夜雨聆风上篇我们走通了"数据库 → AI 筛选 → 分子对接 → 多组学 + KG → 机制推断"这条路径。
但发现靶点和机制只是前半程。
真正让课题组头疼的问题是——
那么多潜在成分和靶点，怎么组合才最有效？
这部分才是临床转化的关键一步。本文下半部分从三个层次回答这个问题：
1. 网络药理学 → 告诉你"谁和谁在哪个通路上协同"
2. 机器学习和深度学习 → 算出来"协同到底有多强"
3. 大语言模型 → 直接根据症状描述开出方子，连剂量都给好
中药方剂里的多味草药，到底是怎么"互相配合"的？
传统解释靠"君臣佐使"。这没错，但缺乏定量手段——你没法精确说"这味臣药让君药的效力提升了 37%"。
操作流程：
第1步 构建成分-靶点相互作用网络。输入草药化合物列表和靶点数据库，用 Cytoscape 可视化。
第2步 网络拓扑分析。计算 Degree Centrality 和 Betweenness Centrality，筛出 Hub 靶点——这些是方剂中多味药共同作用的"十字路口"。
第3步 通路富集分析。将 Hub 靶点导入 KEGG 或 GO，识别被共同调控的信号通路。
第4步 协同通路识别。同一个通路上被多味药的不同成分同时"击中"，即为通路级协同。
典型案例：Zhang 等人研究清络饮治疗类风湿关节炎，发现方中不同成分汇聚于 TNF 和 NF-κB 两条核心炎症通路，形成了通路级协同。
操作流程：
第1步 特征工程。为每对化合物组合提取分子描述符（如分子量、logP、氢键供体数）+ 降维后的基因表达谱。
第2步 模型训练。用 SVM 或随机森林做协同效应分类 / 回归。
第3步 实验验证。对预测的高协同组合，在细胞实验中测定 Combination Index（CI < 1 即为协同）。
典型案例：Li 等人用这个框架预测到了和厚朴酚 + 新绿原酸的协同组合。体外实验证实：该组合在 MCF-7 乳腺癌细胞中诱导 S 期阻滞、促进凋亡、增加 ROS、减少集落形成。
为什么要从 ML 升级到 DL？
传统机器学习容易过拟合、跨数据集泛化差。这直接推动了下一步深度学习方法的出现。
如果机器学习是把协同预测做"准"，深度学习就是在"准"的基础上做"全"。
不仅要预测两个成分是否协同，还要优化整个方剂的多味药组成，甚至考虑它们在方中的角色分工。
四个关键模型逐个看
架构：DNN 双输入 —— 化学结构描述符 + 化合物-靶点交互特征
输出：药物-药物协同评分
案例1：黄芪 + 白花蛇舌草组合，在 MDA-MB-231 乳腺癌细胞中验证。组合 I 的 IC50 = 19.41 μM，CI = 0.682（< 1 即为显著协同）
案例2：夏枯草 + 蒲公英草药对，筛选出 T1685（绿原酸 + 迷迭香酸 + Scopoletin），CI = 0.32，协同极显著
怎么用：给定两个草药，预测哪些成分组合在特定癌症类型中有协同作用
核心逻辑：疾病 = 通路失调（A），药物 = 逆转失调（−A），最优组合 = 最有效逆转
操作步骤：
1. 提取疾病的转录组通路特征 → 得到一个"失调向量"A
2. 提取每种候选草药的转录组响应特征 → 得到各自的"调节向量"B
3. 训练 DNN，找到使加权聚合 B 最接近 −A 的草药集合
4. 根据逆转功效计算各草药的贡献权重
可迁移性：
只要你有疾病和草药的转录组数据，就能直接套这个框架。不需要预先知道靶点。
用层次图结构定义草药间关系 + 角色层次
应用于肠胃炎处方预测，推荐 8 味草药与实际处方匹配率 80%
局限坦诚：还无法完全建模君药治主证、臣药辅佐、佐药中和、使药引经的复杂生物交互
整合大规模 KG → 平衡评分函数 → 定量评估候选方剂
筛选出黄金双参加味（HJSSJW）为冠心病合并抑郁症的顶级方剂
极罕见的全链条验证：
小鼠心肌缺血模型（心脏保护、减轻纤维化/炎症/抑郁行为）→ 临床患者血清指标验证（CK-MB、LDL、5-HT、IL-6 均改善）
前面所有方法，本质都是在"候选集中排序 / 筛选"。
而大语言模型更进一步——
直接根据患者症状描述生成处方，包括草药列表和剂量。
中医药 LLMs 经历了四代演进：
BianQue → HuatuoGPT → TCM-GPT → TCMChat
最关键的一步是 TCM-FTP（Zhou 等，2024 IEEE BIBM）：
