Chemoinformatics in the New Era: From Molecular Dynamics to Systems Dynamics

Wang, Guanyu · 2016 · Molecules

Metadata

Authors: Wang, Guanyu

DOI: 10.3390/molecules21030071

Tags: #cell-signaling #ODE-bifurcation #multiscale-modeling

🔬 Deep Note📄 Quick Note

概述（Overview）

摘要概述

本文是 Wang 发表于 Molecules 的观点文章，提出化学信息学（chemoinformatics）应从分子层面的分子动力学（MD）模拟扩展到系统层面的系统动力学（SD）模拟，以 PI3K/Akt/mTOR 信号通路为示范案例。核心论点是：生物功能由分子网络的集体效应实现，而非单个分子决定，因此仅靠分子层面的 QSAR/QSPR 模型不足以理解复杂疾病进程和优化药物组合。作者提出"response object"概念——比传统 QSAR 的标量"response variable"更丰富的系统级响应量，以 Akt 的刺激-响应曲线 A(I) 为例，展示其由三个正交参数（α、β、K）决定，并形成不可逆开关、可逆双稳态开关、分级响应三种模式。参数空间分析揭示了癌症（constitutive Akt activation）、糖尿病（insulin resistance）与参数区域之间的对应关系，为药物组合优化提供了理论指导。文章最后展望了 MD/SD 混合模拟作为未来药物发现的标准流程。

综述问题、范围与选择标准

• 要回答的问题：如何将系统动力学模拟整合进化学信息学，使其从分子层面的药物筛选提升到系统层面的药物组合优化？
• 覆盖范围：2010–2016 年间的 PI3K/Akt/mTOR 通路动力学建模工作，聚焦作者团队自身研究（refs 8, 10–14），辅以化学信息学基础文献。
• 文章性质：perspective（观点文章），非 systematic review，无系统性检索式或纳入排除标准。
• 文献选择方法：未报告（作者未声明数据库、检索式或纳入排除标准；文献以作者自身工作为主线）。

主题综合

主题 1：从 response variable 到 response object——系统级响应量

• 核心论点：传统 QSAR 的标量 response variable（如最小有效浓度）不足以描述生物系统的复杂响应，应引入更丰富的 response object（如刺激-响应曲线的形状和模式）来捕捉系统级控制机制。
• 代表证据定位：文献 ref 10（Wang 2010, Akt 通路奇点分析）；Fig. 2（不同参数下的响应曲线族）；Fig. 3（参数空间的三区域划分）
• 共识程度：有限——response object 概念由作者团队提出，尚未被化学信息学社区广泛采纳，但与系统生物学中"emergent property"概念相呼应。
• 分歧或限制：response object 的定义依赖特定通路模型（PI3K/Akt/mTOR），如何推广到其他通路缺乏通用方法论；response object 的数学公式化需要先建立可靠的系统级 ODE 模型，这本身是一个挑战。

主题 2：参数空间的三区域划分与疾病对应

• 核心论点：通过非线性动力学分析，(K, α) 参数空间可分为三个区域——不可逆开关（癌症风险）、可逆双稳态开关（正常）、分级响应（胰岛素抵抗），为疾病分型和药物干预提供理论框架。
• 代表证据定位：文献 ref 10（Wang 2010）；Fig. 3（参数空间三区域）；Eq. (1)（K 的表达式）
• 共识程度：有限——三区域划分基于作者团队的特定 ODE 模型和参数假设，其他通路模型是否呈现类似结构尚不确定。双稳态作为正常细胞功能最优模式的论断（ref 8, Wang 2012）有理论支持但缺乏实验验证。
• 分歧或限制：参数空间分析固定 β=1，仅展示 (K, α) 二维投影，但作者承认 β 异常也可导致病理（如胰岛素抵抗），因此二维划分不完整。参数值与疾病状态之间的映射是定性的，缺乏临床数据验证。

