用代谢指纹替代结合实验
这项研究要回答的是：不预设靶点的细胞代谢读数，能否完成靶向生化实验通常承担的任务——找出抑制某个特定酶或通路的化合物。流程不检测化合物是否结合某个选定蛋白，而是把可测到的整个代谢组当作表型。细胞在96孔板中培养，按多个浓度和多个孵育时间接受化合物处理，随后提取并用液相色谱-质谱联用（LC-MS）分析。研究还测定细胞总蛋白量，用于对代谢物信号做归一化。
分析设置是这一主张的实用核心。双通道高效液相色谱（HPLC）系统采用快速梯度，把每个样本的总循环时间压缩到4分钟；作者称这消除了质谱仪的闲置时间，相比单柱配置使通量翻倍。平台以低于30%的相对标准偏差可重复检测到4,437个m/z特征，并依据精确m/z比对人类代谢组数据库（HMDB），推定注释了481种代谢物。这些数字界定了筛选的分辨率：通路推断只能依赖实际测到的代谢物。
已知药物划定准确率基准
在筛选未知化合物之前，作者先在HCT116细胞中测试了76种已知药物，它们靶向30种不同的代谢酶。每种药物在0.5 nM至50 µM之间按10倍梯度取6个浓度，并在6个孵育时间点（10、30分钟，1、2、8和24小时）测量，因此每种药物得到36份代谢组学图谱，总计约50万次代谢物丰度测量。
预期中的特征信号出现了。IMPDH抑制剂霉酚酸使其底物IMP升高、下游GTP减少，而嘌呤生物合成另一分支上的AMP保持不变。四种DHODH抑制剂产生相同的定性模式：底物二氢乳清酸积累、下游UTP减少；它们的剂量反应与既往报道的IC50值吻合，BAY-2402234、brequinar、vidofludimus和leflunomide分别为1.2、20、160和约5,000 nM。leflunomide的例子带来一条设计教训：处理2小时时任何剂量下二氢乳清酸都无显著变化，但24小时后即使低剂量也可见效应。只取一个早期时间点，就会漏掉低亲和力抑制剂。
图模型如何给候选通路排序
人工判读对已知靶点有效，但面对未知化合物库就不够用，因此作者构建了一个分类器，把HumanCyc中的373条代谢通路逐一评为某药物可能的直接靶通路。输入是代谢物强度的二维时间×剂量矩阵。卷积神经网络对该矩阵编码，图神经网络再把编码后的响应沿通路结构传播，使同一通路中相连的代谢物共享信息。
性能通过在被分析药物上做五折交叉验证评估。29%的药物其正确通路排在首位，47%的药物正确通路进入前三。这一差距决定了工具的用法：它更适合生成候选清单，而不是给出唯一答案。作者还报告，正确通路进入前三的药物，其该通路中被测到的代谢物数量显著多于其余药物（t检验P < 0.00014），这说明限制准确率的因素包括代谢物覆盖度，而不只是模型架构。
图模型优于更简单的排序基线
有了对比，29%和47%才有可解读的含义。常用的超几何通路富集方法对9.2%的药物给出正确首位命中，对14%给出前三命中。改编自既往工作的代谢组响应相似性排序达到AUC 0.82，正确首位预测覆盖17%的药物，前三覆盖41%。在全部药物-通路对上，图分类器AUC为0.87，通路富集为0.74，作者报告这一差异显著（P < 6.6e-08）。
消融实验把通路结构的贡献与单纯的模型容量分开。把每条通路图替换为全连接图后，AUC降至0.79。仅用CNN的版本为0.62，仅用GNN的版本为0.69；而在人工设计的通路级特征上，浅层决策树达到0.80，XGBoost为0.78。作者据此认为，性能提升来自矩阵编码器与通路感知传播的结合，而非模型规模本身。需要注意，这些排序针对的是通路，并不确认直接的分子结合。
未知化合物库中筛出四个命中
把流程用于培养细胞中的1,020种药样化合物，得到四个靶向关键疾病通路的化合物：嘌呤生物合成抑制剂、嘧啶生物合成抑制剂，以及一个谷胱甘肽代谢诱导剂。作者用全面的代谢评估和生长挽救实验验证这些命中，而不是只依赖分类器的排序。
