STTT (1區，IF=52.7)｜AI+多組學打通藥物研發全流程：從靶點發現、虛擬篩選到精準臨床試驗設計！(彭偉軍/劉昭前/毛小元—中南大學)

2026年6月3日，中南大學第二湘雅醫院國家代謝性疾病臨床醫學研究中心彭偉軍團隊、中南大學湘雅醫院臨床藥理研究所劉昭前團隊、毛小元團隊，以及中南大學湘雅藥學院Kun Zhu等，在Signal Transduction and Targeted Therapy（中科院醫學1區 Top，2024 Journal Impact Factor = 52.7）在線發表題為 “Multi-omics and artificial intelligence for precision drug discovery and potential clinical applications” 的綜述論文。該文于2025年5月7日投稿，2025年10月8日修回，2026年1月27日接收，2026年6月3日在線發表。

該綜述聚焦當前生物醫藥領域最受關注的交叉方向——多組學與人工智能驅動的精準藥物發現。文章系統梳理了基因組學、轉錄組學、蛋白質組學、代謝組學、微生物組學等多組學數據如何參與藥物靶點識別、藥物再定位和新化合物發現，同時總結了人工智能在虛擬篩選、從頭分子設計、藥代動力學建模、藥物相互作用預測、安全性評價以及臨床試驗優化中的關鍵作用。

作者指出，傳統藥物研發長期面臨高失敗率、高成本和轉化效率不足等問題，而“多組學 + AI”的融合正在推動藥物研發從單一靶點模式走向網絡藥理學、從線性開發流程走向計算預測與實驗驗證并行迭代、從人群平均治療走向患者特異性數字孿生模擬。文章還結合腫瘤、神經退行性疾病、心血管疾病和罕見病等案例，展示了該技術體系在精準醫學和轉化藥物研發中的應用前景。

這篇綜述的價值在于，它并不是單純討論“AI 能不能做藥物研發”，而是從藥物研發全流程出發，回答了一個更關鍵的問題：AI 如何與多組學數據結合，真正嵌入靶點發現、候選分子篩選、ADMET 預測、藥物安全性評價和臨床試驗設計等核心環節。 對于從事生物醫藥、藥理學、代謝疾病、腫瘤轉化研究、藥物研發和醫學人工智能方向的科研人員而言，這篇文章提供了一張較為完整的技術路線圖。

?獲取原文PDF文件，請關注本公眾號，并在后臺私信留言“20260604”，可自助獲取！！！

?或請關注本公眾號“代謝與整合生物學”，然后點擊下方鏈接，自動跳轉下載頁面：

代謝與整合生物學微信公眾號-20260604.pdf

【摘 要】

多組學技術與人工智能（AI）的融合，正在成為現代精準醫學中的重要推動力量，尤其深刻影響藥物發現領域。多組學方法，包括全基因組關聯研究、轉錄組譜分析、蛋白質相互作用圖譜和代謝組測序，能夠以前所未有的深度揭示疾病發生發展的分子動態過程。基于深度學習架構的先進 AI 方法，則在解析復雜生物數據、識別潛在模式以及構建高保真預測模型方面展現出突出能力。

多組學與 AI 的聯合應用具有重要潛力：一方面可以加速藥物靶點識別，另一方面有助于優化先導化合物篩選流程，并提升臨床試驗設計的精準度。不過，該領域仍然面臨多方面挑戰，例如不同組學數據流之間的協調整合、研究結果的可重復性，以及算法偏倚的控制。

本文系統分析了多組學在藥物開發全流程中的應用，包括靶點解析、藥物再定位和從頭化合物發現。同時，文章也探討了 AI 在藥物發現中的關鍵作用，重點涉及虛擬篩選、藥代動力學建模和安全性評估框架。多組學與 AI 的融合為假設生成和數據驅動型發現提供了獨特優勢，也為治療創新打開了新的路徑。通過梳理腫瘤、神經退行性疾病和心血管疾病中的代表性案例，并結合相關技術基礎設施，本文展望了未來藥物開發的新方向。這些技術的匯聚不僅有助于更全面地理解分子機制，也有望支持更精準的治療干預，標志著從實驗臺到臨床轉化醫學進入新的發展階段。

01

研究背景及科學問題

當代藥物研發仍然是一項高度高風險的事業。臨床試驗階段的失敗率已經超過 90%，而每一種最終獲得上市批準的治療藥物，平均總投入可達 26 億美元。這些數字不僅反映了人力、材料和監管成本的上升，也暴露出現有疾病研究模式中的深層局限。傳統的“一個藥物—一個靶點”模式曾在感染性疾病和高血壓等疾病治療中取得成功，但面對腫瘤、自身免疫性疾病和神經退行性疾病等復雜疾病時，往往難以解釋基因組、表觀基因組、轉錄組、蛋白質組和代謝組之間的復雜互作。

