欢迎访问上邦|专注企业 AI 数字化转型落地 · 咨询热线 400-667-6771
免费咨询
首页 / 资讯中心 / 技术干货 / 文章详情
技术干货

基于连接图的药物重定位入门:用基因表达签名匹配老药新用

上邦 AI 工程团队2026-09-19阅读 约 8 分钟
药物重定位能用已有老药应对新疾病,连接图以基因表达签名把药物、基因与疾病关联。本文以 L1000 技术为基础,给出一条可复现的重定位思路:取疾病差异表达签名,在公开扰动档案中做反向匹配,附 scipy 签名相似度代码与验证提醒,并强调结果须经实验验证。

什么是连接图

连接图(Connectivity Map)用基因表达签名把药物、基因与疾病状态关联起来:当药物或基因扰动细胞后,会留下一组上下调基因的特征签名,相似签名意味着相似机制。L1000 技术(Subramanian 等,2017,Cell)以低成本只测约 978 个标志基因再推算全转录组,已积累超过百万条扰动档案,平台 clue.io 公开可用,成为药物重定位的重要基础设施。

重定位思路:用签名反向匹配

某疾病状态有一组特征表达签名;若某上市药物扰动后的签名与该疾病签名方向相反(负相关),则该药物有可能逆转疾病表型,从而提示老药新用。下面给出一条可复现的匹配骨架:先用差异表达得到查询签名,再在药物签名集中计算连接得分。

步骤一:取疾病差异表达签名

import pandas as pd

# disease: 疾病组表达矩阵, ctrl: 对照组表达矩阵 (行=基因, 列=样本)
fc = pd.DataFrame({
    gene: ctrl[gene].mean() - disease[gene].mean()
    for gene in ctrl.index}).rename('log2fc')
query = fc['log2fc'].sort_values(ascending=False)
print(query.head(10))

步骤二:在药物签名中做反向匹配

对每条候选药物签名,与查询签名在共有基因上计算秩相关,取负号作为重定位得分;得分越高,说明该药物扰动越能逆转疾病签名。
from scipy.stats import spearmanr

def connectivity(query, drug):
    common = query.index.intersection(drug.index)
    rho, _ = spearmanr(query[common], drug[common])
    return -rho   # 负相关越强, 重定位得分越高

# 示意: 真实签名从 clue.io 下载 L1000 档案
drug_a = pd.Series({'BRCA1': -1.1, 'MYC': 0.7, 'TP53': -0.8, 'EGFR': 0.9})
print('drug_a 重定位得分:', round(connectivity(query, drug_a), 3))
提醒:重定位结果只是假设生成(hypothesis generation),必须经体外实验、动物模型与临床研究验证,不能直接作为用药依据;同时需注意数据批次效应与细胞系差异带来的偏倚。

参考来源

Subramanian A 等. A Next Generation Connectivity Map: L1000 Platform and the First 1,000,000 Profiles. Cell, 2017, 171(6):1437-1452 - 连接图 L1000 论文。 clue.io(LINCS 计划)- 公开 L1000 扰动基因表达档案平台。 Application of perturbation gene expression profiles in drug discovery. PubMed Central - 扰动签名在药物发现中的应用综述。
相关标签:医药AI药物重定位连接图L1000生物信息

免费咨询上邦技术顾问

一对一上邦方案顾问对接 · 免费定制企业专属 AI 数字化转型方案

立即获取上邦方案