Nature Computational Science | 基于計算的藥物再利用策略如何應對未來疫情大流行？

先睹為快

最近的研究，越來越多地使用計算方法，來系統性地預測新的藥物靶點或藥物再利用候選藥物。與實驗性的高通量篩選相比，計算機模擬的方法更快，成本更低，并且可以作為評估數千種化合物的初始過濾步驟。因此，它們對于確定需要進一步評估和實驗驗證的藥物的優先級是有用的。這需要應用適當的算法方法，來確定與疾病相關或特定的機制。

本文所涵蓋的研究，采用了標準的藥物再利用工作流程和數據驅動算法。本文，將重點討論用于藥物再利用的計算方法，它們在一系列研究(同行評議和預印本)中的應用、可用性和可行性，這些研究涵蓋了各種不同的方法。值得注意的是，大多數的研究在臨床上并不被認為是成功的。然而，重要的是，要適當地評價和提高利用現有藥物，以及宿主和病毒生物學信息的計算機模擬方法的預測能力，即便當前新出現病原體的數據十分有限。這有助于對感染作出迅速和實際的反應，從而在今后的大流行中取得更大的成功，特別是在大流行的早期階段，或在疫苗開發之前應對感染病例的上升。

數據資源

數據共享加速了研究，因為計算方法依賴于高質量的數據集，而實驗室并不需要自己收集信息。用于COVID-19藥物再利用研究的大量資源表明，通過社區的大力努力，可以迅速生成和收集數據。本節介紹了在回顧的研究中，使用的數據資源的選擇，以描述加速計算藥物再利用方法的資源類型：其中大多數是在大流行之前就已建立的一般數據資源，但已被COVID-19或SARS-CoV-2特異性數據所擴展。

1.1 分子數據資源

評審出版物中使用的所有分子數據，均取自已建立的一般數據資源，并迅速擴展為SARS-CoV-2特異性數據。GenBank、GISAID倡議或UniProt等資源，提供了宿主和SARS-CoV-2的基因組/蛋白質組學信息。收集蛋白質信息的結構資源，如蛋白質數據庫(Protein Data Bank, PDB)，被擴展為不同的SARS-CoV-2特異性蛋白。最后，收集基因表達數據的轉錄組資源，被用于幾種COVID-19藥物再利用方法。例如，基因型-組織表達(GTEx)程序，提供了對組織特異性基因表達的理解。肺組織表達是COVID-19藥物再利用研究的重點，并且經常被整合到計算模型或研究中。其他資源，如LINCS L1000數據庫，描述特定藥物治療條件下的基因表達變化，并用于識別與SARS-CoV-2感染樣本反向表達譜的藥物。

?

1.2 網絡與相互作用資源

蛋白質-蛋白質相互作用(PPI)網絡，使宿主蛋白或病毒蛋白與其他宿主蛋白相互作用的可視化和分析成為可能。此外，PPI網絡允許特定的適應和搜索策略(例如，邊緣過濾)，并可以連接到藥物資源。Gordon等人，鑒定了332種高度可信的SARS-CoV-2與人類蛋白之間的病毒宿主相互作用。這是該綜述中，唯一一個新創建的、專門與SARS-CoV-2相關的資源。VirHostNet，其是2019/2020年SARS爆發前已經存在的病毒宿主PPI資源，它也擴展了167個新的SARS-CoV-2相互作用。除了分子網絡，知識圖譜，如全球生物醫學關系網絡(GNBR)，已經證明了它們在藥物再利用方面的效用。這些網絡包括從文獻中收集的各種類型的生物關系，并被整合到COVID-19藥物再利用方法中。

1.3 藥物和試驗資源

在大流行之前就已經存在的藥物數據庫，并隨著新開發藥物的不斷擴大，用于將不同方法的結果與潛在藥物聯系起來。一個廣泛使用的藥物數據庫是DrugBank，它擁有超過13000個已批準和正在試驗的藥物，包括藥物靶點。另一方面，ChEMBL和ZINC15含有數以百萬計的具有藥物性質的化合物。藥物再利用方法也得益于試驗數據庫，因為它們可以用來驗證，預測的藥物是否已經在試驗中或尚未被評估。這些資源的范例，有歐盟臨床試驗注冊(https://www.clinicaltrialsregister.eu/)和ClinicalTrials.gov (https://clinicaltrials.gov/)。后者包含來自219個國家的超過35萬份研究報告。