数据：DigestDS 临床数据集（症状-处方记录）
方法：预训练 LLM → LoRA 低秩适应微调 → 数据增强
输入：患者自然语言症状描述
输出：草药列表 + 对应剂量
结果：
预测的组成和剂量与临床实践紧密匹配，模型已经学到了"草药配伍"这一中医药核心要素。
挑战一："幻觉"在中医语境中不一定是坏事
西医有明确的客观指标（血糖值、肿瘤大小），偏离即为错误。但中医辨证高度依赖经验，缺乏"客观金标准"。
所以 LLM 生成的"非常规"处方，可能反映的是"临床合理但尚未被充分探索的模式"。
建议：评估策略应该从"对 / 错二元判断"转向"多位中医专家共识评估"。
挑战二：LLMs 学的是相关性，不是因果性
当前 LLMs 从大规模病历中学的是统计规律性，而不是"君臣佐使逻辑、药性归经"这些中医药核心原则。
三个已提出的解决方向：
1. 将中医药概念与现代医学指标对接 —— 如心率变异性可部分映射"气"的量化
2. 模糊逻辑纳入症状-证候关系 —— 用"症状归属证候的程度"取代二元分类
3. 多模态数据整合 —— 纳入舌象、脉象、声音等四诊信息
这篇综述最让人欣赏的是结尾处的坦诚。
五个还没解决的问题
五个正在探索的方向
技术路线主线
处方推荐经历了三次跳跃：网络药理学（定性：协同在哪）→ ML/DL（定量：协同多强）→ LLMs（生成：直接开方）
每一次跳跃都从"依赖预定义规则"向"从数据中学习"迈进一步。
但文章明确指出：成功的方法从不追求"不受限制的模式提取"。而是把诊断逻辑、处方规则、临床上下文作为结构约束嵌入模型。
五条可以马上用的启示
DeepMDS 的所有案例，AI 预测的协同组合都经过了 CI 值验证。AI 能帮你选候选，但体外实验的 CI 值是把"计算假说"变成"实验结论"的最低门槛。别跳这一步。
疾病特征 = A，药物特征 = B，目标是 B ≈ −A。只需要两个条件：① 疾病转录组数据，② 每种候选草药的转录组响应数据。不需要预先知道靶点。
80% 的匹配率很亮眼，但文章坦承还没法完全建模君臣佐使之间的复杂生物交互。做方法学的可以把它当改进方向。做应用的，DeepMDS 的简单 DNN 反而是更务实的选择。
中医辨证缺乏客观金标准。改用四位一体定性评估：
— 与经典理论的符合度
— 与证候逻辑的一致性
— 临床禁忌症排除检查
— 回顾性真实世界病历中类似处方的安全性统计
深度学习、LLMs 都是通用技术。它们在中医学领域的成功，有一个共同前提：必须嵌入中医药特有的约束和先验知识。
TCM-HEDPR 的角色层次结构、NeCTAR 的通路逆转假设、LLMs 的辨证逻辑对齐——本质都是在 AI 框架中加中医规则。
纯数据驱动的模式提取在中医药领域没有出路。因为现有数据本身就不够准确。
上篇 + 下篇完整走完了"成分发现 → 靶点匹配 → 机制推断 → 协同预测 → 处方推荐"这条 AI for TCM 全链路。
提炼为一个简洁的判断——
已经成熟可用的：AI 增强的化合物相似性筛选和分子对接（验证管线清晰，跨研究一致性高）
正在探索但潜力巨大的：KGs 辅助的机制推断、数据驱动的协同预测、LLMs 处方推荐
这篇文章反复传递的最重要信号是：
在中医药 AI 研究中，"数据来源和训练策略"比"模型架构"更关键。
用独立于 TCM 数据库的化学-生物活性数据集训练模型，比在任何专有数据库上堆更复杂的架构都有效。
把基础工作做扎实 —— 数据清洗、独立验证集、实验验证闭环 —— 就是最快的路。
原文：Wang M, Wang W, Shen M, Fan X, Liao J. AI for TCM: From target identification to drug design. J Pharm Anal. 2026. DOI: 10.1016/j.jpha.2026.101681
上篇请见
九玺生物针对临床科学研究，提供全流程一站式科研解决方案
● 1. 方案定制：结合样本与分组，量身规划科研队列方案
● 2. 成分鉴定：完成含药血清、药液入血成分识别及数据分析
● 3. 多组学检测：依托自建质谱平台，开展代谢、蛋白、转录、单细胞测序检测，配套专业技术服务
● 4. 深度生信分析：筛选差异分子、富集通路、构建关联网络、排序候选靶点，输出即用型数据结果
● 5. 实验验证：承接细胞组织层面免疫影像、分子生物学相关实验设计与实操
