胰腺癌联合用药AI筛选，496个训练数据撬动160万潜在药物组合

联合用药筛选的核心挑战之一，在于候选组合数量随化合物规模快速增长。一个化合物库中看似有限的候选药物，两两组合后就会形成庞大的实验空间。如果全部依赖逐一测试，实验成本和周期都会迅速上升。AI和机器学习可以基于已有实验结果，学习药物特征、作用机制和协同表现之间的关系，并对尚未测试的组合进行优先级排序，让研究者把实验资源集中在更有验证价值的候选上。对于需要反复生成数据、更新模型并回到实验验证的联合用药研究来说，AI的价值不仅在于提高筛选效率，也在于让大规模组合探索变得更可管理。

胰腺癌治疗常依赖多药方案，最优组合的确定仍存在挑战；一方面，胰腺导管腺癌对系统治疗具有显著耐受性，另一方面，候选药物两两组合的实验验证本身也非常耗时。NCATS、UNC与MIT团队发表在Nature Communications的研究，给出了一个围绕“实验数据—机器学习—实验验证”展开的AI案例。研究在PANC-1胰腺癌细胞中构建496个药物组合训练数据，再由三个团队独立建模，对1,591,724个未测试组合进行虚拟筛选，把模型推荐组合带回实验室验证，最终确定药物组合的协同作用。

图1. 计算与实验结合发现胰腺癌协同药物组合。研究从MIPE4库中筛选PANC-1细胞活性化合物，建立496个组合训练集，并由NCATS、UNC、MIT三组模型预测未测试组合后进行实验验证

抗肿瘤药物训练数据集生成

研究使用NCATS内部MIPE4化合物库。该库包含近2000个具有不同或重复作用机制的抗肿瘤化合物，包括已批准药物、I–III期临床研究药物和临床前分子。团队首先在PANC-1细胞中对1,785个化合物进行单药剂量反应筛选，并从中筛选出32个活性化合物。

随后，研究团队对这32个化合物进行all-vs.-all两两组合筛选，共形成32×31/2=496个组合。每个组合以10×10剂量矩阵测试，并进行重复实验。研究比较了gamma、beta和Excess HSA等协同指标的重复性，最终选择gamma作为机器学习训练使用的协同指标；在该研究中，gamma<0.95被定义为协同，gamma≥0.95被定义为非协同。

训练数据不只包含协同标签。研究还纳入了单个化合物的SMILES、IC50值和作用机制信息，作为不同类型机器学习模型的输入。

图2. PANC-1训练数据的活性分布与重复性。32个单药化合物的Log(IC50)约分布在−8.7至−5.5之间；496个组合重复实验的gamma值Pearson相关系数为0.83

三支团队独立建模：同一训练集，三套方法

三个独立团队基于同一批496个组合训练数据，分别采用不同机器学习策略进行建模，并各自提交Top 30预测组合。

NCATS采用随机森林、XGBoost和深度神经网络，并比较多类分子描述符。其表现最好的模型使用Avalon-2048指纹，并结合随机森林分类与回归，交叉验证AUC为0.78±0.09。UNC采用随机森林、梯度提升、深度神经网络和图卷积网络，并结合描述符、IC50和作用机制等信息进行模型构建与筛选。MIT采用基于ComboNet改造的图卷积网络，同时使用NCI-60单药数据和NCI ALMANAC组合数据等辅助数据；该模型在随机划分测试中平均AUC为0.840±0.036。

三个团队最终各自提交30个候选组合。由于仅有MIT与UNC的Top 30中两个组合重叠，最终共有88个独立组合进入实验验证。这种低重叠提示，不同建模策略在候选组合选择上可能具有互补性。

图3. NCATS随机森林模型示例。训练集由32个药物构成的496个组合组成，采用one-compound-out交叉验证；分类模型平均AUC为0.78±0.09

从496到1,591,724：

模型把未测试组合缩小到可验证候选

原始1,785个化合物可形成1,592,220个两两组合。去除训练集中已经测试的496个组合后，测试集包含1,591,724个未测试组合。三个团队分别对这批组合进行预测，并从中提名更可能产生协同作用的候选组合。