藥物再利用研究

過去的時間內，全世界的人類迅速調動了各種臨床、實驗和計算藥物再利用工作，優先確定化合物，以確定有希望用于SARS-CoV-2大流行的候選藥物。在本節中，研究者考察了一些代表不同計算方法的研究，以確定COVID-19的潛在新靶點和可重復使用的藥物。

2.1 病毒靶向方法

病毒靶向方法大多依賴于基于結構的藥物篩選方法，其利用目標蛋白的三維結構，來預測已知化合物與蛋白質的親和力或相互作用能(圖1)。這些方法主要用于識別靶向病毒蛋白的候選藥物，所以稱它們為病毒靶向方法。該方法采用了兩種主要的方法工作流程，即基于結構和基于深度學習(DL)的藥物篩選。在這里，研究者描述了這些方法，并比較了23項COVID-19藥物再利用研究。

圖1.?病毒靶向計算藥物再利用方法的工作流程

圖片來源于Nature?Computational Science

2.1.1 基于結構的藥物篩選

基于結構篩選的第一步是藥物庫和目標蛋白的選擇。對于COVID-19，靶向病毒蛋白的直觀候選藥物是抗病毒藥物。因此，許多研究將他們的研究局限在這些方面。篩選到的抗病毒藥物，從3種到123種不等。更廣泛的研究，如Chen等人的研究，結合來自KEGG(京都基因和基因組百科全書)和DrugBank數據庫的化合物篩選了7173種藥物。另一個關鍵步驟是選擇目標蛋白及其相應的三維結構(實驗或預測)。Wu等人對病毒的19個編碼蛋白進行了篩選。相比之下，其他大多數研究集中在3CLpro、包膜(E)、spike、RNA聚合酶和甲基轉移酶蛋白。利用已開發的軟件，如Autodock和Glide，對藥物庫進行虛擬篩選。采用相應的評分方法篩選候選藥物，然后用分子動力學模擬進行驗證。大多數藥物預測用于3CLpro，這也是大多數研究的重點(17項研究)，其次是RdRp和PLPro。對于3CLpro，每個研究的預測范圍在2到27種藥物之間。最常預測的5種藥物是利托那韋(8項研究)、洛匹那韋(6項研究)、奈非那韋、瑞德西韋和沙奎那韋(各5項研究)。然而，有99種候選藥物僅在一項研究中得到了預測，顯示了結果候選集的高可變性。有趣的是，對整個數據庫進行篩選的研究后，所預測的抗病毒藥物，也是得分最高的藥物。

?

2.1.2 基于DL(深度學習)再利用策略

DL模型可以預測結合親和力或對接分數，并顯示出了傳統對接協議的優勢。雖然標準的對接協議僅限于數百萬種，但DL方法可以分析數十億種化合物。這使得它們可以應用于整個數據庫，從而增加了被測試化合物的多樣性和發現非常規化合物的可能性。此外，它們能夠處理更多(物理)化學特征，并能找到與不利對接相關的特征。然而，這些方法大多需要訓練數據集，這些數據集通常來自真實的對接模擬；因此，許多基于DL的方法的性能仍然依賴于用于訓練的對接軟件的準確性。Ton等人，開發了DeepDocking，利用經過訓練的定量結構活性關系模型，來預測靶向SARS-CoV-2 3CLpro蛋白的化合物的對接分數。它需要更少的對接管道，因為它只對化合物的子集進行對接，并且可以產生更少的化合物，這也豐富了潛在的頂級碰撞。Nguyen等人，開發了MathDL方法，該方法利用藥物靶標蛋白復合物結構的低維數學表示，然后將其輸入DL算法來預測藥物蛋白復合物的結合能。對于SARS-CoV-2，研究者使用來自PDBbind和SARS-CoV蛋白酶抑制劑的SARS-CoV配體3CLpro復合物的實驗結合親和力數據作為訓練數據，預測了SARS-CoV-2 3CLpro的藥物庫化合物的結合能量，且不依賴于對接軟件。Beck等人，開發了一種基于DL的藥物-靶標相互作用預測模型，命名為分子-藥物靶標相互作用。它利用簡化的分子-輸入線-輸入系統(SMILES)表示的藥物和蛋白質序列作為輸入訓練和預測親和力。對于SARS-CoV-2，該模型接受了商用抗病毒藥物和病毒靶蛋白的訓練。目前，已經用于對抗SARS-CoV-2的抗病毒藥物，發現其在鑒定的候選藥物中。

?

