研發一種新藥往往歷時數年，花費數億美元，過程漫長且成本高昂。由香港城市大學（以下簡稱城大）領導的一項合作研究能夠在眾多化合物中快速篩選出具較高臨床藥用潛力的合化物，以便進行下一步研發，從而有望縮減研發新藥的時間和經濟成本。
抑鬱症、精神病、癲癇和阿爾茨海默症是現今常見的且難以治癒的大腦疾病。由於這些疾病病情特殊、複雜，藥物研發的過程又十分漫長，許多最初被視為具有藥用潛力的化合物最終實現臨床轉化的失敗率都很高。因此研發治療這些嚴重疾病的新藥非常困難。
城大生物醫學工程學系和生物醫學系，聯同哈佛醫學院的科研團隊，通過五年的合作研究，在神經藥理學方面終於取得突破。這項研究最近在科學期刊《自然通訊》（Nature Communications）發表，題為《以高通量大腦活動圖譜和機器學習為基礎的系統神經藥理研究（High-throughput Brain Activity Mapping and Machine Learning as a Foundation for Systems Neuropharmacology）》。
這項研究由城大生物醫學工程係史鵬教授領導，旨在提供一個創新的篩選技術平台，用以預測化合物是否有潛力成為治療大腦疾病的新藥。該平台能協助藥物研發者找出更具療效潛力、更有可能從基礎生物化學研究轉化為臨床治療藥品的化合物，從而優化藥物研發的流程和資源分配。更重要的是，這個平台有助加快發現新藥的過程，並極大的減省研發成本。
史教授解釋說：「即使藥物研發的臨床轉化成功率僅僅提高 1%，對中樞神經系統疾病患者而言，都會帶來重大的改變。」
機器學習協助預測神經藥理功效
有了基於現有臨床中樞神經系統藥物的參考庫後，研究團隊進行了大量的數據分析。團隊選取 121 種新型化合物，通過將它們相對應的斑馬魚大腦活動圖譜與參考庫進行比對和分析，運用機器學習算法來預測其潛在臨床治療功效。
在抗癲癇類藥物方面，研究團隊運用機器學習策略，預測在參與測試的 121 種新化合物中有 30 種具抗癲癇特性。為了驗證這個預測，研究團隊從這 30 種候選化合物中隨機挑選 14 種，在斑馬魚的癲癇動物模型中進行了行為學測試。
結果顯示，14 種化合物中有 7 種能夠顯著減輕斑馬魚的癲癇發作，而不會產生任何影響運動機能的鎮定性副作用。這表明模型預測的準確度達到 50% 左右。結合高速的活體藥物篩選系統和機器學習算法，該研究提供了一條捷徑，有助於快速篩選出更具治療藥用潛力的新型化合物，從而加快藥物研發進程，並提高整個過程中的成功率。
這種全新篩選模式的另一個重要意義，就是它僅僅依賴斑馬魚的大腦生理活動作為評估化合物是否有藥用潛力的指標，完全不需要化合物的生物或化學信息。史教授指出：“傳統上，許多藥物研發都是以化學結構或分子靶標的研究作為基礎。但我們的研究卻發現，即使大腦活動圖譜相似的藥物，在化學結構或分子靶標方面也有可能有很大的差異，所以我們的方法也會有助於擴展神經系統疾病的藥理研究。”
Source : Nature Communication
Text by Medical Inspire
更多有關藥物的資訊：