实验验证依然采用PANC-1细胞中的10×10剂量反应矩阵，并进行重复测量。按照gamma<0.95的协同判定标准，MIT图卷积模型正确预测25/30个组合，命中率83%；NCATS随机森林模型正确预测16/30个组合，命中率53%；UNC模型正确预测12/30个组合，命中率40%。

当研究进一步要求每个团队对全部88个候选组合给出预测标签时，MIT、UNC和NCATS的命中率分别为58%、57%和45%。在这组回顾性评估中，NCATS模型具有最高的平衡准确率和最高精确率，MIT模型具有最高AUC。

图4. 三个团队分别提名的未测试药物组合。每个团队提名30个组合，最终形成88个独立候选组合用于实验验证

表1. 三个模型及共识模型在88个候选组合上的预测表现。NCATS模型平衡准确率最高，MIT模型AUC最高

湿实验批量验证协同组合

研究最终在496个训练组合和88个候选组合中，分别观察到256个和51个gamma<0.95的协同组合，合计307个实验验证的协同组合。多数协同组合的gamma值接近0.95，但其中26个组合达到gamma<0.5，被定义为强协同组合。

从化合物出现频次看，Carfilzomib是307个协同组合中最常见的化合物。作用机制层面，proteasome inhibition最常见，其次包括PLK1 inhibition和HDAC inhibition。研究进一步指出，在强协同组合中，proteasome–HDAC inhibition是最频繁出现的机制组合。

为了判断这种机制组合是否可能由随机组合产生，研究者用64个来自307个协同组合的独特化合物生成307个随机组合，并重复1000次。随机模拟结果显示，proteasome–HDAC inhibition组合平均出现4.4次，标准差为1.9；而在真实的307个协同组合中，该机制组合出现9次，显著高于随机预期（P<0.01）。

图5. 307个实验验证协同组合的gamma分布。多数分数接近0.95，其中26个组合gamma<0.5

图6. 307个协同组合中的化合物和作用机制出现频次，以及26个强协同组合的作用机制网络分析

计算预测与实验验证的协同研究范式

这项研究建立了一个较为完整的联合用药筛选流程。研究团队先通过可重复的剂量矩阵实验获得训练数据，再利用机器学习模型对大规模未测试组合进行优先排序，随后将候选组合重新带回同一实验体系中验证。这种设计使模型预测能够接受前瞻性实验检验，也让计算筛选与湿实验之间形成了更清晰的对应关系。

从结果看，不同团队采用的建模方法、输入特征和候选提名策略并不完全相同，预测结果也呈现出一定互补性。这提示联合用药筛选的可靠性并不取决于单一算法表现，而是受到训练数据质量、模型构建方式、候选选择规则和实验验证设计共同影响。对于后续研究而言，稳定的数据生成能力和规范化的验证流程，仍然是推动模型结果转化为可解释、可复现的药物组合发现的基础。

自动化实验平台扮演重要角色

这项研究里，模型训练和预测结果验证用的是同一套实验逻辑：在PANC-1细胞中做10×10剂量矩阵筛选，并通过重复实验来保证数据稳定性。实验中大量化合物微量转移借助Beckman Coulter Echo声波移液系统完成。

这类实验对液体处理的要求很高。10×10矩阵意味着每一对药物都要形成完整的浓度组合，样本量大、体积小，对加样精度和重复性都比较敏感。Echo非接触式声波移液方式适用于纳升级化合物转移场景，可以减少接触式吸头带来的耗材消耗和交叉污染风险，也更适合在高密度孔板中做大规模组合筛选。

此外，稳定的数据生成流程对联合用药筛选非常重要。AI模型可以帮助缩小候选组合范围，但最终仍要回到实验体系中验证。对于这类需要反复构建训练集、验证候选组合并补充数据的工作，自动化平台的价值在于让化合物转移、板处理以及检测前后流程更稳定、更可重复。进一步结合ACCESS自动化整合系统，可将Echo转移、板位调度、孵育和检测等环节串联起来，形成更智能化、连续化的高通量药物筛选工作流。

参考文献：

[1]. Pourmousa M., Jain S., Barnaeva E., Jin W., Hochuli J., Itkin Z., Maxfield T., Melo-Filho C., Thieme A., Wilson K., et al. AI-driven discovery of synergistic drug combinations against pancreatic cancer. Nature Communications 16, 4020 (2025).