主题 3：MD/SD 混合模拟的药物发现流程

• 核心论点：SD 模拟识别关键药物靶点组合，MD 模拟筛选实际可成药（druggable）的候选分子，两者互补构成未来药物发现的标准流程。
• 代表证据定位：文献 ref 13（Li & Wang 2014, PI3K/Akt/mTOR 靶向）；文献 ref 14（Wang 2013, 复杂疾病分析）
• 共识程度：有限——MD/SD 混合流程是作者提出的设想，尚未有完整的端到端验证案例。MD 和 SD 模拟在生物医学中各自成熟，但两者的无缝整合仍属探索阶段。
• 分歧或限制：SD 模拟识别的"关键靶点组合"是否在实验中可重复验证未讨论；从参数空间分析到具体药物剂量的转化缺乏定量方法；最优控制理论（ref 8）的应用仅提及而未在本示范案例中展示。

关键图表、Box 与分类框架

• 定位：Fig. 1（PI3K/Akt/mTOR 通路图）
• 内容：展示胰岛素刺激后 IRS→PI3K→PIP3→Akt 磷酸化的信号级联，以及两条反馈回路——pAkt→IRS 的正反馈和 pAkt→mTORC1→IRS 的负反馈。
• 价值：提供了 response object A(I) 赖以产生的网络拓扑基础，正/负反馈的共存是双稳态的必要条件。

• 局限：通路图高度简化，省略了多个已知组分（如 PTEN、TSC1/2），且未标注反应速率常数或浓度量级。

• 定位：Fig. 2（不同参数条件下的 response object 族）

• 内容：四组子图展示 K 和 α 对 A(I) 的影响：K 减小使曲线更"开关化"（A→C）；α 在 K=0 时影响 ΔI 但不影响 I_on（C）；β 减小使曲线右移（D）。
• 价值：直观展示了三个参数对 response object 的正交（或近似正交）控制——这是药物组合优化的理论基础。

• 局限：参数 α 和 β 的"解耦"仅在 K=0 极限下严格成立，K≠0 时的近似程度未量化。

• 定位：Fig. 3（K-α 参数空间的三区域划分）

• 内容：(K, α) 平面被两条分岔曲线（红、蓝）划分为三个区域：上方（不可逆开关，Ioff<0，对应 constitutive Akt activation 与癌症风险）、中间（可逆双稳态开关，正常状态）、下方（分级响应，对应胰岛素抵抗与糖尿病风险）。绿色椭圆标示正常参数范围。
• 价值：将通路参数与疾病状态直接映射，为参数靶向药物设计提供了空间导航——这是全文最具创新性的可视化。
• 局限：二维投影固定 β=1，忽略了 β 异常导致的病理（文中虽提及但未在图中体现）；分岔曲线的计算依赖特定 ODE 模型，模型不确定性未讨论。

共识、争议与研究空白

相对稳固的共识

MD 模拟在药物筛选和化学信息学中的基础地位已确立——MD 数据可经化学图论、相似性分析、聚类、数据挖掘和机器学习进一步处理，加速药物先导物识别和优化（refs 1–4）。这一判断与同期化学信息学文献一致。

尚存争议

response object 概念优于传统 response variable 的主张。作者认为刺激-响应曲线的形状（分级 vs 双稳态 vs 不可逆）比单一数值（如 EC50）更信息丰富，但这一观点尚未被药理学社区广泛接受——传统药效学仍以 EC50/IC50 等标量作为药物筛选标准，部分原因在于 response object 的实验测量成本远高于标量值。

作者提出的研究空白

1. SD 模拟在化学信息学中尚未成为常规实践——"systems dynamics simulations become routine practices of chemoinformatics"（第59行），表明当前化学信息学仍以分子层面工具为主。
2. SD 模拟与 MD 模拟的混合框架缺乏标准化流程——SD 识别靶点后如何系统性传递给 MD 筛选未定义。
3. 从参数空间到具体药物组合的转化缺乏系统方法——最优控制理论（ref 8）仅被提及作为加速工具，未在本案例中实际应用。

我识别的遗漏

文章完全忽略了参数不确定性的量化——ODE 模型的参数（α、β、K）来自实验估计，但作者从未讨论参数估计误差对 response object 和参数空间分区的影响。对于将参数空间映射到疾病状态的核心论断，不确定性量化是不可或缺的——如果参数的置信区间跨越区域边界，疾病分型的可靠性将显著下降。此外，模型本身的结构不确定性（是否遗漏了关键反馈回路）也未讨论。

