药物重定位筛选是通过标准化实验或计算流程，在已获批药物或临床阶段化合物中寻找新适应症的系统性方法。它的核心价值在于跳过从头研发所需的毒理学与安全性验证，因此特别适合罕见病、突发公共卫生事件，以及那些拥有成熟安全数据但缺乏商业开发动力的老药新用场景。当时间和患者样本都极为有限时，这条路径往往比新药研发更现实。
简述:
- 如果已知药物在疾病模型中具有安全窗数据，并且机制明确，重定位筛选应优先于新药研发。
- 在筛选策略方面，表型筛选适合未明确机制的复杂罕见病，而靶点筛选则要求已有验证靶点证据。
- 高通量筛选中，遵循剂量反应验证、交叉模型复现和靶点鉴定的流程能有效提升候选物的转化成功率。
- 多模态计算方法联合验证（结构结构、表达签名和网络邻近性）比单一方法更能提高筛选的可靠性。
- 使用已注释完整的重定位库及确保化合物质量，会大大增加候选物的可信度并减少验证中的虚假命中。
目录
- 药物重定位筛选的主流策略与方法学类别
- 化合物库与试剂选择：常见重定位库、质量控制与设计要点
- 生物模型与测定设计：选择 iPSC、原代细胞、永生化系与读出端点
- 高通量筛选执行：主筛、剂量反应与二次验证流程
- 数据处理、机器学习与多组学整合在重定位筛选中的角色
- 从实验命中到临床转化：时间线、成本与监管/IP 考量
- RareLabs 的实践框架：从建模到候选物的完整周期
- 作者观点：何时把重定位筛选当作首选策略
- 与 Hopeatrarelabs 合作：从疾病建模到候选路线图
- 关键公开数据库与方法学参考
- 来源
- 常见问题
药物重定位筛选的主流策略与方法学类别
选择哪种筛选策略，取决于你对疾病机制的了解程度和现有资源。表型筛选和靶点驱动筛选是两条最基本的路线，二者的出发点完全不同。
表型筛选不预设分子机制，直接在细胞或类器官模型上观察药物处理后的整体表型变化，例如细胞存活率、蛋白聚集清除、电生理活动恢复等。这种方法对病理机制未知或高度复杂的罕见病特别有效，因为它绕开了"先找靶点"这一常常卡壳的环节。Technology Networks 的一篇综述指出，表型筛选在病因不明确的疾病中往往比靶点驱动方法更早产生可推进的候选物。
靶点驱动筛选则要求先确认致病蛋白或通路，再筛选能调节该靶点的化合物。它的优势是机制清晰、便于后续专利布局，但前提是你必须已经掌握扎实的靶点证据，这在很多超罕见病里恰恰是缺失的一环。
除了这两条主线，还有三类计算与数据驱动方法值得研究者掌握：
- 基于蛋白结构的 in silico 对接：利用已知或预测的蛋白三维结构，虚拟筛选化合物库中可能结合活性位点的分子，适合有晶体结构或高质量同源模型的靶点。
- 基因表达签名比对：将疾病相关的转录组特征与药物诱导的表达谱进行反向匹配，寻找能"逆转"疾病表达模式的化合物，常用于肿瘤和代谢性疾病。
- 网络邻近性分析：把药物靶点和疾病基因映射到蛋白互作网络中，通过拓扑距离评估药物与疾病模块的关联强度，尤其适合多基因或机制复杂的疾病。
- 真实世界证据方法：挖掘电子病历（EHR）和保险理赔数据，寻找服用某药物的患者群体中意外出现的疾病改善信号，这类方法能捕捉临床观察但难以证明因果关系。
现代重定位项目很少只依赖单一方法。Annual Review of Biomedical Data Science 的分析明确指出，结构相似性、表达签名、网络邻近性与临床数据的多模态融合，比任何单一方法都更能提高候选物的验证成功率。这也是为什么大多数严肃的重定位团队会把计算预测和表型验证串联起来，而不是二选一。
化合物库与试剂选择：常见重定位库、质量控制与设计要点
选库这一步决定了整个筛选项目的天花板。市面上几个公开的重定位库各有侧重，值得逐一了解。