2.2 宿主靶向方法

宿主靶向方法，涉及到識別可能干擾導致病毒發病機制的宿主機制的藥物，這也使它們不太容易產生耐藥性。此外，SARS-CoV-2感染可觸發過度反應性免疫反應，其特征是過度釋放促炎細胞因子和趨化因子。因此，調節宿主免疫應答的藥物，可針對特定的失調通路，使COVID-19重癥患者受益。

?

2.2.1 基于特征方法

基于特征的方法，主要利用SARS-CoV-2或密切相關的人類冠狀病毒感染樣本的轉錄組數據集，通過連接映射來識別候選藥物(圖2)，這是一種成熟的方法，它依賴于尋找藥物誘導的表達特征，顯示出與疾病特征相反的特征。幾項研究將此作為識別COVID-19新療法的主要方法。Loganathan等人，對病毒感染的細胞進行了差異表達分析，并在感染條件下提取了一致的失調基因。它們可用來查詢連接圖數據庫的藥物擾動概況，顯示抗相關的表達特征。Jia等人，實施了一種改進的方法，其中來自感染和健康個體的表達數據，用作途徑引導的藥物再利用框架的輸入。在反向特征匹配之前，它們鑒定了疾病共表達簇并進行了富集分析。

圖2.?宿主靶向計算藥物再利用方法的工作流程

圖片來源于Nature?Computational Science

?

2.2.2 基于網絡的方法

用于COVID-19藥物再利用研究的基于網絡通用方法，整合了多個數據源，包括病毒-宿主相互作用、PPIs、共表達網絡、功能關聯或藥物靶標相互作用(圖2)?；诰W絡的算法或拓撲測量被應用到組裝的網絡中，以識別相關的宿主蛋白質目標或宿主相互作用組的區域。多項研究，以基于隨機游動的算法作為識別新的推定藥物靶點的主要方法。Law等人，在病毒-宿主相互作用組上實現了幾種算法，以識別其他SARS-CoV-2相互作用體。冠狀病毒刺突蛋白的主要功能是介導病毒進入宿主細胞。類似地，但側重于特定背景，Messina等人利用三種密切相關的冠狀病毒的數據，探索了spike蛋白觸發的致病機制。他們以刺突蛋白為種子，在組裝的分子網絡上實現了隨機行走算法，以識別COVID-19的相關目標。此外，CoVex實現了TrustRank (PageRank算法的一種變體)，將用戶自定義的種子分數傳播到其他宿主蛋白質，并對宿主藥物靶標進行排序。網絡鄰近性依賴于這樣一種原理：如果一種藥物的目標是相互作用組中疾病相關蛋白附近的蛋白質，那么它就可以有效。Zhou等人，利用這一概念計算了藥物靶點和人類相互作用組中冠狀病毒相關蛋白之間的網絡鄰近性。他們還使用了“互補接觸”模式(根據網絡鄰近度預測的兩種藥物靶點之間的最短距離)，以確定治療COVID-19患者的潛在藥物組合。一些研究結合了多種基于網絡的策略來預測候選藥物。Gysi等人，利用實驗確定的SARS-CoV-2相互作用物，表征并提取COVID-19疾病模塊。他們進行了基于網絡的分析，分析了組織特異性和潛在的疾病并發癥。他們對病毒-宿主相互作用組采用了一種多模態方法，將網絡鄰近性、擴散狀態距離和圖形卷積網絡(GCNs)結合起來，以識別可干擾與COVID-19疾病模塊相關的宿主蛋白活性的藥物。對不同的藥物管道進行排序聚合，得到了最終的藥物清單。CoVex，是一個研究SARS-CoV和SARS-CoV-2病毒宿主藥物相互作用組的網絡平臺。用戶可以預測藥物目標和候選藥物使用多種圖表分析方法，允許定制種子蛋白作為輸入。例如，KeyPathwayMiner是一個網絡充實工具，它通過從宿主交互組(從種子開始)提取最大連接的子網來識別特定條件的子網。CoVex還實現了一種加權多斯坦納樹方法，它將幾個非唯一的斯坦納樹近似聚合成一個單一的子網絡，這些子網絡是連接種子集的最小代價子網絡。其他研究還利用機器學習預測抗SARS-CoV-2的候選藥物。Belyaeva等人，在特征匹配和基于網絡的方法之間實現了一種混合方法。通過使用自編碼器，他們學習了藥物的特征嵌入，使用藥物誘導的表達譜識別出與SARS-CoV-2感染特征相反的藥物。采用斯坦納樹和因果網絡發現算法，可提取SARS-CoV-2和衰老介導的機制。Ge等人采用GCN算法，構建了病毒相關知識圖。候選藥物的列表，通過文本挖掘進一步過濾現有的抗病毒活性證據。同樣，Zeng等人從PubMed文章中收集了一個大規模的知識圖譜。然后，應用GCN模型學習了節點和邊緣的低維嵌入。

?