个人批注

与我的工作的关系

作为计算生物力学研究者，本文的 response object 概念对血管 G&R 建模有方法论启发：G&R 模型同样面临"什么量最能表征系统状态"的问题——传统方法用应力/应变等局部量，但系统级响应（如血管壁的整体适应性或失稳模式）可能更适合作为评估指标。参数空间的三区域划分方法可迁移到 G&R 参数空间分析：将 G&R 的关键参数（如生长率、homeostatic 应力、turnover 率）映射到参数空间，识别"正常适应""病理性重塑""失稳"等区域。但 PI3K/Akt/mTOR 通路模型是 ODE 系统，而 G&R 是 PDE/FSI 系统，方法迁移需要处理空间异质性。

可复用框架

参数空间分区方法：通过非线性动力学分析（分岔曲线）将多维参数空间划分为功能区域，每区域对应特定的系统行为模式。这一框架可直接应用于 G&R 参数敏感性分析和疾病分型。三参数正交控制思想（α→ΔI, β→I_on, K→灵敏度）对 G&R 中多参数靶向（如同时调节生长率和 remodeling 率）有参考价值。

疑问与后续动作

1. 疑问：参数空间分区的鲁棒性如何？如果 ODE 模型增加或删除一条反馈回路，三区域结构是否保留？
2. 后续动作：精读 Wang 2010（ref 10, Akt 通路奇点分析）和 Wang 2012（ref 8, 最优 homeostasis 与双稳态），评估参数空间方法是否可迁移到 G&R 的 ODE 子系统（如细胞信号通路耦合到力学 G&R 法则的场景）。

与上下文的关系

本文建立在

作者自身的前序工作建立了 PI3K/Akt/mTOR 通路的 ODE 模型（ref 10, Wang 2010, 奇点分析）、参数空间的分岔分析（refs 11, 12）、最优 homeostasis 控制理论（ref 8, Wang 2012）和通路靶向的计算分析（ref 13, Li & Wang 2014）。化学信息学基础引用了 QSAR/QSPR 文献（refs 6, 7）和虚拟筛选方法（refs 2–5）。双稳态与生物开关的理论基础引用了 Tyson et al. 2008（ref 15）。

已核实的后续引用

本次未检索

同类综述对比

本次未核实

与本地论文队列的关系

与本地 2021-PIML-Karniadakis 存在方法论交叉：两者都关注将先验知识嵌入计算模型以提升预测能力——Karniadakis 通过物理定律（PDE），Wang 通过系统动力学（ODE 网络）。但 Karniadakis 聚焦 ML+物理的算法层面，Wang 聚焦化学信息学+系统生物学的概念层面。与 2024-VirtualCell-Chen 的时空建模主题也有间接关联——两者都试图将系统级模拟应用于药物开发加速。

逐章节笔记（Section-by-Section Notes）

引言：化学信息学与分子动力学模拟的现有范式

段落 1：化学信息学的 MD 基础与数据处理工具

• 核心论点：化学信息学本质上与动力学相关，MD 模拟数据经计算技术处理后可加速药物先导物识别和优化。
• 支撑论据：
• MD 模拟解决药物化学问题，配合计算和信息技术的化学信息学在药物发现和个性化医疗中已非常有用（ref 1）
• MD 数据可经化学图论、相似性分析、聚类、数据挖掘和机器学习进一步处理，产生新信息和知识
• 化合物存储、索引和搜索：虚拟化合物库（药物、天然产物、多样性导向合成产物）以各种方式生成以探索化学空间
• 例如：利用化学信息学工具训练 Markov 链的转移概率于真实化合物类别，再生成类似训练库的新化合物（ref 5, Kutchukian et al. 2009）
• 虚拟筛选技术广泛用于高效搜索化合物：计算筛选 in silico 库（如对接）以识别可能具有所需生物活性的成员
• 我的分析：这段定位了化学信息学的现有范式——MD 生成数据→计算处理→药物决策。Markov 链生成新化合物的例子（ref 5）展示了数据驱动方法在化学空间探索中的早期应用。关键过渡在下一句"largely limited to the molecular level"——为引出 SD 模拟的必要性做铺垫。值得注意的是这段将 ML 列为数据处理工具之一，但未深入 ML 方法本身，说明作者的关注点在系统级建模而非算法创新。