Broad Institute 的 Repurposing Hub 是目前注释最完整的重定位化合物集合之一，涵盖已获批药物、临床阶段候选和工具化合物，并配有作用机制、靶点和临床阶段的结构化元数据，适合表型筛选和靶点不明确的探索性项目。REFRAMEdb（REFRAME 库门户）则提供另一套独立筛选的化合物资源，其数据库本身可下载剂量反应曲线和原始筛选结果，这对需要复查或二次分析的团队非常实用。PRISM Repurposing 数据集采用条形码化的细胞系混合培养技术，让单次实验同时评估数百种细胞系对同一化合物的反应，特别适合寻找肿瘤亚型特异性的药物敏感性信号。
三个库各有取舍：
- Broad Repurposing Hub 胜在注释深度和覆盖广度，适合初筛阶段的候选物挖掘。
- REFRAMEdb 的原始数据透明度高，方便机制回溯和跨实验室复现。
- PRISM 数据集通量最大，但更偏向肿瘤细胞系背景，罕见病团队需要评估其模型相关性。
专业提示： 选库前先问一个问题——这个库里的化合物在你的疾病模型中是否有已知的安全窗数据？如果答案模糊，宁可牺牲一些库的规模，也要优先选择安全性数据完整的子集，这能大幅压缩后期毒理复核的时间。
化合物库的质量控制同样重要，却常被低估。一项针对溶质载体超家族靶点工具化合物的调研发现，筛选结果的可靠性很大程度上取决于化合物纯度、结构冗余度以及对照工具化合物的可用性，尤其是像 SLC 转运体这类"难成药"靶点，本身可用的验证工具就稀缺，这会直接拉低筛选命中率的可信度。库存管理层面，定期重新鉴定化合物纯度、避免板块间交叉污染、采用条码化追溯批次，是防止假阳性和假阴性积累的基本操作，规模再大的库，如果缺了这一环，产出的命中体也经不起复现检验。
生物模型与测定设计：选择 iPSC、原代细胞、永生化系与读出端点
模型选择直接决定筛选结果能不能转化到患者身上。这是整个流程里最容易被低估、也最容易返工的一步。
诱导多能干细胞（iPSC）技术让研究者能够从患者自身的皮肤或血液细胞重编程出携带完整致病基因型的细胞类型。一篇关于 iPSC 遗传病药物筛选的综述总结道，iPSC 已被成功用于高通量、非偏倚的化合物筛选，并且此前确实有通过 iPSC 平台发现候选药物并推进到临床试验的先例。它的优势在于遗传背景真实、可无限扩增，缺点是分化周期长、批次间变异需要严格控制。
永生化细胞系或商业化的稳定细胞株在成本和通量上占绝对优势，一天能跑几万个孔,而 iPSC 培养同样规模可能要几周。但代价是临床相关性打折扣。经验表明，使用不携带疾病遗传背景的永生化细胞系做初筛，往往会导致后期验证阶段的转化率偏低，患者来源的原代细胞或 iPSC 衍生细胞虽然贵、慢，却能显著提高候选物在真实患者背景下成立的概率，这一点在罕见遗传病项目中尤其关键。
读出端点的选择同样值得花时间打磨：
- 高内涵成像可以同时捕捉细胞形态、蛋白定位、线粒体功能等数十个特征，一次实验产出的信息量远超单一终点测定。
- 功能性读出（如神经元电生理活动、心肌细胞收缩节律）更接近疾病表型本身，但通量通常较低，适合作为二次验证而非主筛工具。
- 生化或报告基因读出（荧光素酶、GFP 融合蛋白）通量最高，适合海量化合物库的初步筛选，但脱离细胞真实生理状态的风险也最大。
质控指标不能等到数据分析阶段才补。每块板都应设置阳性对照、阴性对照和溶剂对照，并计算 Z' 因子来评估测定窗口的分离度，一般认为 Z' 因子高于 0.5 才算稳健测定，低于 0 意味着信噪比不足以支撑可靠判定。信噪比不达标的测定，哪怕库再大、样本量再多，产出的命中体大概率经不起复筛。
高通量筛选执行：主筛、剂量反应与二次验证流程
主筛阶段最容易踩的坑，是把"跑得快"和"跑得对"混为一谈。设计合理的判定标准，比追求更大的化合物库规模更重要。