以惡性腫瘤為例，單個致癌驅動突變可能會重塑信號轉導級聯反應，改變轉錄景觀，并重新編程腫瘤微環境中的代謝流。這類變化并不能通過單一分子抑制輕易糾正。類似的多組學失衡也存在于自身免疫性疾病和神經退行性疾病中，例如蛋白質錯誤折疊、慢性炎癥和代謝功能障礙可能互相促進，形成持續性的病理反饋環路。

藥物轉化研究還受到臨床前模型不足的限制。傳統的永生化細胞系通常在剛性的二維培養基質上生長，難以模擬人體疾病中的三維組織結構、細胞外基質變化和免疫微環境。基因工程小鼠模型雖然有助于機制研究，但往往不能充分反映人類疾病易感性的多基因背景和環境異質性。即使是微生理系統和患者來源類器官等先進模型，也仍然難以完整模擬系統性內分泌調控或人類腫瘤長期克隆演化的特征。因此，許多在簡化模型中表現良好的候選藥物，在臨床試驗中并不能取得預期效果，從而造成昂貴的轉化瓶頸，延緩患者獲得關鍵治療的時間。

為突破這一困境，藥物研發領域正在更多采用整合性研究策略，即將高分辨率多組學數據與機器學習（ML）驅動的因果網絡擾動推斷結合起來。如果這些框架能夠在更貼近人體狀態的動態模型中反復驗證，例如縱向類器官生物樣本庫、免疫人源化小鼠系統和體內數字孿生模型，就有望幫助研究者解析復雜疾病病因，并加速機制發現向臨床可操作干預策略的轉化。

多組學分析平臺的興起，為理解生物復雜性提供了前所未有的系統層面視角。基因組學、表觀基因組學、轉錄組學、蛋白質組學和代謝組學被整合為統一的多維數據集，可以全面捕捉單個生物樣本中的分子狀態。在云計算規模的計算框架和 AI 驅動的數據協調技術支持下，這類整合流程能夠打破過去由單一技術路線造成的數據碎片化，使研究者從單核苷酸變異一路追蹤到整體表型變化。

在這一范式下，空間轉錄組學成為重要技術代表。例如，MERFISH、10x Genomics Visium 以及新興原位測序技術，可以在完整組織結構內，以亞細胞分辨率描繪基因表達梯度和細胞微環境。通過保留空間坐標，這些技術能夠揭示配體—受體信號網絡、代謝分區和生物力學作用如何共同塑造腫瘤—免疫互作。MERFISH 可以在單個 CD8+ T 細胞中同時定量數百種免疫檢查點轉錄本，并測量其與 PD-L1+ 巨噬細胞之間的空間距離，從而識別與免疫檢查點阻斷治療耐受相關的免疫排斥微解剖結構。Visium 則可以將表達譜疊加到蘇木精—伊紅染色的組織形態特征上，使機器學習能夠整合形態學和轉錄組信息，尋找具有空間分辨率的臨床分層生物標志物。

與此同時，單細胞測序技術，包括單細胞 RNA 測序（scRNA-seq）、單細胞染色質可及性測序（scATAC-seq）及其多模態衍生技術，為研究腫瘤和炎癥中的克隆層級、轉錄動態和表觀遺傳可塑性提供了核苷酸級別的信息。scRNA-seq 可以在數千個單細胞中捕獲全長或 3′ 端標記 mRNA，描繪致癌軌跡、干細胞樣程序和應激適應模塊，并通過惡性細胞、基質細胞和免疫細胞之間的配體—受體互作分析細胞間通訊。scATAC-seq 則能夠繪制全基因組染色質可及性圖譜，揭示譜系特異性增強子活性、轉錄因子結合動態以及影響治療敏感性的調控可塑性。

高通量蛋白質組學技術，包括質譜和親和力陣列，可以識別疾病相關的翻譯后修飾，例如磷酸化和泛素化，以及異常信號通路。代謝組通量分析則能夠定量生化通路中的動態擾動。當這些多維數據與人工智能結合時，深度神經網絡（DNN）可用于模式識別，圖神經網絡（GNN）可用于生物網絡推斷，Transformer 可用于多模態數據融合，從而幫助研究者解析病理機制，并發現傳統還原論方法難以識別的可治療脆弱點。例如，AlphaFold 和 RoseTTAFold 等 AI 結構生物學平臺已經能夠實現接近實驗水平的蛋白質折疊預測，而生成對抗網絡（GAN）和強化學習則可支持具有特定藥代動力學/藥效學特征的新化合物從頭設計。