段落 2：QSAR/QSPR 模型——从结构到活性的映射

• 核心论点：虚拟库中化合物通过 QSAR/QSPR 模型将结构信息和理化性质映射到生物活性或化学性质的预测。
• 支撑论据：
• 虚拟库中化合物关联其结构信息和理化性质
• 可通过回归或分类模型预测化合物作为药物候选物的生物活性
• QSAR（定量结构-活性关系）是广泛使用的此类模型（ref 6, Roy & Narayan Das 2014）
• QSAR 将预测变量（理化性质或理论分子描述符）关联到响应变量的效力（回归）或分类值（分类）
• 响应变量通常是生物活性（如产生特定生物响应所需的物质浓度）
• 如果响应变量是化学性质，则模型称为 QSPR（定量结构-性质关系）（ref 7）
• QSAR 模型首先在化学数据集中概括结构-活性关系的假设，据此预测新化学物的活性
• 我的分析：这段介绍了化学信息学的核心工具——QSAR/QSPR。关键概念是"response variable"——一个标量（如 EC50），后续将以此为对比引入"response object"概念。QSAR 的局限性隐含在其定义中：它从结构到活性的映射是静态的，不捕捉通路动态行为。这段为后续"从 response variable 到 response object"的论证链条建立了出发点。

核心论点：从分子动力学到系统动力学的必要性

段落 1：分子层面模拟的局限与 response object 概念引入

• 核心论点：现有模拟局限于分子层面，需要系统动力学（SD）模拟成为化学信息学的常规实践，以揭示生物功能的系统级控制机制——由此引入"response object"概念。
• 支撑论据：
• 上述模拟（MD、QSAR）主要局限于分子层面
• 生物功能不能由一种或少数几种分子实现，而是无数生物分子的集体效应
• 是正常活细胞中分子间相互作用的复杂网络最终导致观察到的生物复杂性：精密的正常功能、复杂的疾病进展等
• 理解这些复杂性需要对整个系统进行建模（适当简化）和模拟，以发现新的"response variable"——如疾病进展的潜在机制
• 作者将其称为"response object"以区别于传统 response variable，强调它可能比单纯的数字或数字组合更复杂和信息丰富
• 随着更多 response object 被识别和/或寻找它们的方法被标准化，SD 模拟将成为化学信息学的常见组成部分
• 我的分析：这段是全文的核心论证转折——从"分子层面不够"到"需要系统层面"。response object 概念的引入是关键创新：它将药理学的关注点从标量（EC50）扩展到系统级响应模式（如双稳态、不可逆开关）。"集体效应"和"复杂网络"的论点与系统生物学的基本假设一致，但"response object 可能比数字组合更复杂"的主张需要具体化——后续 Akt 的 A(I) 曲线就是具体化。这段的论证逻辑清晰但缺乏量化：如何衡量 response object 的"信息丰富度"优于 response variable？

段落 2：系统生物学进展使 SD 整合变得可行

• 核心论点：系统生物学的近期进展（特别是生物分子网络的动态建模）使 SD 模拟整合进化学信息学的目标不再遥不可及。
• 支撑论据：
• 系统生物学常产生对生理/病理过程的更深入理解，为治疗干预的新视角（最优药物组合、最优治疗时机、更好的预防、诊断和预后）
• SD 模拟可揭示从单个分子理化性质涌现的全局机制或系统级属性，尤其与 MD 模拟结合时
• 揭示的机制可经数学公式化后作为 response object
• 这些 response object 具有表征瞬时瞬态和空间不均匀性的复杂调节事件的能力，可能优于传统 QSAR 的少数 response variable
• 我的分析：这段将 response object 的价值定位在其时空动态特性上——"暂时瞬态和空间不均匀"的调节事件是标量 response variable 无法捕捉的。这与血管 G&R 模型的时空动态有直接类比：G&R 也是时间非平稳且空间不均匀的过程。"涌现"（emergent）一词的使用将 response object 置于复杂系统科学的框架中，暗示它不可从单个分子性质简单推导。但这段仍是概念性论证，缺乏具体案例——下一个主题段落以 PI3K/Akt/mTOR 通路为示范。