单浓度初筛（通常是 10 微摩尔左右）适合库规模庞大、需要快速缩小候选范围的场景，但假阳性率天然偏高。多浓度初筛牺牲一部分通量，换来更可靠的剂量响应趋势判断,对于化合物数量在几千种以内的重定位库，多浓度方案往往是更划算的选择。统计判定上，命中体通常需要满足偏离阴性对照均值三个标准差以上（即 Z 分数大于 3），同时在重复孔间保持一致方向性。
从主筛命中体走到可信候选，大致遵循以下路径：
- 初筛数据清洗：剔除边缘孔效应、荧光干扰化合物和已知泛干扰化合物（PAINS），这一步能筛掉相当比例的虚假命中。
- 剂量反应曲线测定：对初筛命中体重新配制 6 到 10 个浓度梯度，拟合 EC50 或 IC50 曲线，只有曲线形状规整、拐点清晰的化合物才值得推进。
- 正交测定验证：换用不同原理的检测方法（例如从荧光信号切换到高内涵成像）复核同一表型，排除测定本身带来的假象。
- 靶点鉴定：通过基因敲降验证机制假设、化学蛋白质组学捕捉直接结合蛋白，或质谱分析代谢通路变化，为候选物建立机制证据链。
- 跨模型复现：在第二个独立的患者细胞系或疾病模型中重复关键实验，只有跨模型一致的信号才具备转化价值。
不同验证阶段对判定严格度的要求并不相同，下表列出了典型的阶段划分：
| 筛选阶段 | 典型通量 | 主要判定标准 | 核心目的 |
|---|---|---|---|
| 主筛（单/多浓度） | 数千至数万化合物 | Z 分数 > 3，方向一致 | 快速缩小候选范围 |
| 剂量反应验证 | 数十至数百化合物 | EC50/IC50 曲线拟合良好 | 确认效力与浓度依赖性 |
| 正交/二次验证 | 数十化合物 | 不同检测原理下信号一致 | 排除测定伪影 |
| 靶点鉴定 | 个位数至十余候选 | 独立实验证据支持机制假设 | 建立可专利化的机制链条 |
命中体优先级排序不能只看效力数值。剂量反应曲线的陡峭程度、多个模型间的一致性、已知的安全窗数据，以及是否有独立文献或多组学证据佐证机制，都是排序时应当纳入的维度，单纯按 IC50 数值排名往往会漏掉那些机制扎实但效力中等的真正候选物。
数据处理、机器学习与多组学整合在重定位筛选中的角色
高内涵成像每次实验产生的特征维度动辄上百，靠肉眼比对表型差异已经不现实，这正是机器学习真正发挥作用的地方。
监督学习模型可以用已知阳性、阴性化合物训练分类器，自动从海量表型特征中挑出符合"目标表型"的候选物，这比人工设定几个固定阈值要灵敏得多。无监督聚类方法则常用于命中体分组,把作用机制相似的化合物归入同一簇，即便这些化合物结构完全不同，聚类结果也能提示潜在的共同靶点或通路。Danaher Life Sciences 关于表型药物发现的分析提到，将高内涵成像与机器学习结合，能把原本难以量化的细胞形态学变化转化为可排序的特征向量，这大幅提升了从表型数据中挖掘机制线索的效率。
多组学整合是另一条提升可信度的路径。典型流程是先用转录组数据确认药物处理后基因表达谱的变化方向，再用蛋白组数据验证关键通路蛋白的实际丰度变化，最后用代谢组数据确认下游代谢产物是否符合预期，三层证据相互印证，机制假设才立得住。整合转录组差异与蛋白互作网络的证据，能显著提高候选分子在后续实验中被验证的概率，这也是多个计算生物学团队正在推进的方向。
候选排序阶段，网络生物学工具和公开知识库能提供额外的独立证据:
- STRING 数据库提供蛋白互作网络，帮助判断候选药物的已知靶点是否落在疾病相关通路的核心节点上。
- DisGeNET 汇总基因与疾病的关联证据，可用于交叉验证计算预测的靶点是否已有独立的遗传学支持。
- PubChem 提供化合物的生物活性数据，便于核查某个候选物是否已在其他疾病背景下被报道过类似的表型效应。