多組學與 AI 的融合正在從三個方面重塑藥物發現。第一，藥物研發正在從單一靶點抑制轉向以疾病擾動互作組為對象的網絡藥理學模型。第二，線性、順序式的開發流程正在被并行化、適應性循環所替代，計算預測與實驗驗證可以反復迭代。第三，治療策略正在從基于人群平均水平的方案，轉向結合個體多組學特征的患者特異性數字孿生模擬。盡管這一框架具有變革潛力，但仍然存在轉化障礙，包括公共數據庫中數據采集方案、分析流程和本體框架不一致，當前多組學測量多為靜態數據、時間分辨率有限，以及高復雜度 AI 模型可解釋性不足、算法偏倚和精準技術成本較高等問題。

本文系統分析了多組學整合在藥物開發流程中的作用，涵蓋靶點識別、藥物再利用和從頭化合物生成。文章同時闡述了 AI 在虛擬篩選、藥代動力學（PK）建模和毒性預測中的擴展作用，并通過腫瘤、神經系統疾病和心血管疾病（CVD）案例展示其轉化價值。通過綜合當前機遇與持續存在的限制，本文為下一代治療發現提出了戰略路線圖。

文獻檢索策略方面，作者圍繞多組學與人工智能在精準藥物發現中的交叉領域開展系統性文獻綜述。納入材料包括同行評議期刊論文、會議論文以及其他具有學術嚴謹性的來源。檢索覆蓋 PubMed、Web of Science 和 Scopus，并根據各綜述部分設計主題化檢索策略。作者還使用醫學主題詞（MeSH）等受控詞表擴展檢索范圍，并通過布爾邏輯平衡召回率和特異性，以確保檢索結果與“多組學”和“藥物發現”等核心主題高度相關。

02

重要發現及亮點

多組學正在把藥物發現推向系統生物學層面

原文首先強調，多組學已經從探索性研究工具，逐漸轉變為現代藥物研發中的基礎范式。傳統單組學方法雖然有價值，但很難全面解釋基因驅動因素、轉錄調控因子、蛋白質效應分子和代謝中間產物之間的相互作用。整合基因組學、表觀基因組學、轉錄組學、蛋白質組學、代謝組學和微生物組學，可以幫助研究者從多個層面理解疾病狀態。

在靶點發現方面，多組學能夠整合全基因組變異、單細胞轉錄組、翻譯后修飾蛋白質組、動態代謝組和表觀基因組調控特征，進而構建疾病擾動互作網絡。通過網絡中心性分析、藥物可成藥性評估和功能必需性分析，研究者可以識別關鍵調控節點，例如多效性激酶、表觀遺傳修飾因子和非編碼 RNA 樞紐。CRISPR 篩選、癌癥依賴圖譜、空間多組學和單細胞多組學等技術，則進一步提高了靶點發現的分辨率和轉化相關性。

在藥物再定位方面，多組學可以系統分析疾病分子特征與既有藥物之間的聯系，從而發現“老藥新用”的潛力。通過聯合基因組、蛋白質組和代謝組信息，研究者能夠識別隱藏的藥物—靶點—通路關系。例如，基于蛋白質組和轉錄組擾動特征的方法曾被用于篩選阿爾茨海默病候選藥物；在 COVID-19 研究中，轉錄組和蛋白相互作用網絡也幫助提示了炎癥相關治療策略。原文同時指出，多組學驅動的藥物再利用仍面臨時間分辨率不足、臨床前模型與真實患者數據不一致等問題。

在新化合物發現方面，多組學正在改變天然產物發現和合成化學設計流程。通過基因組—代謝組—蛋白質組聯合分析，研究者可以將生物合成基因簇與次級代謝產物聯系起來，從而提高活性分子的發現效率。原文列舉了丹參活性成分、雷公藤紅素、天然產物衍生抗腫瘤化合物、中藥復方活性成分以及腸道菌群代謝物等案例，說明多組學能夠幫助解析活性成分來源、作用網絡和潛在治療靶點。

圖1：多組學在藥物發現中的應用。多組學數據的整合有助于靶點發現、生物標志物識別、藥物再定位、化合物發現和臨床試驗設計，并進一步促進患者分層和精準醫學發展。

人工智能正在改變藥物設計的關鍵環節

在多組學數據復雜度不斷上升的背景下，AI 成為連接大數據與藥物發現的重要工具。原文指出，AI 可以處理高維數據、進行降維和特征選擇，從而提升多組學數據分析效率，并在靶點發現、藥物設計和臨床試驗優化中發揮核心作用。