段落 3：药物发现的 response object 调控范式

• 核心论点：未来药物发现的核心将是把 response object 调控回正常功能范围，SD 模拟可经济高效地筛选有效药物组合，避免无差别靶向网络中的许多节点。
• 支撑论据：
• 未来药物发现和设计的重要组件将是将 response object 高效调整到其正常功能范围
• 为纠正异常 response object，需对网络中的节点分子进行广泛扰动以测试其对 response object 的影响
• SD 模拟将用于经济高效地筛选有效药物组合
• 因此，SD 模拟帮助找到少数关键分子的组合，而非无差别靶向网络中的多个节点
• 最优控制理论等数学技术可加速此过程（ref 8, Wang 2012）
• 即使没有数学技术，SD 模拟原则上也能实现目标
• 由此可识别最优药物靶点组合，对应低总剂量的多价药物，大幅减少毒性和潜在耐药性，等效于实现药物组分间的协同效应（ref 9, Araujo et al. 2007）
• 我的分析：这段提出了一个药物发现的新范式——从"靶向单一分子"到"调控 response object"。关键洞见是"少数关键分子"而非"无差别多靶点"——这与网络医学中"essential node"概念呼应。"低总剂量→减毒→减耐药"的因果链有药理学合理性，但"协同效应"的论断需要实验验证。最优控制理论（ref 8）的应用被提及但未展开——这是全文唯一明确提到的数学优化工具，但其与 SD 模拟的整合方式未描述。"原则上"一词暗示 SD 模拟单独的能力主张仍属理论推测。

示范案例：PI3K/Akt/mTOR 通路的 response object 分析

段落 1：PI3K/Akt/mTOR 通路的功能与疾病关联

• 核心论点：PI3K/Akt/mTOR 通路是细胞响应外界刺激的核心信号枢纽，其失调可导致癌症、糖尿病等多种复杂疾病，因此动态建模和模拟可提供对正常功能和病理变化的深入洞察。
• 支撑论据：
• PI3K/Akt/mTOR 通路（Fig. 1）是细胞响应外界刺激（胰岛素、IGF、EGF、FGF）的主要信号枢纽
• 执行大范围细胞功能：葡萄糖和脂质代谢、细胞生长、增殖和存活、细胞迁移和极性（ref 13, Li & Wang 2014）
• 通路失调可导致多种复杂疾病：癌症、2 型糖尿病、神经退行性疾病和肌萎缩（refs 11, 14）
• 动态建模和模拟可提供对正常功能和各种病理变化的深入洞察
• 我的分析：这段为示范案例设定了生物学背景——PI3K/Akt/mTOR 通路是连接代谢、增殖和存活的核心通路，疾病谱覆盖癌症和糖尿病，是验证"参数空间→疾病状态"映射的理想模型。通路图（Fig. 1）展示了正/负反馈共存的拓扑结构，这是后续双稳态分析的必要条件。但通路描述高度简化，省略了 PTEN（PI3K 的负调控因子）等已知关键组分，模型的完备性存疑。

段落 2：response object A(I) 的定义与双稳态特性

• 核心论点：Akt 的刺激-响应曲线 A(I)（pAkt 占比对刺激强度 I 的函数）是理想的 response object，其模式变化（分级/双稳态/不可逆）直接对应分子调控机制。
• 支撑论据：
• 作者已构建理想 response object，其变化模式与分子调控有清晰对应
• response object 是蛋白激酶 Akt 的刺激-响应曲线 A(I)，A = [pAkt]/[Akt_total]，I 可代表胰岛素、IGF、EGF 等不同因子（Figs. 2, 3）
• 刺激-响应曲线要么是分级曲线（Fig. 3 蓝色阴影区域），要么是双稳态曲线（Fig. 3 其他两个区域）
• 双稳态曲线由 (I_on, ΔI) 对表征：I_on 是开启阈值，ΔI = I_on − I_off 是开启与关闭阈值之差（滞后宽度，ref 12）
• 空白区域 I_off > 0；红色阴影区域 I_off < 0，导致 A(I) 的"跳下"部分被纵轴截断，造成 Akt 的 constitutive activation
• response object 有直觉生物学含义：如"产生特定生物响应所需的最小物质浓度"是典型 QSAR response variable，但其存在原因通常未被解释
• SD 模拟揭示了"激活 Akt 所需最小刺激浓度"由 PI3K/Akt/mTOR 通路中内置的阈值 I_on 决定
• 我的分析：这段是全文的技术核心——A(I) 曲线作为 response object 将系统动力学特性（阈值、滞后、不可逆性）与药理学概念（最小有效浓度）桥接。"最小有效浓度由通路内置阈值决定"这一洞示展示了 response object 的解释力：它不仅预测"什么浓度有效"，还解释"为什么这个浓度有效"。I_off<0 导致 constitutive activation 的机制描述清晰——当关闭阈值低于零时，即使撤除刺激也无法关闭 Akt，这与癌症中 Akt 持续激活的表型一致。但 response object 的测量需要完整的刺激-响应曲线（多点实验），成本远高于单一 EC50，这是其实用化的主要障碍。

