚拟筛选
重定位在已上市药物这个有限集合里找新用途，关注的是整体表型或通路层面的匹配；虚拟筛选面向特定靶点口袋，在大化合物库中找结合分子。靶点明确时优先做虚拟筛选，表型明确而靶点不清时重定位更合适。
计算排序与真实世界数据分析
计算排序给出的是机制层面的假设，可快速覆盖大量药物；真实世界数据（处方与随访记录）能看到人群中的实际关联，但混杂因素多，容易出现适应症混杂和时间相关偏倚。两者都属于假设生成，确证仍需前瞻性研究。
重定位与遗传学证据
孟德尔随机化等遗传学方法评估的是靶点扰动与疾病的因果方向，不依赖表达数据，但只能覆盖有合适工具变量的靶点。把遗传证据作为重定位候选的过滤层，可以明显降低后续实验的失败率。
常见问题
表达特征反转的原理是什么
假设疾病状态可以用一组基因的上调和下调来描述，如果某个药物在细胞中产生的表达变化方向与之相反，它就有可能把细胞状态推回正常方向。它比较的是方向而不是数值大小，所以通常用基于秩的打分。局限是转录层面的逆转并不等于疾病表型的改善。
为什么排在最前面的总是那几个常见化合物
多数是两类原因：一是高剂量下广泛抑制转录或造成细胞毒性的化合物，对任何疾病特征都显示反转；二是多靶点、注释条目多的老药在网络分析里天然占优。解决办法是对靶点数做归一化、限定剂量范围、要求跨细胞系一致，并把这类广谱化合物单独标出。
重定位候选需要多少证据才值得做实验
常见的做法是要求至少两条相互独立的证据，例如表达反转加靶点的遗传学支持，或网络邻近加细胞依赖性数据，同时通过组织可达性和暴露量的可行性过滤。只有单条证据的候选不是不能做，但应该放在后面，并在设计实验时准备好阴性结果的解释。
能用这种分析指导病人实际用药吗
不能。计算重定位的产出是研究假设，排序靠前只说明值得进一步研究，既没有验证有效性，也没有评估在新适应症人群中的风险与剂量。任何用药调整都必须由临床医生根据适应症证据和患者情况决定。
在 Codar 里怎么做
在生信模式里给出疾病的差异表达结果或疾病基因集，Codar 会确认特征方向与候选范围，再完成标识统一和药物再利用候选排序（表达特征反转与靶点层面的邻近度评估），交付候选药物排序表、特征反转热图、证据汇总视图和可复现脚本。
我有一份疾病组织与正常组织的差异表达结果，想找出可能逆转这个表达特征的已上市药物，给我一份候选排序和各自的靶点。