Как перепрофилируют лекарства против фиброза печени

Почему фиброз печени — тяжёлая мишень для новых препаратов

Фиброз печени — это накопление рубцовой ткани в ответ на хроническое повреждение: вирусные гепатиты, алкоголь, метаболическую жировую болезнь печени. Проблема в том, что специфического одобренного препарата, который бы напрямую останавливал или разворачивал рубцевание, в широкой практике нет. Врачи убирают причину (лечат гепатит, снижают вес, отменяют алкоголь) и надеются, что печень восстановится сама. При запущенном фиброзе это работает плохо.

Разработать новую молекулу с нуля — это годы доклиники, три фазы испытаний и счёт на сотни миллионов долларов. Средний путь оригинального препарата до аптеки — больше десяти лет. Для болезни, где мишень (активированные звёздчатые клетки печени, отвечающие за выработку коллагена) капризна и плохо переносит эксперименты на человеке, эта дистанция часто оказывается тупиком.

Отсюда интерес к drug repurposing — поиску нового применения уже одобренным лекарствам. Если препарат прошёл проверку безопасности для другой болезни, его профиль побочек, дозировки и фармакокинетика уже известны. Это срезает часть пути и снижает риск.

Drug repurposing^*

^* Перепрофилирование лекарств — стратегия, при которой одобренный или отклонённый по прямому показанию препарат проверяют против другого заболевания. Классический пример вне печени — силденафил, который разрабатывали как средство от стенокардии.

Где искать кандидатов: данные вместо интуиции

Раньше повторное применение находили случайно: заметили побочный эффект — проверили гипотезу. Сейчас процесс перевели на данные. Основная идея — сопоставить сигнатуру болезни (какие гены при фиброзе включаются и выключаются) с сигнатурой препарата (как молекула меняет экспрессию генов в клетках). Если препарат разворачивает болезненный паттерн в обратную сторону, он кандидат.

Материал для такого сопоставления дают несколько типов открытых ресурсов.

• Транскриптомные базы — данные о том, какие гены активны в больной и здоровой ткани печени (например, наборы в GEO, коллекция NIH).
• Библиотеки лекарственных сигнатур — как известные молекулы меняют экспрессию генов в клеточных линиях. Крупнейшая — LINCS/CMap с профилями тысяч соединений.
• Базы взаимодействий — DrugBank, ChEMBL: что с чем связывается, какие мишени у препарата.

Дальше подключают модели. Задача формулируется как ранжирование: из тысяч одобренных молекул выдать список тех, что с наибольшей вероятностью бьют по нужным путям фиброгенеза — TGF-β, сигнальным каскадам звёздчатых клеток, воспалительным медиаторам.

Перепрофилирование не отменяет клинические испытания. Оно меняет точку старта: вместо «эта молекула вообще безопасна?» вопрос звучит как «работает ли известный безопасный препарат против этой болезни в этой дозе?».

Как выглядит пайплайн на практике

Упрощённо конвейер выглядит так. Ни один шаг не даёт лекарство сам по себе — это воронка отсева.

1. Собрать сигнатуру фиброза: гены, дифференциально экспрессированные в фиброзной ткани против здоровой.
2. Прогнать сопоставление с библиотекой лекарственных профилей, отобрать соединения с «обратным» эффектом.
3. Отфильтровать кандидатов по мишеням и известной токсичности для печени — препарат с гепатотоксичностью в анамнезе отсеивается сразу.
4. Проверить лидеров in vitro на культурах звёздчатых клеток: снижают ли они выработку коллагена и маркеры активации.
5. Перейти к моделям на животных, затем — к клиническим испытаниям, уже как перепрофилированный препарат.

Для технической части шаг сопоставления можно набросать поверх открытых данных. Ниже — скелет на Python с типичными библиотеками биоинформатики; это иллюстрация подхода, а не готовый рабочий скрипт под конкретный датасет.

import pandas as pd
from scipy.stats import zscore

# disease_sig: DataFrame с колонками gene, logFC (фиброз vs норма)
# drug_profiles: матрица genes x drugs (изменение экспрессии)

def connectivity_score(disease_sig, drug_profiles):
    up = set(disease_sig[disease_sig.logFC > 1].gene)
    down = set(disease_sig[disease_sig.logFC < -1].gene)

    scores = {}
    for drug in drug_profiles.columns:
        prof = drug_profiles[drug].dropna()
        ranked = prof.rank(ascending=False)
        n = len(ranked)
        # чем сильнее препарат "разворачивает" болезнь,
        # тем более отрицательный балл
        up_pos = ranked[ranked.index.isin(up)].mean() / n
        down_pos = ranked[ranked.index.isin(down)].mean() / n
        scores[drug] = down_pos - up_pos

    return pd.Series(scores).sort_values()

# наиболее отрицательные баллы -> кандидаты на перепрофилирование
candidates = connectivity_score(disease_sig, drug_profiles).head(20)
print(candidates)

Логика проста: если препарат поднимает то, что при болезни падает, и глушит то, что при болезни растёт, он получает отрицательный балл и всплывает наверх списка. Реальные пайплайны сложнее — учитывают дозозависимость, ткане-специфичность и то, что клеточная линия в пробирке ведёт себя не как печень человека.

Где подход спотыкается

Красивый список кандидатов из модели — это гипотезы, а не результаты. Основные подводные камни стоит держать в голове, если читаете громкие пресс-релизы про «ИИ нашёл лекарство от фиброза».

Отдельная сложность — воспроизводимость. Модель, обученная на одном наборе публичных данных, часто даёт другой список на другом наборе. Поэтому серьёзные работы валидируют кандидатов на независимых когортах и обязательно доводят до экспериментов на клетках и животных.

Что это значит для инженера или исследователя

Практический вывод: перепрофилирование — это в первую очередь задача работы с данными и валидации, а не магия нейросети. Ценность здесь создаёт не сама модель, а чистота сигнатур, честный отсев по токсичности и мостик к мокрой лаборатории. Если вы строите такой пайплайн, закладывайте бюджет не на обучение модели, а на кураторство данных и на проверку гипотез в пробирке.

Готового перепрофилированного препарата, официально одобренного специально против фиброза печени, на момент подготовки материала нет. Есть кандидаты на разных стадиях испытаний. Конкретные названия и стадии стоит сверять по регистрам клинических исследований, а не по заголовкам новостей.