血脑屏障透过率预测检测

发布时间：2026-04-16 阅读量：14 作者：生物检测中心

血脑屏障透过率预测检测：开启中枢神经系统药物研发新纪元

血脑屏障（Blood-Brain Barrier, BBB）是维护中枢神经系统（CNS）稳态的关键防线。它由高度特化的脑微血管内皮细胞、星形胶质细胞终足和周细胞紧密连接构成，严格控制着物质从血液循环进入脑组织的通道。这一生理屏障在保护大脑免受毒素和病原体侵害的同时，也成为开发治疗脑部疾病（如阿尔茨海默病、帕金森病、脑瘤、癫痫等）药物的主要障碍。准确预测化合物的血脑屏障透过能力（通常表示为logBB或BBB+/-），已成为现代药物研发不可或缺的关键环节。

传统方法的局限性与计算预测的兴起

传统评估BBB透过率的方法主要依赖体内和体外实验：

  • 体内实验： 如脑灌注法、脑/血浆浓度比（logBB）测定。虽然被视为“金标准”，但其通量低、成本高昂、耗时长，并且涉及大量动物使用。
  • 体外实验： 如利用分离的脑微血管内皮细胞构建模型、Transwell共培养模型（内皮细胞+星形胶质细胞）。这些方法提高了通量，但构建复杂、难以完全模拟体内BBB的复杂性（如血流剪切力、完整神经血管单元相互作用）。
  • 高通量筛选瓶颈： 药物发现初期通常需要评估成千上万的化合物，传统实验方法在此阶段效率低下，成本难以承受。
 

这些局限推动了计算预测模型的发展，旨在利用化合物的化学结构信息，快速、低成本地预测其穿透BBB的潜力。

血脑屏障透过率预测的核心方法与技术

计算预测模型主要利用化合物的物理化学性质（分子描述符）或结构特征（分子指纹），通过算法建立其与BBB透过能力之间的关系：

  1. 基于物理化学性质/规则的方法：

    • Lipinski规则拓展： 在类药五规则基础上，发现BBB+化合物通常具有更低的极性表面积（PSA < 60-90 Ų）、较少的氢键供体（HBD < 3）、适度的脂溶性（cLogP 在1-5之间）、更小的分子量（MW < 450 Da）和更少的可旋转键（RotB < 8）。这些规则虽简单直观，但预测精度有限。
    • 极性表面积与脂溶性结合： PSA和cLogP的组合（如PSA*cLogP）常用于构建简单分类模型（BBB+或BBB-）。
    • 分子电荷状态： 在生理pH下带正电荷的分子可能更易透过BBB（与内皮细胞膜负电荷相互作用），但强碱性可能导致被P-gp外排泵识别。

  2. 基于定量构效关系（QSAR）和机器学习（ML）的模型：

    • 核心思想： 通过算法学习大量已知BBB透过率数据的化合物与其结构特征（描述符/指纹）之间的复杂非线性映射关系。
    • 常用算法：
      • 经典机器学习： 支持向量机（SVM）、随机森林（RF）、k近邻（KNN）、梯度提升机（如XGBoost, LightGBM）等。这些算法在处理结构化特征方面表现出色。
      • 深度学习： 图神经网络（GNN）、循环神经网络（RNN）、卷积神经网络（CNN）。GNN尤其擅长直接从分子图结构（原子、键）中学习特征，无需预先计算描述符，展现了强大的表征学习能力。
    • 输入特征：
      • 分子描述符： 计算得到的大量数值特征（数百到数千维），如理化性质（MW, cLogP, PSA, HBD/HBA）、拓扑描述符、电子描述符等。
      • 分子指纹： 二进制向量，表示分子中特定子结构或路径的存在与否（如ECFP, MACCS keys）。
      • 分子图： 原子（顶点）和化学键（边）构成的图结构，是GNN等深度学习的直接输入。
    • 模型类型：
      • 分类模型： 预测化合物是“BBB+” (能透过) 或 “BBB-” (不能透过)。
      • 回归模型： 预测连续数值（如logBB），提供更精细的透过程度信息。

  3. 考虑主动转运和外排：

    • P-糖蛋白（P-gp/ABCB1）外排： 是BBB上最重要的外排转运体之一，能显著阻碍药物入脑。先进的预测模型会整合P-gp底物/抑制剂的预测信息。如果一个化合物是强P-gp底物，即使其理化性质有利，其实际脑部暴露量也会很低。
    • 其他转运体： 如BCRP（ABCG2）、MRPs等也在BBB主动外排中发挥作用，纳入预测可提高准确性。
    • 摄取转运体： 如GLUT1（葡萄糖转运体）、LAT1（大型中性氨基酸转运体）等介导某些特定底物的BBB内流。利用这些转运体进行前药设计或载体介导转运是策略之一。

  4. 基于生理学的药代动力学（PBPK）建模：

    • 系统整合化合物的理化性质、组织分布、代谢清除以及BBB穿透的详细生理机制（被动扩散、主动转运/外排），构建全身或脑部特异的PBPK模型。
    • 所需输入参数多且复杂，常用于后期候选化合物优化阶段，结合体外/体内数据进行预测和验证。
 

预测模型的验证与应用挑战

  1. 数据质量与标准化：

    • 模型的准确性高度依赖训练数据的质量和一致性。不同实验方法（体内/体外）、物种（人/动物）、测定条件（如是否抑制外排泵）得出的BBB透过率数据存在差异。
    • 建立高质量、大规模、标准化的数据集（尤其是基于人体数据）是提升模型性能的关键。