谷胱甘肽命中PCM554被表征得最充分。在HCT116、Hep G2和分化的C2C12肌管细胞中，以10 µM处理24小时，它提高了L-半胱氨酸（在HCT116和Hep G2中尤为明显），降低了氧化型胱氨酸二聚体，并增加了L-谷氨酰-L-半胱氨酸和L-半胱氨酰甘氨酸等中间产物。HCT116细胞先用10 µM PCM554预处理24小时，再用300 µM H2O2处理24小时，相对细胞数比未处理对照提高约两倍。该化合物在高达100 µM、48小时的条件下对HCT116增殖无影响，作者将其视为低毒性。
PCM554与NRF2之间的机制线索
HCT116细胞的蛋白质组学为论文提供了一条机制线索。PCM554处理显著提高了KEAP1–NFE2L2/NRF2通路中的蛋白水平（FDR校正P < 1.03E-10），该通路是细胞氧化还原稳态的调控者。被诱导的蛋白包括谷氨酸-半胱氨酸连接酶——论文称其为谷胱甘肽生物合成的限速步骤——其催化亚基Gclc（P < 0.01）和调节亚基Gclm（P < 0.003）均升高，此外还有HMOX1、NQO1和SRXN1。
这是作者提出的链条：PCM554改变氧化还原代谢物水平，NRF2相关抗氧化蛋白升高，谷胱甘肽合成能力增强。蛋白质组学数据支持处理与蛋白丰度之间的关联；论文并未确定PCM554直接结合哪个分子靶点。读者应保留这一区分，因为筛选输出的是通路层面的假设，随后再经功能检验，而不是解卷积到某个具体蛋白。
细胞模型中的肌萎缩逆转
与疾病相关的测试使用分化的C2C12肌管，以1 µM地塞米松处理72小时诱导萎缩，同时加或不加10 µM PCM554。地塞米松提高了Trim63和Fbxo32的表达，这两个基因分别编码E3泛素连接酶MuRF1和MAFbx/atrogin-1，而PCM554显著逆转了这一升高。PCM554还逆转了萎缩中升高的蛋白积累，包括激活Trim63和Fbxo32的转录因子FOXO3，以及蛋白酶体和自噬降解相关基因、MG53和MuRF2/MuRF3家族蛋白。由于萎缩时降解快于合成，研究测定了总蛋白含量，结果显示PCM554使其恢复到与未处理对照相当的水平。
这些是地塞米松诱导萎缩模型中的细胞培养结果，并非动物或患者中的测量。该挽救结果支持PCM554作为谷胱甘肽代谢诱导剂、并与氧化还原驱动的萎缩存在合理联系，但论文关于治疗价值的证据止于培养肌管和生长挽救实验。
流程的扩展边界与适用限度
论文对自身价值的定位是通量加可解释性。4分钟循环时间、96孔自动化和1,020种化合物的库说明该方法可扩展到数千种化合物，作者把这种可扩展性视为通往临床相关代谢抑制剂的路径。指导使用该工具的关键比较来自论文内部：图分类器首位29%、前三47%的准确率，对比富集方法的9.2%和14%，AUC为0.87对0.74。
这一比较也划定了操作阈值。由于不到一半的已知药物靶点进入前三，且前三命中率取决于平台测到了多少该通路代谢物，该流程最合理的定位是优先级筛选步骤：把大化合物库缩小为需要功能验证的候选清单，四个命中正是这样处理的。对任何想延续这项工作的人，最影响决策的细节是覆盖度依赖：论文把改进代谢物检测视为提升预测的途径，而不只是技术上的完善。
本文引用的文献
Untargeted screening of drug-like compounds using high-throughput metabolomics uncovers inhibitors of key biological pathways
一套每样本4分钟的LC-MS代谢组学流程配合图神经网络筛选了1,020种药样化合物，识别出四个靶向通路的化合物，包括谷胱甘肽代谢诱导剂PCM554；在76种已知药物中，正确靶通路排首位的有29%，进入前三的有47%。