Nat. Aging | 纯计算方法的思路：SHARP网络药物重定位定位11类衰老标志物候选干预

抗衰老药物研发的难点不只是“候选分子太少”更在于同一种干预可能改善某些衰老过程却同时放大另一些风险。本文构建网络医学转录扰动框架将药物作用位置和表达变化方向同时纳入判断。这篇文章试图回答在数千个衰老相关基因和数千种既有药物之间如何找出“靠近哪个衰老标志物、并朝更年轻表达状态移动”的候选干预它的关键价值在于把网络接近度和表达方向性拼到一起前者判断药物能否扰动衰老模块后者判断这种扰动更接近pro-longevity还是age-accelerating。文献信息项目内容标题Network-driven discovery of repurposable drugs targeting hallmarks of aging中文理解本文将OpenGenes中的长寿相关基因映射到人类互作网络定义11类衰老标志物的网络模块并以SHARP框架整合药物靶点接近度和转录扰动方向筛选可被实验检验的抗衰老药物重定位候选。期刊Nat. Aging发表时间2026年6月26日在线发表2026年7月刊研究方向衰老生物学、网络医学、药物重定位、转录组扰动分析核心资源OpenGenes、26个PPI数据库、DrugBank、Connectivity Map、ITP小鼠寿命数据、临床抗衰老试验药物集数据规模2,358个长寿相关基因524,156条PPI18,223种蛋白6,442种药物1,347种具有CMap扰动数据的药物核心方法SHARP、network proximity、LCC模块、pAGE转录方向评分DOI10.1038/s43587-026-01161-8PubMedPMID: 42362889数据/代码Longevity-module GitHubsharp-aging Python package这项工作的新意在哪里衰老并不是一个单一路径异常而是基因组不稳定、线粒体功能障碍、细胞衰老、营养感知失衡、细胞间通讯改变等多个过程共同构成的系统状态。单纯按“药物靶点是否命中衰老基因”筛药容易漏掉通过网络邻居间接影响衰老模块的分子。作者提出的SHARP流程包含两步先用网络接近度筛选靶点靠近某个衰老标志物模块的药物再用pAGE评估药物诱导的表达变化是否逆转该模块的年龄相关表达趋势。这种设计解决了网络药理学中的一个常见盲点药物“能碰到”一个模块并不代表作用方向有益。pAGE为同一个网络接近信号补上了方向性判断使候选药物能够被划分为潜在促长寿、潜在促衰老或证据不足三类。文章摘要研究团队从OpenGenes整合2,358个长寿相关基因其中1,250个可映射至11类衰老标志物。将这些基因投射到包含524,156条蛋白互作关系的人类互作网络后作者发现每类标志物基因均形成具有统计学意义的局部网络模块并共同构成更大的“longevity module”。随后研究者对6,442种已批准或临床测试药物计算靶点与各模块的网络接近度再以CMap药物扰动转录组构建pAGE指标。pAGE大于0表示药物诱导的表达改变整体上更倾向于抵消衰老相关转录变化小于0则提示可能强化这些变化。最终SHARP筛出370种可扰动至少一个衰老模块的候选药物其中60种可计算pAGE21种呈正向pAGE23种则具有潜在促衰老方向。本文提供的是计算优先级框架并未直接证明这些新候选药物可延长人类寿命。分析策略亮点从单基因转向模块用最大连通分量定义每类衰老标志物的网络边界避免仅围绕少数经典衰老基因做筛选。给网络接近度加入方向信息pAGE不只问“药物是否影响模块”还问“药物引起的表达改变是否反向抵消年龄相关改变”。保留可证伪机制链每个候选药物都可回溯至药物靶点、网络邻居、衰老模块和转录响应便于后续细胞与动物实验验证。材料与方法模块内容衰老基因知识库OpenGenes收录的2,358个长寿相关基因并按证据等级和11类衰老标志物分层人类互作网络整合26个数据库、6类PPI证据覆盖18,223种蛋白与524,156条互作药物资源DrugBank中的6,442种已批准或临床测试药物及其靶点信息网络分析LCC模块显著性、模块分离度、网络接近度及1,000次随机度匹配检验转录扰动分析CMap中以MCF7为主的药物表达谱年龄相关表达向量由2,025个基因组成外部验证ITP小鼠寿命干预药物、健康长寿临床试验药物、独立小鼠寿命与健康寿命研究研究结果衰老相关基因具有清晰但互相连接的网络结构OpenGenes中的2,358个长寿相关基因里1,250个已被标注到至少一个衰老标志物其中860个只属于一个标志物390个跨越多个标志物TP53涉及的标志物数量最多。这说明“衰老标志物”之间并非严格隔离。1,108个暂未归类基因也提示现有知识框架之外仍存在值得通过网络拓扑重新定位的衰老相关因子。十一类衰老标志物形成可识别的模块与共同邻域作者将1,250个标志物相关基因映射到人类互作网络。11类标志物均形成非随机的局部连通结构其中9类达到显著模块标准蛋白稳态丧失和表观遗传改变也呈边缘显著。