經驗教訓

接下來，研究者將對所審查的數據資源和計算方法的質量和潛力進行研究，以改進未來大流行的應對措施。

3.1 數據資源

分子數據集的可用性是快速開發藥物再利用方法的前提。除此之外，基于網絡資源是藥物再利用的一個巨大推動力。然而，大部分出版物僅基于少數主要資源，這往往會導致偏差或測量誤差的風險。此外，唯一使用的分子相互作用網絡類型是PPI。然而，由于沒有一種方法包括結構數據，因此需要高可信度的PPIs。未來，還應考慮其他網絡類型，如基因調控網絡。其他數據資源，如藥物的超說明書數據，也應該整合到藥物再利用研究中。最后，現有的藥物和試驗資源，可廣泛用于藥物再利用管道的開發。然而，研究者發現試驗資源沒有標準化，這使得由于不同的名稱、不同的拼寫或打字錯誤而難以分析某些藥物的試驗。藥品資源(如藥品庫)通常都是標準化的，但有些正在試驗的藥品在數據庫中找不到。保持資源的更新和相互關聯應該是一個重點，以此提高可訪問性。

?

3.2 計算預測

評估預測的質量是具有挑戰性的，因為許多研究沒有同行評審，不進行實驗評估，或依賴臨床試驗數據庫。研究者通過從臨床試驗網站ClinicalTrials.gov (https://clinicaltrials.gov/)和Biorender (https://biorender.com/covid-vaccine-tracker)數據庫中，確定最終候選藥物列表和正在進行臨床試驗的藥物之間的重疊來檢驗預測的質量。此外，研究者還提供了補充的體外篩選數據，如病毒靶點的IC50值和SARS-CoV-2細胞培養研究中的抑制指標。匯編這些數據的努力表明，大量的預測還沒有經過試驗檢驗。

?

評估病毒-靶向方法

研究者確定了53種通過對接模擬預測且目前正在進行試驗的藥物。Wu等鑒定了大部分藥物(36種)；然而，這些藥物被預測用于多種病毒蛋白(例如，洗必泰用于11種病毒蛋白，甲氨蝶呤用于6種不同的病毒蛋白)。這表明他們的方法，沒有產生特定的和可行的候選方案。排除本研究后，除氯喹(3CLpro和PLpro)和瑞德西韋(3CLpro和RdRp)外，其余藥物均僅預測一種特定蛋白。通過使用3CLpro主蛋白酶的對接模擬預測，臨床試驗中排名前五的藥物，在納入的對接研究總數中，預測達魯那韋(darunavir)、瑞德西韋(remdesivir)和洛匹那韋、奈非那韋、利托那韋分別為14.3%、19.0%和23.8%，表明對于每種藥物，大多數研究都不能預測它們。Beck等人，采用DL方法鑒定了類似的藥物，這些藥物正在進行多項臨床試驗，包括利托那韋、洛匹那韋和瑞德西韋。然而，這些抗病毒藥物還沒有在病人身上顯示明確的結果。對于利托那韋/洛匹那韋，只有4個試驗完成，初步結果表明治療后的結果沒有差異。因此，需要進一步調查。瑞德西韋的一些試驗已經完成，在患者和人類細胞系中的初步結果表明，它可以有效治療SARS-CoV-2感染?？共《舅幬?，一直是數據庫中檢索最多的藥物，表明該方法的準確性較高。這些藥物是實驗篩選或臨床試驗的良好候選藥物，與計算預測的可靠性無關。更有趣的候選藥物，是這些方法確定的額外的藥物；然而，這些藥物很少得到實驗驗證，而且大多數都沒有進入臨床試驗。在DL方法的新興領域也觀察到了類似的情況，其中大多數研究集中于證明其預測的準確性和開發基準數據集?；贒L和對接模擬的方法是很有前途的工具，以確定可重復使用的藥物，因為它們能夠在短時間內提供結果。雖然已經建立了對接模擬的標準工作流，基于DL的方法可能健壯地交付可測試的候選藥物。然而，對接研究很少經過同行評審，并發現了非常不同的候選集，同時使用不同的分數進行評估和排名。因此，有必要通過系統的實驗比較來驗證這些結果。

?