从实验命中到临床转化：时间线、成本与监管/IP 考量
重定位候选物走向临床，速度确实比新药研发快，但"快"是相对的，不是没有代价。一项覆盖 1985 年至 2024 年的产业分析显示，药物重定位从首次获批到新适应症获批的平均周期约为 7.2 年,这个数字虽然远短于典型新药十年以上的研发周期，但对于急需治疗方案的罕见病家庭来说，依然是一段漫长的等待。
美国 FDA 的孤儿药认定和加速审批通道，对重定位项目通常更友好，已获批药物的安全性数据可以直接沿用，省去大量早期毒理试验，这也是重定位周期短于新药的核心原因。但监管红利不代表没有障碍,知识产权是最现实的绊脚石。原研药的核心化合物专利往往已经过期或即将过期，重定位团队能申请的通常只是新适应症用途专利，保护力度和商业吸引力都弱于原始化合物专利，这直接影响了药企投入资源推进重定位项目的意愿。
正因如此，与基金会或学术机构的早期合作，在罕见病重定位项目中几乎是标配而非可选项。Frontiers 关于超罕见病表型筛选的综述指出，表型筛选结合重定位策略在超罕见病中已被证明是可行路径，而基金会与学术团队的合作模式，则是在资金和模型资源都稀缺的情况下分摊风险的成熟方案。关于罕见病药物开发中知识产权问题的资料也提到，面对 IP 与监管的双重不确定性,尽早与基金会或学术机构建立合作关系,往往比等到临床前数据完整后再谈合作更有利于推进项目。
RareLabs 的实践框架：从建模到候选物的完整周期
上面讨论的方法论，落到实际项目里需要一整套可执行的服务链条。专注于为超罕见和未确诊遗传病患者构建患者来源的疾病模型，具体包括利用患者自身细胞完成 iPSC 建模与生物样本库存储、进行高通量药物筛选、定制反义寡核苷酸（ASO）的设计合成与体外拯救验证，以及面向 IND 申报的数据包整理。
这套服务基本对应了前文的流程逻辑：先从患者样本建立携带真实致病基因型的 iPSC 模型，再通过并行药物库筛选和表型测定寻找候选信号，命中体经过剂量反应和跨模型验证后，进入面向监管申报的转化路线图阶段。还提供专有的靶点可成药性与突变评分工具，用于在项目早期评估某个基因突变是否适合特定治疗模式（小分子、ASO 或基因治疗），这一步能帮助家庭和临床团队在投入筛选资源前先判断可行性方向。
对于希望了解自己具体案例是否适合走这条路径的患者家庭、医生科学家或生物医药合作方，提供项目周期说明和阶段性报告，整个流程的沟通方式和数据交付节奏都可以在项目启动前逐一确认清楚。
作者观点：何时把重定位筛选当作首选策略
我的判断很直接：如果你手上的疾病有明确的患者来源细胞可用、且现有药物库里存在机制上说得通的候选方向，重定位筛选几乎总是应该排在新药研发之前尝试。它省下的不是几个月，而是几年的安全性验证周期。
但边界也很清楚。如果疾病机制完全未知、连表型终点都难以定义，硬上重定位筛选只会浪费宝贵的患者细胞样本,这种情况下，先做几个月的疾病建模和机制探索,反而比急着开筛更划算。
我见过最常见的误区,是把"库大"等同于"机会多"。库再大，如果化合物没有安全窗数据、没有工具化合物验证靶点，命中体照样经不起复筛。另一个误区是跳过跨模型验证,单一细胞系里的阳性信号，换个患者来源的细胞系可能完全消失。
往前看，iPSC 建模和机器学习驱动的表型分析正在加速融合,这会让罕见病重定位筛选的门槛在未来几年持续下降。
— John
与 Hopeatrarelabs 合作：从疾病建模到候选路线图
如果你正在为一名罕见病患者寻找可行的治疗方向，却缺少建立患者细胞模型或运行大规模药物筛选的实验室能力，这正是 Hopeatrarelabs 存在的意义:它把上文提到的 iPSC 建模、约 3,000 种 FDA 已批准药物的并行筛选、ASO 定制验证，整合成一套可以直接对接的项目服务，而不需要你自己组建一整条筛选流水线。
