AI工具论-人工智能赋能中医药:从靶点识别到药物设计(下)

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。

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）。

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。

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）

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