基于逻辑网络与人类脑类器官病理特征的阿尔茨海默病药物筛选平台研究

第一作者、研究机构与发表信息 本研究由首尔国立大学（Seoul National University）医学部生物化学与生物医学科学系的Jong-Chan Park、韩国科学技术院（KAIST）生物与脑工程系的So-Yeong Jang以及首尔国立大学痴呆研究中心的Dongjoon Lee作为共同第一作者主导。通讯作者为韩国科学技术院的Kwang-Hyun Cho教授与首尔国立大学的Inhee Mook-Jung教授。该研究于2021年发表在《自然-通讯》（*Nature Communications*）期刊上。

学术背景与研究目的 本研究属于神经退行性疾病，特别是阿尔茨海默病（Alzheimer’s Disease, AD）的转化医学与药物发现领域。阿尔茨海默病是最常见的痴呆症病因，其药物开发因复杂的发病机制而屡遭失败。传统的临床前模型，如携带家族性AD突变的转基因小鼠或二维单层培养的人诱导多能干细胞（iPSC）衍生神经元，存在显著局限性：前者无法模拟占病例95%以上的散发性AD（sporadic AD, sAD），后者则难以重现AD关键的细胞外淀粉样斑块沉积等三维病理特征。这些局限性被认为是许多在临床前模型中有效的药物在临床试验中失败的重要原因。因此，建立一个能够更真实模拟人类AD病理、适用于大规模药物筛选的生理相关平台至关重要。

近年来，人iPSC衍生的脑类器官（cerebral organoids）为研究人类大脑发育和疾病提供了革命性的三维模型。然而，如何将脑类器官的病理特征与系统生物学方法相结合，构建一个高效的、针对特定风险因素的精准药物筛选平台，仍是一个巨大挑战。本研究旨在解决这一难题。其核心目标是：通过整合数学建模与人iPSC来源的脑类器官（iCOs）的病理特征，开发一个高效的、基于网络的药物筛选平台，以识别可用于AD（尤其是散发性AD）治疗的候选药物，并探索精准医疗策略。

详细研究流程 本研究流程严谨，可分为四个主要阶段：iCOs模型的构建与病理表征、高通量筛选（HCS）系统的建立与验证、AD分子调控网络模型的构建与计算分析，以及基于计算预测的药物筛选与实验验证。

第一阶段：构建与表征模拟散发性AD的iCOs模型。 1. 研究对象与样本生成：研究从11名参与者（包括PIB-PET阴性和阳性个体）的体细胞生成iPSC，并进一步分化为脑类器官（iCOs）。此外，利用CRISPR-Cas9基因编辑技术构建了载脂蛋白E（ApoE）ε4等位基因的等基因（isogenic）iPSC系（E3亲本系和E4等基因系），并衍生出相应的iCOs。本研究共使用了约1300个类器官样本。 2. 病理特征验证： * 分泌蛋白分析：通过酶联免疫吸附测定（ELISA）检测iCOs培养上清液中的AD标志蛋白（Aβ1-42, Aβ1-40, 总Tau, 磷酸化Tau）。结果显示，来自淀粉样蛋白沉积阳性（PIB+）参与者的iCOs，其分泌的致病蛋白水平显著高于阴性（PIB-）对照组，且这些蛋白水平与参与者大脑实际的Aβ沉积程度（PIB-PET SUVR值）显著相关。更重要的是，在PIB+ iCOs中，携带ApoE ε4等位基因的类器官分泌了更多的致病蛋白。这一发现在ApoE ε4等基因iCOs（E4iso）与E3亲本iCOs（E3par）的对比中得到进一步证实。 * 功能与转录组学分析：钙振荡实验显示，PIB+和E4iso iCOs表现出更高的钙荧光信号和更多的钙峰，提示存在异常的钙调节，这与AD患者的病理生理变化一致。RNA测序及主成分分析（PCA）表明，iCOs的mRNA表达模式存在ApoE ε4依赖性的分离。基因本体（GO）分析显示，PIB+和E4iso iCOs中与突触功能和神经发生相关的基因显著下调。研究还将自身转录组数据与公共数据库（GEO）中的人AD大脑转录组数据进行比较，发现iCOs数据与真实AD大脑数据的GO相似性远高于传统的iPSC衍生神经元数据，证明了iCOs在转录水平上更能模拟真实AD脑病变特征。 * 三维病理成像验证：为了在组织水平验证病理特征，研究采用基于肉桂酸乙酯（Ethyl Cinnamate, ECI）的3D组织透明化技术处理iCOs，并结合高内涵筛选（HCS）成像系统进行全器官3D成像。结果显示，PIB+和E4iso iCOs内部的Aβ聚集体和磷酸化Tau沉积显著多于对照组，且Aβ聚集体主要位于细胞外间隙，与磷酸化Tau的细胞内定位不同，成功模拟了AD大脑的典型病理结构。