段落 3：三参数（α, β, K）的正交控制

• 核心论点：三个复合参数（α, β, K）以近似正交的方式控制 response object 的不同方面——α 影响 ΔI（滞后宽度）、β 影响 I_on（开启阈值）、K 影响整体灵敏度。
• 支撑论据：
• 数学分析揭示三个复合参数 (α, β, K) 以三种正交方式影响 response object（refs 10, 13, 14）
• α 代表 pAkt 到胰岛素受体底物（IRS）的反馈强度——正反馈和负反馈的净效应（Fig. 1）
• β 对应 PI3K 活性
• K = K_m/[Akt_total]（Eq. 1），K_m = (k_off + k_cat)/k_on 是 Akt 磷酸化反应的 Michaelis 常数
• K 决定 A(I) 的整体灵敏度：K 越小，A(I) 越敏感
• Fig. 2A–C 展示：K 减小时，刺激-响应曲线越来越敏感（越来越像开关）
• 在 K=0 极限下发现解耦：α 影响 ΔI 但不影响 I_on（Fig. 2C）；β 影响 I_on 但不影响 ΔI（Fig. 2D）
• K≠0 时解耦不精确但 K 保持小时近似成立
• α、β、K 的差异化解耦角色对确定如何组合不同分子靶向非常有用
• 我的分析：这段是参数空间分析的数学基础。三参数正交控制是药物组合优化的理论基石——如果各参数可独立调控，则可针对 response object 的不同方面分别选药。但"近似正交"仅在 K=0 极限下严格成立，而 K=K_m/[Akt_total] 在实际细胞中不为零（取决于 Akt 浓度和 Michaelis 常数），因此解耦的近似程度是实际应用的关键不确定因素。K 的表达式（Eq. 1）连接了酶动力学（K_m）和系统级参数（[Akt_total]），展示了从分子到系统的跨尺度映射——这对 G&R 建模有方法论启发：可将分子级参数（如胶原 turnover 率）组合为系统级复合参数。

段落 4：参数空间的三区域划分与疾病映射

• 核心论点：(K, α) 参数空间被两条分岔曲线划分为三个区域，分别对应不可逆开关（癌症风险）、可逆双稳态开关（正常）和分级响应（胰岛素抵抗），为药物干预提供空间导航。
• 支撑论据：
• (K, α) 参数空间中每点代表给定 (α, β, K) 值集（β 固定，如 β=1），完全确定 response object A(I)
• 非线性动力学技术发现两条分岔曲线（红、蓝）将图分为三区域（ref 10）
• 同区域 response object 同类，与其他两区域定性不同
• 上区域：不可逆开关（I_off<0 的双稳态）——刺激超过 I_on 后 Akt 完全激活且刺激撤除后仍保持激活，即 Akt 失活不受刺激信号控制
• 中区域：可逆双稳态开关——Akt 激活和失活均受刺激控制
• 下区域：分级响应
• 参数空间可解释为不同细胞类型分布或不同生理/病理状态分区
• 正常细胞 (K, α) 值可能位于中间区域——双稳态具有正常细胞功能的许多理想性质（ref 15, Tyson et al. 2008），且双稳态是控制 homeostasis 的最优调节模式（ref 8, Wang 2012）
• 绿色椭圆标示正常参数范围
• 上区域对应高癌症风险：Akt 是癌蛋白（促进葡萄糖摄取、细胞生长增殖、存活），constitutive activation 有利于癌变
• 下区域对应刺激不敏感：如刺激是胰岛素则为胰岛素抵抗，可能暗含 2 型糖尿病病理——若大多数肌细胞胰岛素响应位于下区域则该人有高 2 型糖尿病风险
• 图中固定 β，未考虑 β 变化——即使细胞状态在绿色椭圆内，β 异常仍可导致病理变化（Fig. 2D 已展示此可能：β 减小导致 I_on 右移，也是胰岛素抵抗和潜在糖尿病的原因，但机制不同于位于下区域）
• 我的分析：这段是全文最具创新性的贡献——将 ODE 模型的参数空间通过分岔分析映射到疾病状态。三区域与三种疾病（癌症、正常、糖尿病）的对应关系清晰且有生物学合理性。但关键限制被作者自己承认：β 固定使二维投影不完整，β 异常导致的病理无法在图中体现。"大多数肌细胞位于下区域→糖尿病风险"的群体论断暗示了细胞间异质性的重要性，但模型本身是单细胞的——多细胞群体的参数分布如何影响整体表型未讨论。双稳态作为 homeostasis 最优模式（ref 8）的论断是关键假设，其理论基础需在 Wang 2012 中核实。绿色椭圆的边界是定性的，缺乏统计置信区间。