評估宿主-靶向方法

宿主-靶向方法，通常涉及多種組學類型的整合和分析，并采用基于數據驅動的網絡方法；因此，一個主要的限制是缺乏金標準的數據集，以及來自MERS-CoV(中東呼吸綜合征冠狀病毒)和SARS-CoV暴發的數據稀缺。在獲得足夠的SARS-CoV-2特異性數據之前，早期研究使用了初步數據或使用密切相關病毒的數據增強了分析。盡管預測的質量高度依賴于數據，但持續生成SARS-CoV-2特異性組學數據和等待臨床研究結果有望改善預測。臨床專家知識，對于根據毒性和藥理特性等標準篩選藥物預測，仍然至關重要。然而，由于可用數據有限，這些候選藥物在試驗中的有效性仍有待確定，并不能得出明確的結論。臨床試驗中藥物的重疊程度一般較低，但主要基于知識圖的集成方法預測的41種藥物中有26種以上也正在進行臨床試驗。值得注意的是，在撰寫本文時，注冊臨床試驗的藥物也被用作驗證集，更多的預測藥物隨后被注冊臨床試驗。研究注意到一些藥物，可以通過基于特征和基于網絡的方法預測，因此需要進一步的檢查。六項研究中有四項預測了利巴韋林，從而為其預測療效提供了機制基礎。三項研究也預測了用于治療類風濕關節炎的甲氨蝶呤。值得注意的是，進入臨床試驗后期的藥物，不是根據計算機模擬來選擇的，而是根據以往SARS或中東呼吸綜合征暴發的臨床經驗來重新用途，并根據減輕疾病癥狀的已知效果來選擇的。此外，在回顧的大多數研究中，這些預測并沒有得到實驗驗證。在藥物再利用和臨床應用的計算工作之間的轉換差距，是藥物再利用和一般藥物中被廣泛承認的主要瓶頸。系統驗證工作的結果，對于確定特別適合COVID-19背景下藥物再利用的算法和數據集也很重要。鑒于在大流行中確定有效療法的緊迫性，臨床醫生、實驗生物學家和計算生物學家之間的密切合作有望解決這一差距。

?

5.1 一種統一的藥物再利用策略

盡管計算預測的藥物再利用和臨床試驗之間存在重疊，但沒有跡象表明臨床試驗是基于計算預測進行的，盡管它們有很好的潛力。對于未來的大流行，計算工具應該能夠提供有希望的候選病毒集，然后在試驗或篩選中進行驗證。因此，一個統一的策略是十分必要的。

?

5.1.1 標準化數據的可用性

新開發的方法通常依賴于相同的數據類型(圖3a)。在未來的疾病爆發中，快速生成不同類型的數據是關鍵的初始步驟。值得注意的例子，是Gordon等人的交互數據和3CLpro結構的發表，它們都被隨后的許多研究所使用。然而，從不同實驗室獲得的數據集的實驗復制和不同數據類型的集對于提高魯棒性至關重要，仍需要改進。?

圖3.?提出統一藥物再利用策略的要素

圖片來源于Nature?Computational Science

?

5.1.2 工具可訪問性

盡管有各種各樣的計算工具和軟件，但迄今為止對臨床研究人員在COVID-19大流行期間的實際應用有限(圖3b)。對于病毒靶向治療，對接管道保持穩定，并開發了大量軟件；然而，它們對應的輸出顯示出很大的可變性，這取決于所使用的算法，降低了可比性(標準化問題)。對于宿主靶向治療，計算機模擬方法更具有方法論上的多樣性，并開發了幾種針對特定生物背景的策略。然而，在COVID-19大流行的背景下，計算工具和軟件的普遍可用性非常有限。工具可訪問性，允許研究人員使用開發的算法運行自定義分析(例如，對新獲得的數據)。這將幫助非計算科學家使用這些工具，并繼續驗證例程，避免許多未驗證的預印手稿，從而加速研究。

?

5.1.3 預測的整合

不同方法的結果并沒有完全整合。在基于結構的再利用方法中，可以通過不同的對接工具或同源建模方法獲得候選藥物，從而得到一個再利用藥物的集合(圖3b)。對于宿主靶向治療，一項研究使用類聚來整合不同算法的結果。另一項研究將模型的輸出與基因集富集和專家知識的結果相結合，得出了最終的預測。值得注意的是，臨床試驗中的藥物被用于開發方法，這兩項研究預測與臨床試驗中測試的藥物重疊比例最高。后者顯示了集成方法的潛力，眾所周知，它可以輸出更穩健的結果。多種方法的整合可以顯著增加對候選藥物的再利用的信心，并指導臨床研究人員通過藥物選擇過程。這需要一個精簡的解決方案，考慮到工具的可訪問性和標準化，就像存儲支持meta分析的候選藥物預測的標準化數據庫一樣。

?