第二阶段：构建高通量筛选（HCS）系统。 为确保药物筛选的可靠性与均一性，研究团队对iCOs进行了严格的质量控制（QC）。首先，在第7天筛选高质量拟胚体（EBs）进行后续培养；其次，在第60天筛选形态均一、大小一致的成熟iCOs用于实验；最后，在HCS成像过程中，通过自动化软件根据形状因子、直径和面积等参数排除不合格样本。这套流程确保了用于药物测试的iCOs具有高度的均质性，为大规模、可重复的药物筛选奠定了基础。

第三阶段：构建AD分子调控网络模型并进行计算分析。 1. 网络模型构建：研究团队基于京都基因与基因组百科全书（KEGG）、Alzpathway等公共数据库及相关文献，构建了一个包含77个节点和204条调控链接的神经元内分子调控网络布尔模型（Boolean network model）。该网络主要整合了MAPK、Wnt（包括经典和非经典通路）和PI3K-Akt等与AD密切相关的信号通路。模型包含五个输出节点，分别代表Aβ、磷酸化Tau、突触丢失、细胞凋亡和自噬等AD病理表型。 2. 模型验证：通过模拟不同水平的氧化应激（模拟衰老效应），模型能够复现已知的AD病理输入-输出关系。研究还将模拟结果与已发表的实验数据（如ApoE ε4等位基因或LPL SNP引起的通路改变）进行比较，验证了模型预测的生物学合理性。 3. 扰动分析与候选药物靶点识别：利用构建的网络模型，研究团队对特定风险因素（如ApoE ε4等位基因和LPL A288T SNP）下的网络动态进行了“硅片内”（in silico）扰动分析。通过计算单节点或双节点扰动（即模拟抑制或激活特定基因/蛋白）对输出节点（病理表型）活动的影响，并计算“表型评分”，来评估干预效果。分析旨在寻找能同时降低Aβ和磷酸化Tau水平、并改善神经退行性表型（如减少突触丢失和细胞凋亡、促进自噬）的最优调控靶点。随后，研究者将高表型评分的靶点映射到美国食品药品监督管理局（FDA）已批准药物库，筛选出可能通过“老药新用”（drug repositioning）作用于这些靶点的候选药物。例如，针对ApoE ε4等位基因，模型预测同时抑制PTEN和DKK1（使用氟班色林和利帕舒地尔），或同时抑制PTEN和mTOR（使用氟班色林和依维莫司）可能是有效的组合策略。

第四阶段：实验验证网络平台预测的药物效果。 1. 药物筛选：基于计算分析，最终选择了数种FDA批准的药物（或其组合），包括虾青素、伊布替尼+丙咪嗪、氟班色林+依维莫司、利帕舒地尔+氟班色林（针对ApoE ε4相关iCOs）以及利帕舒地尔、利帕舒地尔+阿贝西利甲磺酸盐（针对携带LPL SNP的iCOs）。 2. 效果评估：将筛选出的药物以不同浓度处理相应的iCOs（如E4iso iCOs、携带ApoE ε4的PIB+ iCOs、携带LPL SNP的PIB+ iCOs），然后利用之前建立的ECI透明化结合HCS成像技术，定量分析iCOs内Aβ和磷酸化Tau的沉积水平，并通过MTT法评估神经元细胞活力。 3. 验证结果：实验结果表明，所有测试的候选药物（或组合）均能在不同程度上减少iCOs内的Aβ或Tau病理沉积，并维持或增强神经元细胞活力。这直接验证了基于网络模型预测的药物筛选策略的有效性。

