本研究专题邀请原创研究、方法学论文、简报和综述，展示能够提供可转化药理学、稳健定量和可操作机制洞察的下一代细胞模型和筛选技术。我们寻求能够弥合分子假设与临床相关生物学之间差距的贡献，强调严谨性、可扩展性和实验验证。
我们欢迎以下子主题的投稿：
受体信号传导与靶点药理学的进展
投稿应部署尖端检测技术，以解析不同靶点类别（如G蛋白偶联受体、离子通道、受体酪氨酸激酶、核受体）的信号复杂性，包括偏向性信号传导、变构调节、探针依赖性和时空动态，同时利用工程化或原代细胞环境来探究受体偶联多样性（如G蛋白/β-阻抑蛋白通路、激酶级联、通道门控）、受体寡聚化、运输以及受体-受体串扰。我们邀请介绍生物传感器（如生物发光/荧光共振能量转移、构象传感器、第二信使指示剂、电压/离子指示剂或基于邻近的传感器）、多重转录报告系统和单细胞方法的研究，这些方法可增强敏感性和通路分辨率，以及定量框架（动力学/操作模型），以改进效价/效能估计，并实现跨不同受体家族的可转化药效学预测。
药物发现中的自动化与高通量
投稿应展示微型化、稳健且成本效益高的高通量和高内涵筛选工作流程（包括CRISPR基因编辑技术驱动的遗传筛选、基于图像的表型分析和微生理系统），并整合实验室自动化（液体处理、机器人技术、闭环实验）以加速设计-构建-测试周期并提高检测可重复性。我们欢迎验证先进检测技术的研究，如多重组学、成像细胞术、无标记技术和实时动力学测量在筛选兼容格式中的应用，并提供检测开发（Z′值、信号-背景比、剂量反应曲线质量、测量显著性比）、质量控制/质量保证流程、数据治理和命中筛选的最佳实践，以减少假阳性发现并提高下游成功率。
药物发现中的人工智能/机器学习
投稿应将预测建模（如生成设计、活性/clogP/ADME-Tox预测、多靶点药理学分析）与经实验验证的细胞实验相结合，并采用主动学习、贝叶斯优化或强化学习来指导化合物选择，通过前瞻性实验验证证明周期时间缩短和命中质量提高。我们也邀请应用可解释机器学习将细胞表型与作用机制、靶点结合或通路调节联系起来的研究，包括成像、转录组学和功能读数的多模态融合，以及分享开放的FAIR数据集和可重复的计算-实验流程，以促进社区基准测试。
感兴趣的模型系统包括原代细胞、诱导多能干细胞衍生细胞、三维/类器官培养、免疫共培养和重现人类生物学的微生理系统。我们也鼓励将细胞药理学与体内生物标志物和安全/疗效信号联系起来的转化研究。
重要提示：缺乏对计算机模拟结果进行实验验证的投稿将不予考虑。
关键词：细胞实验、高通量筛选、G蛋白偶联受体药理学、生物传感器技术、实验室自动化、表型分析、药物发现中的人工智能/机器学习、转化药理学
【全文结束】
