ACS Nano | 基于单病毒示踪和机器学习的抗病毒药物快速再利用方法

英文原题： Rapid Deployment of Antiviral Drugs Using Single-Virus Tracking and Machine Learning

通讯作者： 刘书琳（南开大学）

作者： Meng-Die Zhu, Xue-Hui Shi, Hui-Ping Wen, Li-Ming Chen, Dan-Dan Fu, Lei Du, Jing Li, Qian-Qian Wan, Zhi-Gang Wang, Chuanming Yu, Dai-Wen Pang, Shu-Lin Liu*

近年来，急性病毒性疾病的爆发严重威胁人类健康，因此亟需制定抗病毒药物的快速开发战略。由于对新出现的急性病毒性疾病的认识有限，表型筛选方法被广泛用于将已批准的药物或经过临床评价的候选药物重新引入临床，以缩短药物开发周期。然而，传统的表型筛选方法（如评估细胞活力和病毒复制水平）通常需要数天时间，且缺乏对药物抑制病毒感染能力的直观验证，往往难以满足临床治疗急性病毒性疾病的迫切需求。

针对这一问题，本团队开发了一种 基于单病毒示踪和机器学习的快速可视化表型筛选方法，用于药物再利用，旨在有效应对急性病毒性疾病的传播。 单病毒示踪技术依托量子点技术，能够以纳米级空间分辨率和毫秒级时间分辨率实时捕捉单个病毒粒子在细胞内的感染轨迹。该技术的核心优势在于其高通量监测病毒与宿主细胞相互作用的能力，能够反映病毒侵染过程中的动态变化。研究表明，病毒在侵染过程中展现出独特的运动特征，这些特征会根据细胞的生理状态或药物作用的干预发生变化。因此，单病毒示踪技术所提供的病毒运动特征数据可作为病毒感染动态的“指纹”，为评估药物抑制效果提供重要依据。

图1. 基于单病毒示踪与机器学习的抗病毒药物效果评估。

在此基础上，本团队 进一步结合机器学习技术，开发了一个能够识别病毒运动特征微小扰动的分析模型。 该模型通过深入分析药物处理后病毒运动轨迹的细微变化，能够高效区分不同药物对病毒运动行为的影响。尤其在面对病毒运动行为高度相似的药物处理组时，机器学习模型仍能保持出色的辨识能力和稳定性，为药物筛选提供了重要的技术支持。此外，机器学习技术能够自动从大量实验数据中提取有价值的特征，并根据药物处理后特征的偏差程度对不同药物的抑制效果进行排序，这一特点大大提高了该方法的应用潜力。这一研究证明，病毒的运动特征可以作为生物“指纹”信息，纳入药物筛选的多维度大数据分析中。该方法不仅加速了药物再利用的过程，还通过可视化技术实时监测病毒感染的动态过程，提供了更加精准的药效评估，具有广阔的临床应用前景。

图2. 病毒在不同感染阶段的运动特征变化。

图3. 机器学习模型在药效评估中的应用。