主要研究结果 1. 成功建立了具有散发性AD病理特征的iCOs模型：来自AD患者或携带AD风险基因（ApoE ε4）的iCOs，在分泌蛋白谱（Aβ, p-Tau）、钙信号、转录组特征以及三维空间病理结构（Aβ斑块和p-Tau沉积）等方面，均重现了AD的关键病理表现，且与患者脑部影像学数据相关。 2. 开发并验证了适用于iCOs的高通量药物筛选平台：通过ECI组织透明化与自动化HCS成像相结合，实现了对大量3D脑类器官内部病理标志物的快速、定量分析。严格的质量控制流程保证了筛选的均一性和可靠性。 3. 构建并验证了AD分子调控网络的动态数学模型：该模型整合了多个关键信号通路，能够模拟不同遗传风险因素（如ApoE ε4, LPL SNP）下的病理网络状态，并通过扰动分析预测潜在的干预靶点。 4. 实现了计算预测与实验验证的闭环：基于网络模型预测筛选出的FDA已批准药物，在iCOs模型中证实了其减轻AD病理表型的功效，证明了该“干湿结合”平台的可行性与预测能力。

研究结论与价值 本研究成功开发并验证了一个创新的、基于逻辑网络的AD药物筛选平台。该平台的核心价值在于首次将人源iPSC衍生的脑类器官（模拟疾病病理） 与系统生物学驱动的数学建模（揭示网络动态与干预靶点） 以及高通量自动化成像技术（实现大规模筛选） 三者深度融合。

其科学价值在于：1）为研究散发性AD的复杂发病机制提供了一个更贴近人类病理生理的3D体外模型；2）提供了一种系统性的、机制导向的药物靶点发现方法，超越了传统的单一通路分析；3）展示了利用现有FDA批准药物进行“老药新用”治疗AD的可行性，有望加速临床转化。

其应用价值在于：1）为AD药物发现，尤其是针对不同遗传背景患者的精准医疗，提供了一个强大的临床前筛选与评估工具；2）所建立的平台策略可扩展应用于其他复杂神经退行性疾病的药物研发。

研究亮点与创新性 1. 模型创新：首次利用来自散发性AD患者且携带不同遗传风险因素（ApoE ε4, LPL SNP）的iPSC构建脑类器官，并结合等基因编辑技术，创建了能够模拟疾病异质性的病理模型。 2. 技术整合创新：开创性地将3D脑类器官病理学、布尔网络数学模型与高通量3D成像筛选技术整合在一个统一的平台中，形成了“病理模型构建-计算靶点预测-实验药效验证”的完整闭环研究范式。 3. 筛选策略创新：采用基于系统生物学的网络扰动分析来指导药物筛选，从机制层面寻找能够调控复杂疾病网络的关键节点，而非针对单一分子，更符合AD多因素致病的特性。 4. 面向转化：直接筛选FDA已批准药物，着眼于“老药新用”，大大缩短了潜在疗法进入临床验证的路径。

其他有价值的内容 研究也坦诚地指出了当前平台的局限性：1）网络模型假设了神经元丢失较少的初始状态，未来需根据疾病阶段进行调整；2）模型基于现有可观测的实验信息构建，随着数据积累可进一步复杂化；3）目前使用的iCOs缺乏小胶质细胞，无法模拟神经炎症反应，未来可通过与iPSC衍生小胶质细胞共培养来完善模型；4）可对模型预测的关键通路（如Wnt通路、自噬通路）进行更深入的机制验证。这些均为未来的研究指明了方向。

这项研究为阿尔茨海默病的药物研发提供了一条极具前景的新路径，通过融合前沿的生物工程、系统生物学与计算科学，推动了精准神经医学的发展。