机器学习识别阿尔茨海默病的药物重定位候选者

Machine learning identifies candidates for drug repurposing in Alzheimer's disease.

作者信息Steve Rodriguez, Clemens Hug, Petar Todorov, Nienke Moret, Sarah A Boswell, Kyle Evans, George Zhou, Nathan T Johnson, Bradley T Hyman, Peter K Sorger, Mark W Albers, Artem Sokolov
PMID33589615
发布时间2021-02-15
DOI10.1038/s41467-021-21330-0

实验完整度

中

体外神经细胞药物扰动转录组结合人脑AMP-AD队列数据训练预测模型,无独立功能或机制验证实验。

主要模型

ReNcell VM人神经祖细胞分化混合培养(神经元、星形胶质细胞、少突胶质细胞) AMP-AD人脑死后组织mRNA表达数据集(ROSMAP和MSBB,MAYO因批次效应排除)

重点核对

ReNcell VM分化培养:生长因子撤除后分化约10天,形成神经元、胶质细胞和少突胶质细胞混合群体 药物处理:80种激酶抑制剂,10 µM(高剂量)处理24小时,设DMSO对照,设三重复,5种化合物在两次实验重复以评估重现性 3′ DGE转录组检测:3′ Digital Gene Expression方法,共获得767个基因表达谱,差异表达基因FDR < 0.05,基因列表上限300个基因 疾病分期映射:Braak 0-2为早期(A),3-4为中期(B),5-6为晚期(C),主要分类任务为早期vs晚期(A vs C) 机器学习预测与统计:逻辑回归等四种方法,留年龄配对交叉验证,1000个随机基因列表构建背景分布,经验p值,跨数据集用调和平均p值(HMP)合并

摘要

针对阿尔茨海默病(AD)的新疗法临床试验耗费了大量时间和资源,结果大多为阴性。将已获美国食品药品监督管理局(FDA)批准用于其他适应症的药物进行重定位是一种更快速、成本更低的选择。我们提出了DRIAD(Drug Repurposing In AD),一个机器学习框架,用于量化AD严重程度的病理(Braak分期)与以基因名称列表编码的分子机制之间的潜在关联。DRIAD应用于由80种FDA批准和经临床测试的药物在分化的人神经细胞培养物中扰动产生的基因列表,生成可能的重新定位候选药物的排序列表。对得分最高的药物检查其靶点之间的共同趋势。我们提出,DRIAD方法可用于提名药物,这些药物在进一步验证和识别相关药效生物标志物后,可 readily 在临床试验中进行评估。

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
能否通过机器学习框架,将药物在神经细胞中诱导的基因表达扰动与阿尔茨海默病的病理严重程度(Braak分期)关联,从而提名药物重定位候选?
核心机制
药物诱导的基因表达特征(DGL)能够预测AD病理分期;高排名药物的靶点富集于JAK-STAT/干扰素信号、自噬(ULK1/ULK2/DAPK3)和微管动态(NEK家族)相关通路,且结合亲和力与药物排名相关。
主要证据
在ReNcell VM分化神经细胞中 profiling 80种激酶抑制剂的3′ DGE转录组,生成DGL;在AMP-AD人脑表达数据(ROSMAP和MSBB)中训练和交叉验证预测Braak分期的逻辑回归模型,通过随机基因列表背景分布评估显著性,并分析靶点亲和力谱(TAS)与药物排名的相关性。
研究意义
DRIAD可无偏地评估药物机制与AD病理的关联,提名重定位候选;作者提出这些候选在进一步验证和识别药效生物标志物后,可进入临床试验评估。

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。

1

建立DRIAD机器学习框架

验证框架能否量化基因列表与AD病理分期之间的关联。

使用文献报道的AD相关基因列表作为输入,在AMP-AD数据中训练预测Braak分期的模型,并与随机基因列表比较性能。

2

药物扰动神经细胞并生成药物相关基因列表(DGL)

获得每种药物在神经细胞中诱导的转录组扰动特征。

ReNcell VM人神经祖细胞分化后,用80种激酶抑制剂处理,通过3′ DGE测量mRNA表达,差异表达分析生成DGL。

3

DRIAD评估药物DGL并排序候选药物

量化每种药物DGL与AD病理分期的关联强度,并对药物排序。

将每种药物的DGL作为特征集,在AMP-AD数据中训练预测早期vs晚期分期的逻辑回归模型,与随机列表比较得到经验p值,跨数据集用调和平均p值(HMP)合并排序。

4

评估药物细胞毒性和靶点亲和力谱

评估高排名药物的细胞毒性,并分析靶点结合亲和力与药物排名的关系。

用固定细胞显微镜定量10 µM药物处理48小时后的活细胞数;利用TAS评分系统分析药物靶点结合亲和力与HMP排名的相关性。

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。

产品清单

实验环节名称品牌货号
多孔细胞分液器Thermo Scientific5840300
标准管路Thermo Scientific24072670
ReNcell VM人神经祖细胞MilliporeSCC008
D300数字分液器Hewlett-Packard--
EL405x洗板机BioTek--
TCL裂解缓冲液Qiagen1070498
BRAVO液体处理器Agilent--
Serapure SPRI磁珠GE Healthcare Life Sciences--
QIAquick PCR纯化试剂盒Qiagen--
Advantage 2 PCR酶系统Takara--
AMPure XP磁珠Beckman Coulter Genomics--
Nextera XT DNA文库制备试剂盒Illumina--
Illumina NextSeq测序仪Illumina--
96孔细胞培养板Corning3603
Optiprep密度梯度介质Millipore SigmaD1556
磷酸盐缓冲液Corning21-040-CV
Hoechst 33342细胞核染料ThermoFisher ScientificH3570
多通道移液器VistaLab Technologies1060-0850
甲醛Electron Microscopy Sciences15711
铝箔封板膜Bio-RadMSF-1001
InCell 6000高内涵成像系统GE Healthcare Bio-Sciences--
Columbus图像数据存储与分析系统Perkin Elmer--

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
神经细胞分化与药物处理
ReNcell VM分化时间(约10天)、药物浓度(10 µM)、处理时间(24小时)、重复数(三重复)、对照(DMSO)
阅读提示:Methods“High-throughput profiling using 3′ DGE”及Fig. 2a图注
3′ DGE转录组检测与DGL生成
差异表达分析FDR阈值(<0.05)、基因列表上限(300个基因)、测序平台(Illumina NextSeq,75 bp配对末端)
阅读提示:Methods“High-throughput profiling using 3′ DGE”及“Prediction of disease stage”
AMP-AD数据与疾病分期
使用的数据集(ROSMAP、MSBB;MAYO因批次效应排除)、Braak分期分组(A:0-2,B:3-4,C:5-6)、分类任务(早期vs晚期)
阅读提示:Results“Machine learning framework...”及Methods“Prediction of disease stage”
机器学习模型训练与评估
模型类型(逻辑回归为主)、正则化(ridge,L2)、交叉验证方式(留年龄配对)、随机背景列表数量(1000)、经验p值计算、HMP合并
阅读提示:Methods“Prediction of disease stage”和“Assessing gene list significance”
细胞毒性评估
药物浓度(10 µM)、处理时间(48小时)、活细胞计数方法(Hoechst 33342染色,InCell 6000成像)、细胞铺板密度(10,000细胞/孔,96孔板)
阅读提示:Methods“Assessing toxicity”及Supplementary Fig. 3