Nat. Commun. | 大规模人类毒性基因组学资源助力药物性肝损伤的早期预测

DRUGONE

药物诱导性肝损伤（DILI）仍然是药物研发中最严峻的问题之一，不仅威胁患者安全，还导致临床试验失败和药物撤市。研究人员构建了 ToxPredictor，一个整合 人源初级肝细胞 RNA-seq 转录组数据和 药代动力学数据的毒性基因组学预测框架，用于评估剂量分辨的 DILI 风险和安全边界。

该框架的核心是 DILImap —— 迄今规模最大的 DILI 专用 RNA-seq 数据库，包含 300 种化合物、多个剂量梯度。在盲测验证中，ToxPredictor 在 100% 特异性下实现了 88% 灵敏度，优于所有现有方法。它成功提前识别多种近期在临床三期中因肝毒性失败的候选药物，如 Evobrutinib、TAK-875 和 BMS-986142，这些风险曾被动物实验忽视。

除了预测能力，ToxPredictor 还能揭示导致肝毒性的分子机制，提供决策级安全信息。相比传统 3D 模型的单终点 readout，转录组学提供多维系统层面的肝细胞响应，捕获多种 DILI 机制。作为 AI 药物研发平台的重要组成部分，该研究表明：毒性基因组学是提升药物安全性的一条可扩展、可操作的重要路径，为解决毒理学中的关键难题提供了新方案。

药物诱导性肝损伤（DILI）是药物研发晚期最难处理的问题之一，每家大型药企每年因此损失可达数亿美元。DILI 的临床发生率极低（通常 <1/10,000），导致临床试验难以捕获真正风险。动物模型能识别的 DILI 药物不到一半，使其成为药物撤市的主要原因。

DILI 的机制复杂，包括剂量相关的本征毒性与不可预测的特异体质型（idiosyncratic）反应，并受基因背景、环境、健康状况影响。当前缺乏可用于早期检测的生物标志物，传统定量构效关系（QSAR）、体外细胞毒性、3D 肝模型等手段均仅反映低维 readouts，无法捕获完整分子层面变化。

因此，需要一种能够系统性读取肝细胞响应、揭示机制并具备高预测性能的方法来解决 DILI 检测的关键难题。

方法

研究人员采用机器学习驱动的毒性基因组学策略，通过解析药物暴露（24 小时）后人源初级肝细胞的 RNA-seq 转录组变化，提取差异基因与通路的激活模式，并与临床 DILI 标签结合，用于训练预测模型。

DILImap 数据库包含 300 种化合物、多个浓度梯度，在确保细胞活性和 RNA 质量的前提下生成差异表达与通路富集特征。利用这些多维路径特征输入机器学习模型（最终选择随机森林），得到剂量分辨的 DILI 概率，并结合临床 Cmax 建立安全边界（Margin of Safety，MOS），用于风险分类与机制解析。

结果

DILImap：首个大规模人类毒性基因组学 DILI 数据资源

研究人员构建了目前规模最大的 DILI 专用 RNA-seq 数据库，包括：

• 300 个化合物（DILI 阳性、阴性、特异体质型等）
• 4 个 RNA-seq 测试浓度
• 人源三明治培养的初级肝细胞（PHH）
• LDH/ATP 活力检测 + IC10 剂量筛选
• 24 小时暴露用于捕获早期转录调控变化

数据严格质控（RNA 计数、线粒体比例、重复一致性等），并基于 DILIrank 与 LiverTox 进行分类，同时构建独立盲测数据集（51 个化合物）。

ToxPredictor：基于通路层级特征的 DILI 风险预测模型

ToxPredictor 通过：

• 差异表达分析（DESeq2）
• WikiPathways 富集分析（FDR 调整）
• 剂量分辨的通路活化模式

训练出可预测 DILI 概率的模型。

最终采用 30 个随机森林模型的集成策略，在盲测中达到：

• 88% 灵敏度
• 100% 特异性
• MOS（安全边界）阈值 = 80，被证明可区分高/低风险药物

该模型还能输出剂量依赖的 DILI 概率曲线，支持早期研发布局。

对同靶点 NSAIDs 的机制解析：揭示不同的 DILI 风险谱

三种 COX-2 NSAIDs 展现出完全不同的 DILI 风险：

模型揭示关键机制：

• 脂肪酸代谢紊乱
• 氧化应激
• 药物代谢酶激活
• 胆汁酸调控异常

这些特征帮助解释为什么机制相似的药物会有不同的肝毒性。

DILI 中关键通路与基因的系统性识别

模型识别出与 DILI 风险高度相关的通路，包括：

• 氨基酸代谢紊乱
• 脂肪酸生物合成与 β-氧化受阻
• 色氨酸代谢
• 铁死亡（ferroptosis）
• PXR/CAR/FXR 核受体调控
• 胆汁酸稳态

最常上调基因涉及：

• 药物代谢：CYP1A2、AKR1C1/2/3…
• 氧化应激：TXNRD1、HSP90AA1…
• 脂质调控：SREBF1、FADS2…

最常下调基因涉及：

• 肝功能标志：ALB、APOA1、UGT2B10…
• 线粒体功能：CPS1、ECHS1…
• 氧化还原：CAT、GNMT…

这些早期信号可作为潜在生物标志物。

模型成功提前识别近期三期药物失败：真实世界验证

模型预测并成功“预警”多种临床失败药物：

相比之下，JAK 抑制剂 Tofacitinib、Upadacitinib 被正确预测为低风险。同时，模型的剂量依赖曲线可用于推荐安全剂量范围。

全面对比：ToxPredictor 超越所有前沿 DILI 预测模型

对比对象包括：

• 3D 肝模型
• HCI 高内涵成像
• LDH/ATP 细胞毒性
• BSEP、GSH 加合物等机制实验
• 最新结构-基深度学习模型（TxGemma、DILIGeNN、DILIPredictor）

结果显示：

• 结构模型特异性极低（20–37%）
• 3D 模型在已知机制上有效，但难以规模化
• ToxPredictor 在灵敏度、特异性、可扩展性均居首
• 对特异体质型 DILI 检出率最高（44%）

机制广度+剂量分辨能力使其性能显著领先。

讨论

研究人员展示了毒性基因组学结合机器学习在 DILI 预测上的重大突破。通过系统级转录组数据，能够捕获传统模型无法检测的早期应答与广泛机制。

该方法优势包括：

• 剂量分辨预测 vs. 传统二元分类
• 捕获多类 DILI 机制，包括特异体质型
• 高通量、可扩展性强
• 适合集成到现代 AI 药物研发平台

同时仍有局限：

• 难以完美模拟遗传多样性
• PHH 2D 体系难以重建免疫细胞等相互作用
• 24 小时时间点可能遗漏慢性反应
• 数据库仍受已有 DILI 机制覆盖度限制

未来方向包括：

• RNA-seq 与 3D 肝-芯片整合
• 多组学（蛋白组、代谢组）融合增强机制解析
• 将结构信息与通路扰动联合建模
• 构建 DILI 调控网络模型

随着更多毒性基因组学资源融入药物研发，预计将显著减少肝毒性事件、提高效率、降低成本、提高安全性。

整理 | DrugOne团队

参考资料

Bergen, V., Kodella, K., Srikrishnan, S. et al. A large-scale human toxicogenomics resource for drug-induced liver injury prediction. Nat Commun 16, 9860 (2025).

https://doi.org/10.1038/s41467-025-65690-3

内容为【DrugOne】公众号原创｜转载请注明来源