参考化合物集建立与分类
建立一个平衡的DILI阳性与阴性药物参考集，用于评估预测特征。
使用170种药物（80种DILI阳性，90种DILI阴性），基于临床结局和文献进行分类。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
一种用于早期药物开发中小分子药物性肝损伤风险缓解的多参数体外策略
A Multiparametric in vitro Strategy for Small Molecule Drug-Induced Liver Injury Risk Mitigation in Early Drug Development
实验完整度
高包含原代人肝细胞（2D/3D）、HepG2等体外模型，以及基于170种药物临床结局的数据集，并进行了功能验证（细胞毒性、线粒体毒性、BSEP抑制）和机制验证（GSH捕获、CYP抑制），结合暴露数据和机器学习建模。
主要模型
原代人肝细胞（PHH）2D培养 人肝微组织（hLiMTs）3D培养 HepG2细胞 170种药物参考集（80种DILI阳性，90种DILI阴性）
重点核对
化合物浓度范围：PHH细胞毒性试验最高100 µM，7个浓度；hLiMTs试验3个浓度，最高500 µM；线粒体毒性试验25 µM；BSEP抑制试验最高100 µM。 处理时间：PHH细胞毒性48小时；hLiMTs细胞毒性7天（第1天给药，第4天再给药）；线粒体毒性2小时；BSEP抑制5分钟。 暴露数据：使用临床有效剂量下的总血浆浓度（Cmax或Css）计算安全边际（MOS）。 危险标志阈值：基于>85%特异性的单变量阈值，例如线粒体毒性最大呼吸抑制>42.34%，BSEP IC50 <58 µM等。 机器学习模型：随机森林模型，使用交叉验证（100次重复，10折），评估暴露模型和无暴露模型的性能。
摘要
药物性肝损伤（DILI）仍然是临床前和临床损耗的主要原因，反映出临床前安全性数据对人类结局的预测性转化存在持续差距。为弥补这些差距，我们利用一个包含170种具有明确临床结局药物的平衡参考集，建立了一个用于早期DILI风险预测的精细化多参数框架。系统评估了三十个理化、机制终点和暴露相关特征，以识别内在DILI风险的高特异性预测因子。原代人肝细胞和人肝微组织中的细胞毒性、线粒体毒性（即线粒体毒性）和胆盐输出泵抑制被确定为最重要的预测特征。纳入临床暴露数据以推导安全边际显著提高了测定性能，强调了暴露归一化的重要性。一个整合≥2个危险标志的多参数、基于标志的危险框架实现了98%的特异性和18的正似然比，为早期化合物筛选和早期决策信心提供了实用方法。随机森林模型进一步增强了预测性能，确定暴露、预测的亲脂性（例如cLogD）、线粒体毒性、细胞毒性和肝脏清除率是DILI风险的主要贡献因素，暴露信息模型实现了0.72的平衡准确度。将该框架应用于当代Genentech产品组合分子，证明了在细化风险分类方面的转化效用，特别是对于具有临界或0-1个危险标志的化合物。总之，这项工作建立了一个机制信息驱动且支持机器学习的平台，结合了可解释性、特异性和实用性，以指导药物发现中更安全的分子设计，并减少临床开发中与肝毒性相关的损耗。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 如何建立一个高特异性的多参数体外框架，以早期预测小分子药物的DILI风险并指导药物开发决策？
- 核心机制
- DILI风险与化合物对肝细胞的直接细胞毒性、线粒体功能抑制和胆盐输出泵（BSEP）抑制等机制相关，结合临床暴露数据可提高预测准确性。
- 主要证据
- 利用170种药物的平衡参考集，通过体外试验（PHH和hLiMTs细胞毒性、线粒体毒性、BSEP抑制）和机器学习模型（随机森林）验证，发现≥2个危险标志的框架达到98%特异性和18的PLR。
- 研究意义
- 该框架为早期药物发现中化合物的风险分类和优化提供了实用工具，有助于减少肝毒性相关的临床开发损耗。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
体外细胞毒性评估
评估化合物对原代人肝细胞（2D）和人肝微组织（3D）的细胞毒性。
使用PHH和hLiMTs，通过ATP检测评估细胞活力，计算IC50。
线粒体毒性评估
评估化合物对线粒体呼吸功能的影响。
使用HepG2细胞和Seahorse XFe96分析仪，测量氧消耗率（OCR），计算基础呼吸和最大呼吸抑制百分比。
BSEP抑制评估
评估化合物对胆盐输出泵（BSEP）介导的牛磺胆酸盐转运的抑制。
使用囊泡转运测定，计算IC50。
暴露数据整合与安全边际计算
通过将体外IC50与临床暴露（Cmax）结合，计算安全边际（MOS），提高预测性能。
使用临床有效剂量下的总血浆浓度，计算MOS = IC50 / Cmax。
多参数危险标志框架评估
评估组合多个高预测性特征（细胞毒性、线粒体毒性、BSEP抑制）的危险标志对DILI预测的改进。
使用基于标志的方法，计算≥2个危险标志的敏感性和特异性。
机器学习模型构建与验证
利用随机森林模型整合更多特征，提高DILI预测性能。
构建暴露模型和无暴露模型，使用交叉验证评估性能。
内部化合物集应用
在Genentech内部化合物上验证框架的转化效用。
对8种内部化合物进行预测，并与临床结局比较。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
验证样本或模型特征
验证细胞功能变化
验证分子表达变化