对于患者家庭、医生科学家或正在寻找合作方的生物医药团队，第一步通常是了解自己的具体病例是否适合走建模筛选路径。的服务专门用来在项目启动前评估某个基因突变的可成药性方向，帮助你判断该优先尝试药物重定位、ASO 还是基因治疗路线。如果你已经有患者细胞样本或诊断报告，可以直接访问 Hopeatrarelabs 官网 了解项目周期和所需材料，开始一次针对性的评估对话。
关键公开数据库与方法学参考
跟进原始数据和工具，比只读综述更能帮你判断某个方法是否适合自己的项目。
- Broad Institute Repurposing Hub：注释完整的重定位化合物集合，包含机制、靶点和临床阶段信息，支持在线检索与数据下载。
- REFRAMEdb：独立筛选的重定位化合物库门户，提供可下载的剂量反应曲线和原始筛选结果，适合机制回溯。
- PRISM Repurposing 数据集：条形码化多细胞系混合筛选平台，尤其适合肿瘤亚型药物敏感性研究，数据通常通过合作或公开发布渠道获取。
- Annual Review of Biomedical Data Science 的计算方法综述：系统梳理结构、表达、网络与临床数据方法的优缺点。
- Frontiers 关于超罕见病表型筛选的综述：提供罕见病场景下表型筛选与合作模式的实证分析。
来源
- Drug screening for human genetic diseases using iPSC models — PMC (2018)
- Broad Institute | Repurposing Data Portal
- Computational Approaches to Drug Repurposing — Annual Review of Biomedical Data Science
- Drug repurposing and phenotypic screening: innovative strategies for treating ultra-rare disorders — Frontiers (2024)
常见问题
药物重定位有哪些典型例子？
已获批治疗多发性硬化症的某些药物，后来在实验室筛选中被发现对特定罕见神经退行性疾病的细胞模型有保护作用，这类"意外发现"正是重定位筛选希望系统化捕捉的信号类型。抗寄生虫药物、抗炎药物和心血管药物都曾在不同疾病的重定位筛选中产生过阳性候选。
药物筛选技术主要分为哪几类？
主要分为表型筛选和靶点驱动筛选两大类,前者直接观察细胞整体表型变化，后者针对已知致病蛋白设计检测。此外还有基于蛋白结构的虚拟对接、基因表达签名比对、网络邻近性分析等计算方法，通常与湿实验筛选配合使用。
一个完整的药物重定位筛选流程包含哪些步骤？
典型流程包括：建立疾病相关的细胞模型（如患者来源 iPSC）、选择合适的化合物库、设计并执行主筛测定、对命中体进行剂量反应曲线验证、通过正交方法和跨模型复现排除假阳性，最后完成靶点鉴定并整理面向监管申报的数据包。Hopeatrarelabs 提供的项目周期基本遵循这一逻辑,从患者样本建模到候选路线图的完整衔接。
药物重定位到底是什么意思？
药物重定位是指为已获批或已进入临床阶段的药物寻找新适应症的过程,核心逻辑是利用现有药物已经验证过的人体安全性数据,跳过从头研发所需的早期毒理测试，从而缩短候选药物走向患者的时间。
药物重定位相比新药研发能节省多少时间？
行业分析显示，药物重定位从首次获批到新适应症获批的平均周期约为 7.2 年，明显短于传统新药研发常见的十年以上周期，这也是罕见病领域优先考虑重定位路径的主要原因之一。