5.1.4 組合治療發展

計算識別協同藥物組合是一個尚未開發的領域，它可以提供高度有價值的信息，以增加臨床決策，因為它們已被證明比發現單一療法更有效(圖3 c)。到目前為止，病毒和宿主蛋白的靶向已經獨立完成。在考慮副作用的同時，還缺乏尋找互補藥物組的方法。結合病毒和宿主靶向藥物是一種很有前途的策略，通過與病毒復制抑制劑結合，阻斷SARS-CoV-2進入細胞所需的病毒和宿主分子機制，并破壞參與疾病進展的宿主通路。預測的組合治療，可以大大減少后續體外驗證的搜索空間?，F有的篩選數據庫，如美國國立衛生研究院開放數據門戶或ReFRAME圖書館已經很少被使用，但是它們的潛力還沒有被耗盡。通過在計算機模擬中擴展它們，可將計算機模擬和體外研究聯系起來，并幫助確定有前途的組合治療。此外，篩選結果有助于驗證計算預測。特別是在對接仿真中，模型預測和參數可以很容易地以標準化的格式發布，供實驗研究人員評估。對于宿主靶向治療，Zhou等人的研究是組合療法的一個例子。此外，一些聯合療法的試驗已經注冊，包括來自這兩個類別的候選藥物；其中，有10種藥物被納入了回顧研究的預測。然而，這些藥物要么在招募階段，要么報告的結果有限；因此，關于其有效性的數據尚無定論。

?

5.1.5 專家知識

由于對COVID-19復雜的生物學機制了解有限，需要專家知識或在工作流程的某些階段(蛋白或途徑選擇或藥物預測過濾)進行人工治療(圖3d)。專家審查的主要目的是發現不一致或矛盾的結果，同時仍然允許識別新的預測，這對篩選候選藥物名單可能的副作用是至關重要的。為了說明這一點，抗瘧藥(羥基)氯喹引起了人們對其潛在毒性的關注。通過對接研究發現，洗必泰可作為靶向SARS-CoV-2蛋白的潛在藥物；然而，洗必泰是一種廣泛使用的消毒劑，其作用機制并不特異性于SARS-CoV-2，僅被批準用于外用或牙科。因此，利用專家知識仔細評估潛在的可重復使用藥物，將有助于將有限的實驗和計算資源分配給具有更大廣泛應用潛力的安全有效藥物。因此，計算和臨床研究人員之間的密切合作是至關重要的，因為計算方法仍然局限于副作用數據和藥物作用靶標的注釋。

?

5.1.6 驗證策略

藥物再利用研究，通常通過構建它們自己的“地面事實”，來驗證計算模型；這些數據包括預測化合物的體外篩選、使用動物模型的體內實驗、正在進行的臨床試驗、電子健康記錄、文獻挖掘或專家知識(圖3 e)。因此，這些標準的來源有相當大的異質性，目前正在努力解決這個問題。例如，美國國立衛生研究院開放數據門戶等，新發布的數據庫收集并持續更新SARS-CoV-2數千種化合物的體外篩選數據和其他SARS-CoV-2相關分析數據。在此，研究者鼓勵未來的研究中，在計算機模擬中，可充分利用這些資源進一步驗證或過濾。然而，除了一項研究外，還沒有對COVID-19的藥物再利用工作進行直接的后續試驗驗證。然而，大量的候選藥物在試驗上仍然無效；因此，候選藥物的系統驗證，將需要提供方法準確性的景觀。由于這在實踐中是不可行的，因此將預測與專家知識相結合就顯得尤為重要。

?

展望與結論

綜上，在這項工作中提出的戰略，有望彌補以往研究的不足，并旨在為計算藥物的重新用途提供指導，以加速研究，促進標準化，并在未來的大流行情況下，做出更快更準確的反應。

?

參考文獻

Galindez, G., Matschinske, J., Rose, T.D.?et al.?Lessons from the COVID-19 pandemic for advancing computational drug repurposing strategies.?Nat. Comput. Sci.?2021, 1,?33–41. DOI: 10.1038/s43588-020-00007-6