不同模块既有相对独立的网络边界也彼此接近。衰老并非11个孤立病理单元而是共享部分关键网络节点的系统过程这为多标志物联合干预提供了网络基础。单个标志物模块可汇入更大的longevity module进一步可视化显示基因组不稳定性、线粒体功能障碍、细胞衰老、营养感知失调等模块分布在同一个更大的网络邻域中形成作者所称的longevity module。这个结果改变了药物发现的筛选单位与其寻找“直接命中某个衰老基因”的药物不如评估药物靶点是否位于关键模块及其可传播的网络邻域内。pAGE为药物扰动补上“有益还是有害”的方向判断网络接近度只能说明药物有能力扰动某个模块却无法说明这种扰动是逆转还是放大衰老。pAGE将药物扰动方向与年龄相关表达方向逐基因比较正值代表更倾向于抵消年龄相关改变负值则代表可能强化这些改变。这一步是SHARP的关键。网络接近度回答“能否影响”pAGE回答“影响方向是否更接近年轻状态”二者缺一不可。已知寿命延长药物为框架提供回顾性验证在ITP已验证的小鼠寿命延长药物中11种药物里有8种具备CMap数据这些药物均在至少一个标志物中具有正向pAGE并呈显著或边缘显著网络接近度。作者报告该集合的敏感性为100%但95%置信区间较宽原因是可评价药物数量有限。对于17种未延长小鼠寿命的ITP药物7种可计算pAGE其中3种被预测为候选假阳性率为42.8%。SHARP可区分潜在促长寿与潜在促衰老扰动将网络接近度和pAGE放在同一坐标系后药物可被划分为网络上远离模块、靠近模块但方向不利、靠近模块且方向有利等不同类别。在可计算pAGE的候选药物中21种呈正向pAGE23种呈负向pAGE另有16种在不同证据等级下方向不一致。这个分类提醒我们即使药物与衰老模块网络距离很近也不能直接将其理解为抗衰老干预。多种已上市或临床阶段药物被映射到具体衰老标志物整个流程共得到370种网络接近显著的候选药物覆盖细胞间通讯改变、营养感知失调、干细胞耗竭、细胞衰老、细胞外基质改变等多个模块。其中83种属于“network drugs”即它们并不直接靶向经典衰老基因却可能通过网络邻居影响标志物模块。这正是传统“靶点-疾病基因直接重叠”策略容易遗漏的部分。羟甲唑啉示例展示候选药物的可解释机制作者以羟甲唑啉为例说明如何从药物靶点追踪到衰老模块。该药通过α肾上腺素能受体和5-HT受体相关节点连接“细胞间通讯改变”模块并在MCF7扰动数据中获得正向pAGE。网络传播分析提示羟甲唑啉的影响可能经ACKR3、NFKB1、TP53和AKT1等节点传递并涉及炎症、IGF1R、FOXO3、SIRT1等相关基因。这是一条可检验的机制假设不等同于羟甲唑啉已被证明具有抗衰老临床疗效。从这套框架能迁移什么方法迁移针对复杂疾病做药物重定位时可将“疾病差异基因列表”升级为“疾病状态模块”。先用单细胞、空间组学或纵向队列定义具有稳定生物学意义的模块再评估药物靶点的网络位置。方向校正网络接近并不能说明治疗获益。对于每一个候选药物应增加药物扰动转录组、蛋白组或表型数据判断其是否真正把疾病状态推向预期方向而非只展示靶点富集或网络距离。下一步可以更精细本文主要使用MCF7的CMap扰动谱。若应用于肝脏、神经退行性疾病、肌少症或肿瘤衰老微环境更合理的做法是替换为组织特异、细胞类型特异和剂量时间特异的扰动数据。证据边界SHARP输出的是优先验证清单并不能直接替代动物寿命实验、药代毒理评估或人体随机对照试验。特别是同一药物在不同组织、剂量和年龄阶段可能具有相反效应转化时必须保留这一层判断。总结SHARP将“衰老相关基因、药物靶点、网络位置和转录方向”连成一张可追溯的证据图候选药物先被定位到具体衰老模块再由pAGE判断其是否具备逆转年龄相关表达改变的潜力。参考文献Gross B, Ehlert J, Gladyshev VN, Loscalzo J, Barabási AL. Network-driven discovery of repurposable drugs targeting hallmarks of aging.Nat. Aging.2026;6:1516-1531. doi:10.1038/s43587-026-01161-8.PubMed: https://pubmed.ncbi.nlm.nih.gov/42362889/PMC全文: https://pmc.ncbi.nlm.nih.gov/articles/PMC13375550/DOI: https://doi.org/10.1038/s43587-026-01161-8Nature Aging: https://www.nature.com/articles/s43587-026-01161-8数据与结果: https://github.com/BnayaGross/Longevity-moduleSHARP Python package: https://github.com/BnayaGross/sharp-aging