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 细胞培养 | InVitroGro HT解冻培养基 | BioIVT | -- |
| InVitroGro CP接种培养基 | BioIVT | -- | |
| InVitroGro HI肝细胞孵育培养基 | BioIVT | -- | |
| Torpedo抗生素混合物 | BioIVT | -- | |
| BioCoat胶原I 384孔板 | Corning Life Sciences | -- | |
| 细胞活力检测 | CellTiter-Glo发光细胞活力检测试剂盒 | Promega | -- |
| 3D肝微组织培养 | 3D InSight人肝微组织 | InSphero | -- |
| 3D InSight人肝维持培养基（hLiMM）TOX | InSphero | -- | |
| 线粒体毒性检测 | Seahorse XFe96分析仪 | Agilent Technologies | -- |
| Seahorse XF细胞线粒体压力测试试剂盒 | Agilent Technologies | -- | |
| 肝微粒体稳定性试验 | ABI Sciex 5500 QTRAP质谱仪 | Applied Biosystems | -- |
| Agilent 1260高效液相色谱仪 | Agilent Technologies | -- | |
| 肝细胞稳定性试验 | Hepatometer Vision细胞计数器 | Lonza | -- |
| 血浆蛋白结合试验 | 快速平衡透析（RED）板 | -- | -- |
| GSH捕获试验 | Orbitrap Fusion Lumos三合一质谱仪 | Thermo Scientific | -- |
| Dionex UltiMate 3000-RS超高效液相色谱仪 | Thermo Scientific | -- | |
| Kinetex C18-XB色谱柱 | Phenomenex | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 体外细胞毒性评估（PHH和hLiMTs） | 细胞来源和培养条件（PHH Lot TRZ，BioIVT；hLiMTs来自InSphero）；化合物浓度范围（PHH最高100 µM，hLiMTs最高500 µM）；处理时间（PHH 48小时，hLiMTs 7天）；重复数（PHH N=3，hLiMTs N=4）；检测方法（ATP检测）。 阅读提示：参见Materials and Methods中'Cytotoxicity assessment using 2D primary human hepatocytes'和'Long-term cytotoxicity using 3D primary human hepatocytes'部分，以及Figure 1图注。 |
| 线粒体毒性评估 | 细胞类型（HepG2）；化合物浓度（25 µM）；处理时间（2小时）；检测仪器（Seahorse XFe96）；线粒体压力测试试剂盒（Agilent）；OCR测量参数（基础呼吸和最大呼吸）。 阅读提示：参见Materials and Methods中'Cell-based respirometric assay to measure oxygen consumption rate'部分，以及Figure 1E和1F图注。 |
| BSEP抑制评估 | 试验执行方（Charles River Laboratories）；化合物浓度（最高100 µM，7个浓度点）；重复数（N=3）；底物浓度（0.2 µM [13C]-牛磺胆酸盐）；孵育时间（5分钟）；检测方法（囊泡转运测定）。 阅读提示：参见Materials and Methods中'BSEP inhibition'部分，以及Figure 1I图注。 |
| 暴露数据整合和安全边际计算 | 暴露数据来源（临床有效剂量下的Cmax或Css）；计算方法（MOS = IC50 / Cmax）；处理缺失值（若IC50大于最高测试浓度，MOS调整为10,000,000）。 阅读提示：参见Materials and Methods中'Reference compound set'和Results中'Approach to identify top predictive DILI features'部分，以及Table 1中MOS相关特征描述。 |
| 多参数危险标志框架 | 危险标志定义（基于>85%特异性的单变量阈值）；组合规则（≥2个危险标志）；性能指标（特异性98%，PLR=18）。 阅读提示：参见Results中'Univariate and multivariate modeling within a multiparametric framework for predicting DILI'部分，以及Figure 4图注。 |
| 机器学习模型 | 模型类型（随机森林）；特征集（暴露模型包括暴露，无暴露模型不包括）；交叉验证方案（100次重复，10折）；性能阈值（默认0.5，最佳BA阈值，80%特异性阈值）；特征重要性计算方法（排列重要性）。 阅读提示：参见Materials and Methods中'Machine learning approach'部分，以及Results中'Model performance overview'和Table 3。 |