LINCS L1000：转录组扰动数据如何用于药物发现

LINCS L1000（Broad Institute）通过一个关键的成本优化，把转录组扰动实验做到了百万级规模：只测量 978 个精心挑选的「标志基因」（landmark genes），再用计算方法推断其余约 12,000 个基因的表达。这让大规模系统性扰动实验第一次在成本上可行。

L1000 技术

• 978 个标志基因：通过对大量表达数据做主成分分析选出，这些基因足以捕捉转录组的主要变异方向。
• 推断其余基因：用线性模型从标志基因推断「best inferred」基因。推断值的可靠性低于直接测量值，分析时应优先使用标志基因。
• Luminex 微珠检测：每个微珠颜色对应两个基因，通过荧光强度区分，进一步降低成本。
• 规模：逾 100 万个特征，覆盖数万种化合物扰动、数千个基因敲低/过表达，覆盖数十个细胞系。

数据层级

层级	内容	用途
Level 2	原始基因表达值	底层分析
Level 3	归一化后的表达（q2norm）	常规分析起点
Level 4	z 分数（相对同板对照）	单个重复的差异表达
Level 5	重复间合并的一致性特征	多数分析应从这里开始

连通性分析：核心用法

连通性图谱（Connectivity Map, CMap）的思想很简洁但很有力：如果化合物 A 的转录组特征与化合物 B 高度相似，它们很可能有相似的作用机制。反过来，如果化合物的特征与疾病特征相反，它可能有治疗作用。

import pandas as pd
import numpy as np
from scipy import stats

# 简化的连通性打分思路（实际 CMap 用 weighted KS 统计量）
def connectivity_score(query_up, query_down, signature):
    """query_up/down: 疾病或扰动的上/下调基因集
       signature: 某化合物的表达变化（Series，index=基因）"""
    ranks = signature.rank(ascending=False)
    n = len(ranks)
    ks_up   = stats.kstest(ranks[ranks.index.isin(query_up)] / n, "uniform").statistic
    ks_down = stats.kstest(ranks[ranks.index.isin(query_down)] / n, "uniform").statistic
    return ks_up - ks_down      # 正=相似，负=相反（潜在治疗方向）

# 实际使用推荐官方的 CLUE 平台或 cmapPy 工具包
# https://clue.io —— 提供在线查询与标准化的打分

三个实际用途

• 靶点去卷积：表型筛选得到一个活性化合物但不知道靶点。测它的转录组特征，与 LINCS 中已知机制的化合物或基因敲低特征比对，找出最相似的——如果与某个基因敲低的特征高度相似，提示该化合物可能作用于该基因产物。
• 药物重定位：拿疾病的转录组特征（患者组织 vs 正常），找出特征相反的化合物，作为潜在治疗候选。
• 脱靶效应发现：化合物特征中意外出现的模式，可能提示未预期的活性。

数据质量判断

这是使用 LINCS 最需要注意的部分：

• 看重复一致性：Level 5 数据附带 distil_cc_q75（重复间相关性）等指标。一致性低的特征基本是噪声，应过滤掉。
• 看特征强度：很多化合物在测试浓度下几乎没有转录组效应，其「特征」只是噪声。用 ss_ngene（显著变化基因数）等指标过滤。
• 细胞系依赖性强：同一化合物在不同细胞系中的特征可能差别很大。跨细胞系比较要谨慎，最好在同一细胞系内比较。
• 浓度与时间：通常测 6h 和 24h、多个浓度。选错时间点会完全改变结论——直接靶点效应在早期，下游适应性反应在晚期。
• 推断基因要打折：非标志基因是推断值，做关键结论时应回到 978 个标志基因。

局限

• 转录组不等于功能：许多药物（尤其是酶抑制剂）的直接效应不体现在转录水平上，L1000 可能完全看不到。
• 细胞系为主：主要在癌细胞系中测定，与正常组织和体内环境差异大。
• 浓度往往偏高：为保证有信号，测试浓度可能高于临床可达水平。
• 连通性是假设生成：相似的转录组特征不等于相同的机制，必须实验验证。

延伸资源

• 基因集分析：263《MSigDB》；大规模药敏：267《PRISM Repurposing》、266《GDSC》；
• 依赖性数据：264《DepMap》；重定位建模：178《DeepPurpose》。