  2. 模型评估指标：

    • 分类模型： 准确率（Accuracy）、灵敏度（Sensitivity/Recall）、特异度（Specificity）、精确率（Precision）、F1分数、受试者工作特征曲线下面积（AUC-ROC）。
    • 回归模型： 均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（R²）。
    • 模型必须在独立的测试集或通过严格的交叉验证进行评估，防止过拟合。

  3. 解释性与可迁移性：

    • 复杂的机器学习模型（尤其是深度学习）常被视为“黑箱”。开发解释模型决策的工具（如SHAP值、LIME）有助于理解影响BBB穿透的关键结构特征，指导化学优化。
    • 模型在化学空间上的通用性是其核心价值。模型在训练集覆盖范围外的化合物预测可靠性是关键挑战（域适应性问题）。
    • 整合多种预测方法（如共识建模）常能提高结果的稳健性和可靠性。

  4. 实验验证的重要性：

    • 计算预测结果必须被视为筛选工具和决策辅助。重要的化合物，尤其是在发现后期和开发阶段，需要通过可靠的体外模型（如人源化BBB类器官芯片）、优化的体内研究（如脑脊液/血浆浓度比、微透析）进行实验验证。
    • 体外-体内相关性（IVIVC） 对于评估体外模型和计算预测的可靠性至关重要。
 

预测技术在药物研发中的应用价值

  1. 早期虚拟筛选： 在药物发现阶段，对大型化合物库进行高通量虚拟筛选，快速剔除BBB透过可能性极低的化合物，聚焦资源于有希望的候选分子。
  2. 先导化合物优化： 指导化学家对先导化合物进行结构修饰，优化其理化性质和规避外排转运体识别，以提高其BBB透过潜力（如降低PSA、调整LogD、引入策略性氢键、避免P-gp底物特征）。
  3. 降低研发成本与风险： 显著减少后期因BBB穿透问题导致的昂贵临床前和临床试验失败，加速有效CNS治疗药物的上市进程。
  4. 重新定位药物： 预测现有药物库中非CNS药物的潜在BBB穿透能力，为老药新用治疗脑部疾病提供线索。
  5. 个性化医疗： 未来结合个体基因组信息（如影响转运体表达或功能的遗传变异），可能实现更精准的BBB透过率和药物脑部暴露量预测。
 

未来展望

血脑屏障透过率预测领域正蓬勃发展，未来研究方向包括：

  • 更精细的多组分模型： 整合被动扩散、主动转运/外排（多种转运体）、胞吞作用、外周代谢清除、血浆蛋白结合等多种因素构建更生理化的预测模型。
  • 人工智能驱动： 深度学习和图神经网络等更强大的AI技术将持续提升模型的表征能力和预测精度。
  • 类器官与微流控芯片整合： 结合先进体外模型（如人源BBB类器官芯片）产生的数据，训练和验证预测模型，形成计算与实验的闭环。
  • 多组学数据融合： 结合转录组、蛋白组数据，模拟BBB在不同生理病理状态（如炎症、疾病）下的动态变化对药物透过的影响。
  • 关注动态暴露： 从预测静态透过率（如logBB）转向预测脑部药物浓度-时间曲线（AUC脑/AUC血）。
  • 开源与协作： 促进高质量数据集和先进算法的开源共享，推动领域整体进步。
 

结语

血脑屏障透过率预测已经从简单的经验规则发展为融合计算化学、生物信息学和人工智能的复杂学科。尽管挑战依然存在，特别是在预测的普适性、可解释性和最终人体有效性方面，计算预测已成为加速中枢神经系统药物研发不可或缺的强大工具。随着数据资源的日益丰富、AI算法的不断革新以及体外模型的进步，血脑屏障透过率预测的精准度将持续提升，为攻克神经和精神疾病、将更多有效治疗药物递送入脑铺平道路。其最终目标是显著降低研发成本与时间，让患者更快获得拯救生命的脑部疾病治疗新方案。

主要参考文献方向（示意）：

  1. Pardridge, W.M. (2012). Drug transport across the blood-brain barrier. Journal of Cerebral Blood Flow & Metabolism.
  2. Banks, W.A. (2016). From blood-brain barrier to blood-brain interface: new opportunities for CNS drug delivery. Nature Reviews Drug Discovery.
  3. Zhao, Y.H., et al. (2003). Predicting penetration across the blood-brain barrier from simple descriptors and fragmentation schemes. Journal of Chemical Information and Computer Sciences.
  4. Wang, Z., et al. (2022). Deep learning approaches for predicting blood-brain barrier penetration. Drug Discovery Today.
  5. Chen, H., et al. (Recent review). In silico prediction of blood-brain barrier permeability using machine learning and deep learning approaches. Journal of Chemical Information and Modeling.
  6. Abbott, N.J., et al. (2010). Structure and function of the blood-brain barrier. Neurobiology of Disease.
  7. Cecchelli, R., et al. (2014). Modelling of the blood-brain barrier in drug discovery and development. Nature Reviews Drug Discovery.
  8. Uchida, Y., et al. (2011). Blood-brain barrier transporters and drug delivery to the CNS. Current Pharmaceutical Design.
  9. Jones, H.M., & Houston, J.B. (2004). Substrate depletion approach for determining in vitro metabolic clearance: Time dependencies in hepatocyte and microsomal incubations. Drug Metabolism and Disposition. (Relevant for IVIVE/PBPK).
  10. Wilhelm, I., et al. (2016). Role of the blood-brain barrier in the formation of brain metastases. International Journal of Molecular Sciences. (Example of disease-specific context).
底部图片-PC版 底部图片-移动版