非小细胞肺癌（NSCLC）是肿瘤相关死亡的首要诱因，其主要原因在于其极易发生脑转移与骨转移。耐药性、肿瘤异质性，以及不同分期、不同转移部位缺少有效治疗方案，会大幅限制临床治疗效果。寻找在原发灶与转移灶中均稳定表达、可被药物作用的靶点，对推动精准肿瘤学发展至关重要。
来自美国内布拉斯加大学医学中心的研究者通过分析NSCLC肿瘤及其匹配的脑转移灶和骨转移灶的scRNA-seq表达谱，识别出保守性和部位特异性的基因表达特征。采用Ingenuity Pathway Analysis（IPA）对靶点进行优先级排序。
利用基于机器学习的定量构效关系（QSAR）建模，对scRNA-seq分析中识别出的潜在靶点进行配体筛选。在大规模虚拟筛选后，采用Schrödinger进行了分子对接和分子动力学模拟进行先导化合物优化。
图注：研究摘要图
一、IPA靶点识别
为得到最终候选药物靶点清单，研究者采用了一套两步IPA分析流程。
第一步，把保守且高表达基因集输入IPA的Biomarker Filter，设置以下筛选条件：仅在人体中特异性表达、存在肿瘤细胞系表达证据、与肿瘤发病机制相关，同时剔除已被确立为临床诊断或预后生物标志物的基因。
第二步，将上述筛选得到的基因导入IPA的BioProfiler，以便汇总其功能注释与疾病相关注释，并依据四项指标对候选靶点进行优先级排序：(1)经人工整理注释的肿瘤或致癌相关研究证据；(2)参与肿瘤相关信号通路；(3)有利于成药的亚细胞定位（如细胞膜蛋白、分泌型蛋白）；(4)存在治疗先例（即已有靶向药物或调控分子见诸报道）。
最后筛选出了8个候选治疗靶点，其中ARPC2、PSMB4和RAC2在原发灶、脑转移灶和骨转移灶中均呈现一致性过表达，且在关键的癌症相关通路中发挥着功能作用。
点击了解如何将知识库用于药靶识别和验证。
点击了解BioProfiler应用案例。
二、Schrödinger分子对接和分子动力学模拟
首先，采用Schrödinger Maestro完成蛋白可视化及结构预处理，构建对接网格前先去除体系内的非蛋白原子。经机器学习虚拟筛选后，为每个靶点筛选出排名前100的化合物，随后采用Glide开展基于结构的分子对接，先以标准精度（SP）模式完成初筛，再对排名靠前的配体进行细化对接计算。
以输出的Glide打分值评价配体结合亲和力，并解析最优结合构象中的相互作用，包括氢键、π-π堆积及疏水相互作用。这套方法可筛选得到各靶点的高亲和力配体，为后续分子动力学模拟筛选候选分子。
为验证蛋白-配体复合物结合作用的稳定性，并评估近生理条件下体系的动态行为，采用Schrödinger Desmond对靶点ARPC2、PSMB4、RAC2排名前三的配体-蛋白复合物开展分子动力学模拟，并对模拟轨迹开展后处理分析，计算均方根偏差（RMSD）、均方根波动（RMSF）及氢键相互作用。
图注：结合于ARPC2、PSMB4及RAC2的高排名配体2D相互作用图
图注：ARPC2-配体复合物100 ns分子动力学模拟RMSD分析
图注：100 ns 分子动力学模拟过程中ARPC2与筛选配体的蛋白-配体作用占比分析
综上所述，这项研究鉴定出三个可靠的、具备可成药性的靶点，它们在全部肿瘤细胞亚群中均持续高表达，且在多条肿瘤相关通路中发挥关键调控作用。后续基于结构的分子对接与分子动力学模拟结果进一步证实，一批先导化合物具备优异的结合亲和力，且蛋白-配体复合物体系的稳定性突出。
这套研发体系能够大幅加快肿瘤特异性、转移相关候选治疗分子的挖掘，IPA可在异质性肿瘤微环境下优化靶点优先级排序，Schrödinger能简化先导化合物筛选流程，为候选药物分子后续体内外实验验证夯实基础。本套思路同样可拓展应用于其他肿瘤的新药研发工作。
欢迎联系我们获取IPA软件试算，以及Schrödinger软件试算！
推荐阅读
上篇|想提升分子对接的计算精度与结果的生物学相关性？快收下这10条锦囊妙计
下篇|想提升分子对接的计算精度与结果的生物学相关性？快收下这10条锦囊妙计
上篇 | FEP指导下的c-MET抑制剂发现（迭代式母核枚举与结构修饰）
下篇 | FEP指导下的c-MET抑制剂发现（理化性质优化、结合模式解析）
参考资料
Nagarajan, Nagasundaram et al. “Machine learning-driven QSAR modeling combined with single cell transcriptomics identifies novel drug targets for lung cancer.” Journal of translational medicine, 10.1186/s12967-026-08463-w. 19 Jun. 2026, doi:10.1186/s12967-026-08463-w