药物发现启示与未来展望

段落 1：Akt 直接抑制的风险与间接抑制的优势

• 核心论点：SD 模拟揭示直接抑制 total Akt 会降低 response object 灵敏度（增大 K），因此间接抑制（如靶向 PI3K）比直接抑制更有利于维持系统响应特性。
• 支撑论据：
• 第一个洞见：靶向 total Akt 进行癌症治疗需谨慎
• Akt 是显著癌蛋白，其抑制有合理依据（ref 16, Simioni et al. 2013），可直接抑制（抑制基因表达减少 total Akt，药物 RX-0201 临床可用，ref 17）或间接抑制（抑制 Akt 磷酸化）
• 但 SD 模拟表明 total Akt 丰度对维持人体健康的重要性（ref 10）
• 这有些反直觉——更高 Akt 水平对应更高癌症概率，正常 pAkt 水平应维持在中等范围以权衡癌症和糖尿病风险
• 模拟表明真正重要的不是 pAkt 水平"高或低"，而是它如何"在高和低之间切换"
• 紧密调控的 total Akt 丰度对响应灵敏度至关重要——Eq. (1) 表明 K 的微小取决于 [Akt_total] 的庞大
• 因此直接 Akt 抑制会增大 K 并降低灵敏度（从 Fig. 2C 到 A 的方向）
• 除灵敏度外，稳健性和适应性等其他精细性质也取决于 total Akt 丰度（ref 10）
• 结果凸显 Akt 的间接抑制——PI3K 是 Akt 磷酸化的关键促进子，靶向 PI3K 被证明是有效的间接 Akt 抑制方法（ref 18, Sabbah et al. 2012）
• 我的分析：这段展示了 response object 框架的实用价值——它不仅描述系统行为，还能指导药物策略选择。"重要的不是高低而是如何切换"这一洞示超越了传统药理学的量效关系思维，将关注点转向动力学模式。直接抑制→K 增大→灵敏度降低的因果链清晰，且 Eq. (1) 提供了定量基础。但"稳健性和适应性"这两个性质未给出数学定义，仅引用 ref 10。间接抑制优于直接抑制的结论有药理学支持（PI3K 抑制剂的临床有效性），但 SD 模拟是否比传统实验提供了额外洞示——还是仅事后解释了已知现象——尚不清楚。

段落 2：mTOR 抑制需联合 PI3K 抑制以减少副作用

• 核心论点：mTOR 抑制会增大 α（反馈强度）从而导致 ΔI 增大、Akt 失活困难，需联合 PI3K 抑制来右移 response object 以恢复 Akt 失活能力。
• 支撑论据：
• 第二个洞见：mTOR 抑制（流行药物靶点）应伴随 PI3K 抑制以减少副作用（ref 14）
• mTOR 抑制减缓癌细胞生长和增殖——有合理依据但临床试验仅获适度且不可预测的成功（ref 19, Guertin & Sabatini 2007）
• 模拟结果可解释此现象：参数 α 与 mTOR 活性负相关，故 mTOR 抑制会增大 α，进而增大 ΔI
• ΔI 增大使 Akt 失活更困难——延长的 Akt 激活有利于癌细胞
• 解决方案：抑制 PI3K 以减小 β，response object A(I) 右移（Fig. 2D），增加 Akt 失活机会
• 我的分析：这段是 response object 框架在药物组合优化中的直接应用——从参数空间分析推导出"mTOR+PI3K 联合抑制"的策略。mTOR 抑制剂临床试验"适度且不可预测"的现象有临床文献支持（ref 19），作者的解释（α 增大→ΔI 增大→Akt 持续激活）在模型框架内自洽。但此解释是否比其他已知机制（如 mTOR 抑制导致的 feedback activation of Akt 通过 S6K/IRS1 通路——这是临床文献中的经典解释）更优？作者的解释与经典解释在数学上是等价的（都是反馈解除导致 Akt 上调），但 response object 框架的优势在于将此效应量化为 ΔI 的变化。PI3K 联合抑制的策略已在临床中被探索（如 PI3K/mTOR 双重抑制剂），但 SD 模拟是否为这一策略提供了先于临床的指导——还是事后解释——取决于模型发表时间与临床试验的时间关系。

