新藥研發成功率降低，高內涵篩選能否力挽狂瀾？

　　研究人員認為，結合機器學習算法的高內涵篩選將廣泛用于藥物的研發。

　　上個世紀80年代，科研人員開發出了高通量篩選（high throughput screening），這是一種能對大量化合物樣品進行藥理活性評價分析的技術。在過去的幾十年里，高通量篩選曾在新藥的研發中發揮了重要的作用。

　　但在最近10年，開發一個新藥的成本增加了整整一倍。在大規模篩選中發現的候選藥物往往會在臨床試驗中遭遇失敗，其中Ⅱ期臨床試驗更是新藥研發中的一道難關。

　　只有大約1/100的候選藥物能順利走完新藥研發之路，如此低的成功率也促使藥物開發者重新考慮其篩選方法。

　　許多研發人員正在尋找實現高內涵篩選（high content screening），并同時保持可接受的篩選通量的方法。

　　“如果我們看看過去三十年的新藥研發情況，比如小分子和蛋白質藥物，就可以發現我們在選擇候選藥物時過于簡單化了。”Jean-Philippe Stephan博士說，他在施維雅公司負責藥物篩選、化合物管理和生物銀行的運行。Stephan博士研究小組的工作重點是在藥物研究的早期階段，從大量的化合物中選出有潛力的候選藥物，“為了更好的完成這一工作，我們將高內涵篩選引進了我們的工作平臺。”

　　平衡篩選的通量和內涵

　　“在過去很長一段時間里，我們都認為藥物的篩選只要不斷嘗試就可以完成。不管我們用的篩選方法多么簡單，即使這猶如大海撈針一般，只要我們盡可能多地篩選化合物，我們最終都會找到想要的那根針。”Stephan博士說。

　　這種觀點鼓勵人們開發出含有數百萬種化合物的大型化學庫，然后一一進行篩選，以確定其中感興趣的藥物。

　　“但在篩選數百萬種化合物時，篩選方法不能過于復雜。” Stephan博士說，“因為藥物開發是一場分秒必爭的競賽，所以用于篩選的時間不能太長。”

　　在最近一項關于當前藥物研發可持續性的研究中，Stephan博士及其同事強調了高內涵篩選對藥物研發的益處和挑戰。該研究探討了如何將高內涵功能（如圖像捕獲、處理以及數據分析）納入大規模篩選工作，并同時保持足夠的篩選通量。

　　“我們需要一種能夠概括整個身體狀況的模型。”Stephan博士強調，“但這非常困難，在高通量或高內涵篩選方面更是如此。”

　　例如，幾十年來，研究人員都在使用二維培養系統培養細胞，但它無法模擬人體組織的生理特性。三維培養系統雖然能更準確地模擬人體組織的生理學特性，但對三維培養系統的運用仍處于早期階段。

　　“為了在培養皿中創造出接近體內的生理環境，研究人員需要將不同類型的細胞混合培養。” Stephan博士說，“但人體是很復雜的，想在小小的培養皿中重現類似的生理環境實在太困難了。”

　　即使有理想的實驗模型，開發人員也必須處理另一個難題：選擇最佳的篩選指標。這一指標可能包括細胞核的大小，特定染色的強度，特定細胞區域中抗體的結合情況或細胞的運動。

　　而高內涵篩選的優勢之一恰好是可以同時測量多個參數，但有些篩選指標的選擇會面臨一些技術限制。例如，可以通過顯微鏡分辨的波長數通常限于四個，這些參數的選擇數量有限可能會導致后續的分析出現錯誤。

　　高內涵篩選面臨的另一個困難是需要限制數據偏差的可能性，例如使用陽性對照時產生的數據偏差。在高通量篩選中，研究人員需要在多個步驟進行陽性對照。控制數據偏差以前只被視為一個技術問題，但研究人員已經開始意識到在藥物研發的多個步驟中控制偏差的重要性。

　　最后，高內涵篩選還需要繼續結合機器學習算法，這些算法有望在藥物研發中廣泛運用。零碎的信息可能不準確或生物復雜性太小，但深度神經網絡可以充分利用這些信息，在篩選的第一階段先預選出一些化合物，然后再使用更復雜的模型進行鑒定。

　　在高通量篩選中，需要在多個步驟中進行陽性對照

　　球體光學處理

　　“我們開發了一套高通量光學處理的方案，可用于球體成像、熒光高內涵共聚焦成像和核分割。”美國國立衛生研究院國家轉化科學中心的生物學家Molly E. Boutin博士說，這項工作有助于完善3D細胞培養模型。

　　許多生物學的3D模型都是球狀的，然而在高通量篩選時，研究人員很難得到清晰的球狀體圖像并進行分析。

　　“光通過一層層細胞成像時會產生大量的散射。”Boutin博士說。使用這套光學處理方案可以在球體更深的區域成像，但是現在只有少量的研究者在高通量篩選中使用它們。“這些都是非常簡單的分析技術，”她繼續說道，“但是研究人員通常沒有想過去觀測細胞在球體培養模型的哪個位置。”

　　例如，在預測藥物細胞毒性的實驗中，普通顯微鏡圖像中球體的大小會被看作細胞是否死亡的指標。“但這些圖像并不能說明死亡的細胞是在球體培養模型的外部還是內部，甚至根本就沒有細胞死亡。”Boutin博士說。

　　因此，Boutin博士及其同事最近開發了這套高通量球體光學處理和細胞核分割方案，并使用它檢查了來自乳腺癌和原發性膠質母細胞瘤細胞系3000個球體培養模型的558,000個圖像文件。使用這套自動化處理方案，科學家們可以在1-2.5小時內對384孔板進行成像。在這項研究中，Boutin博士及其同事還證明了分割算法能夠根據熒光標記識別單個球體內細胞的幾個亞群。

　　“機器學習算法正在快速發展，它允許用戶自己訓練程序，讓程序了解數據集。”Boutin博士告訴我們。“從學習過程中，人們還可以預測未知數據集的內容。”

　　例如，使用對照圖像和治療圖像數據集，可以訓練程序判斷未知的治療是否會引起特定的反應。機器學習的優點是可以減少手動選擇閾值時產生的偏差，Boutin博士表示他們今后會設法在算法中引入機器學習來進行分析。

　　定向分化

　　“我們實驗室對不同的遺傳和環境因素如何促進疾病進展，以及如何找到治療這些疾病的藥物感興趣。”威爾康奈爾醫學院外科和生物化學副教授Shuibing Chen博士說。在最近的一項研究中，Chen博士及其同事開發了一種分化方案，用于檢測Glis3（一種與糖尿病相關的基因）在人胰腺β細胞生物學中的作用。

　　這項研究表明，人胚胎干細胞中Glis3的缺失削弱了它們向胰腺祖細胞和β樣細胞的分化能力，并引成了這些細胞的死亡。為了尋找能拮抗這種損傷的藥物，Chen博士實驗室的研究人員使用了高內涵篩選，最終發現了一種TGF-β抑制劑，目前正在進行II期臨床試驗。

　　這種叫galunisertib的TGF-β抑制劑能特異性地在體外和體內拮抗由Glis3缺失引起的細胞死亡，而對正常細胞卻沒有任何影響。識別出了galunisertib的高內涵篩選十分有前景，Chen博士預測它將越來越廣泛地被用于藥物研發。

　　Chen博士及其同事開發的用于區分個體胰腺細胞類型和模擬人類疾病的方案具有幾個優點。“當我們進行篩查時，我們可以將胰島素（一種胰島β細胞標記物）和胰高血糖素（一種胰島α細胞標記物）結合起來，獲得促進分化為這些細胞譜系的小分子的信息。”

　　另一個優點是能夠同時評估細胞死亡和細胞增殖，同時檢測這兩個指標可以幫助我們識別導致細胞死亡的某些小分子。”Chen博士斷言，“我們已經從細胞的初步篩選中獲得了一些機制線索。”

Shuibing Chen博士通過高內涵篩選發現新藥的研究成果發表于《nature communications》

　　抗體研發中的流式細胞儀

　　“我們開發了一種依靠高通量流式細胞儀（HTFC）來鑒定抗體結合物的方法，”武田制藥公司腫瘤研究部門的科學家，Yana Wang博士說。他們將iQue Screener（一種高通量懸浮細胞/微珠篩選系統）與模塊化機器人系統相結合，形成了這套高通量流式細胞儀。

　　HTFC將樣本小型化、高速采集和培養板管理相結合，為集成應用提供了靈活的模塊化解決方案，并且可以同時準確地測量多個參數。

　　研究人員可以使用HTFC來同時監測多種細胞因子的表達水平和細胞活性參數，從而得到大量的數據。這種新平臺的效率也很高，可以在8小時內處理完16個384孔板。

　　在過去幾年中，武田制藥的科學家們在高內涵篩選上付出了很多努力。“我們正在嘗試利用已有的高通量篩選，結合高內涵篩選構建一個新的平臺，以應對武田制藥不斷發展的生物制品需求。”Yana Wang博士說。