段落 3：未来展望——MD/SD 混合与化学信息学的系统级未来

• 核心论点：SD 模拟作为化学信息学前沿工具需更多工作，但随组学技术、SD 技术和 MD/SD 混合的成熟，化合物将不再仅以理化性质而是以系统级影响（灵敏度、稳健性、可调性）来刻画。
• 支撑论据：
• SD 模拟作为化学信息学新前沿工具前景广阔，但需更多工作使 SD 模拟的全局信息促进更高效利用局部化学信息进行药物设计和优化
• 组学技术允许更详细的分子描述
• SD 模拟技术允许更详细的系统级控制机制表征
• MD/SD 混合日益成熟
• 计算机更强大
• 未来：化合物不再仅以理化性质刻画，而以系统级属性（灵敏度、稳健性、可调性）刻画
• 化合物组合也将被刻画以提供更详细的局部信息并用于全局整合
• 我的分析：这段的展望将化学信息学的未来定位在"系统级属性刻画"上——从"分子的理化性质"到"分子对系统的影响"。灵敏度、稳健性和可调性这三个系统级属性的选择有深意：它们分别对应 response object 的阈值、滞回和可调控性，是药物优化的直接相关量。但这段是概念性展望，缺乏从当前状态到目标状态的具体路径。MD/SD 混合的实际实现——SD 识别靶点后如何系统性地传递给 MD 进行分子筛选——仍未被标准化。"化合物组合也将被刻画"暗示了多药组合的系统级评估，但多组分相互作用的参数空间维度爆炸问题未讨论。

摘要概述

这是一篇 opinion/review 文章，主张化学信息学（chemoinformatics）应从传统的分子动力学（MD）模拟层面延伸到系统动力学（SD）模拟层面，将系统级调控机制纳入其支柱组成部分。作者以 PI3K/Akt/mTOR 通路为示范系统，提出将 Akt 的刺激-响应曲线 A(I) 作为一种"response object"（而非传统 QSAR 中的单一 response variable），通过非线性动力学分析揭示该通路的 bistability、阈值开关（switch-on/off）以及参数空间中的相图分界。基于复合参数 α（反馈强度）、β（PI3K 活性）、K（Michaelis 常数/总 Akt 浓度）的解耦分析，作者展示了如何利用 SD 模拟识别关键药物靶点组合、优化 drug lead、并服务于个性化治疗，形成 MD/SD 混合模拟的 drug discovery 流程。

关键图表

• Figure 1: PI3K/Akt/mTOR 通路示意图，标注了从 pAkt 到 IRS 的正反馈环以及经 mTORC1 到 IRS 的负反馈环——是后续参数 α 定义与双稳态分析的拓扑基础。
• Figure 2: 不同参数（K、α、β）下 Akt 的刺激-响应曲线 A(I)，展示 K 控制整体敏感性、α 影响 hysteresis width ΔI、β 影响 switch-on 阈值 Ion 的解耦关系。
• Figure 3: 以 (K, α) 张成的参数空间相图，被两条分界曲线划分为三个区域——上区（不可逆开关/癌症高风险）、中区（可逆双稳态/正常态）、下区（graded 曲线/胰岛素抵抗），是全文的核心概念图。

与我的关联

将 ODE 分岔/相图分析系统性地用于细胞信号通路参数空间划分，与我对血管 G&R、动脉粥样硬化等力学-生物学耦合系统中稳态与失稳机制的关注在方法论上相通，可借鉴其"response object + 参数解耦"的思路刻画力学微环境下的通路响应模式。