在藥物設計階段，機器學習模型如隨機森林（RF）和梯度提升分類器，可以用于預測分子活性和毒性。深度學習與分子對接結合的虛擬篩選策略，則可以以遠低于傳統方法的成本篩選大規模化合物庫。面向抗菌藥物發現的定向消息傳遞神經網絡（D-MPNN）也被用于篩選針對大腸桿菌和鮑曼不動桿菌的新型抗生素候選物。

AI 還推動從頭藥物設計。例如，生成式張量強化學習（GENTRL）能夠生成兼顧可合成性、新穎性和生物活性的候選小分子。原文提到，GENTRL 曾在 21 天內識別出作用于盤狀結構域受體 1（DDR1）的潛在抑制劑。圖神經網絡（GNN）、循環神經網絡（RNN）、生成對抗網絡（GAN）和強化學習等方法，也正在用于分子結構生成、藥效預測、結構優化和藥物制劑策略設計。

不過，原文也提醒，AI 驅動藥物發現仍面臨數據質量不均、測量誤差、缺失值、批次效應和模型“黑箱”問題。在藥物研發場景中，理解模型為什么做出某種預測，對于解釋藥物作用機制（MoA）和安全性風險至關重要。當前的生成模型還存在化學新穎性有限、結構與訓練集重復、合成可行性不足以及生物活性驗證不充分等問題。

圖2：人工智能用于藥物設計。人工智能可以在多個階段輔助藥物設計，包括靶點識別、先導化合物發現、藥物性質評估、化合物合成與優化以及臨床開發。DL，深度學習；GNN，圖神經網絡；NLP，自然語言處理；GAN，生成對抗網絡。

AI 可輔助預測藥物相互作用

藥物—藥物相互作用（DDI）預測對于保障患者用藥安全具有重要意義，尤其是在多藥聯用越來越普遍的臨床背景下。原文指出，DDI 本質上受到藥代動力學（PK）和藥效學（PD）因素共同影響。AI 可用于預測藥物吸收動力學、代謝穩定性和清除途徑，也可結合高分辨率質譜識別代謝路徑和反應性中間體，用于毒理風險評估。

在個體化治療中，AI 可以整合患者基因型變異、肝腎功能等參數，支持劑量個體化和 DDI 早期預警。在藥效學層面，監督學習模型可以量化藥物—靶點結合親和力，并預測協同或拮抗藥理效應。AI 還可以利用電子健康記錄（EHR）進行聚類分析，將患者劃分為不同藥物反應亞群，并預測不良事件易感性。

原文進一步指出，AI 已經突破了傳統定量構效關系（QSAR）模型的線性限制。邏輯回歸、隨機森林、支持向量機（SVM）和圖神經網絡等方法，已經被廣泛用于處理大規模 DDI 數據，并識別影響藥物相互作用的關鍵特征。基于分子圖表示的深度學習方法，可以不只關注完整分子結構，而是進一步捕捉亞結構之間的相互作用，從而提高預測準確性。

圖3：人工智能用于預測藥物—藥物相互作用。人工智能可以從藥代動力學和藥效學兩個角度輔助預測藥物—藥物相互作用。AI，人工智能；ADME，吸收、分布、代謝和排泄。

AI 正在拓展藥物安全性預測場景

藥物安全性評價貫穿臨床前、臨床試驗和上市后監測全過程。原文指出，AI 在毒性預測、藥物不良反應識別、分子結構優化和降低臨床試驗失敗風險方面具有重要價值。心臟毒性和肝毒性是藥物開發中重點關注的安全性問題，早期預測這些毒性可以顯著降低候選化合物失敗風險。

AI 模型可以利用 DrugBank、medDRA 等公共數據庫中的藥物屬性數據預測心臟毒性。一些模型在驗證數據和未知數據中均表現出一定區分能力，可用于識別安全藥物和潛在高風險藥物。AI 方法也被用于預測藥物性肝損傷，并結合基因表達、分子結構和臨床不良反應數據進行綜合判斷。

在上市后階段，AI 可以整合 FDA 不良事件報告系統（FAERS）、VigiBase、電子健康記錄、社交媒體、患者論壇、科學文獻和保險理賠數據，識別時間模式、合并用藥相關不良反應以及高風險人群。原文同時指出，AI 藥物安全性預測仍然受到模型可解釋性、數據質量和跨物種預測可靠性的限制。

圖4：人工智能用于藥物安全性預測。人工智能可以在臨床前、臨床和上市后階段輔助藥物安全性預測。AI，人工智能；FAERS，FDA 不良事件報告系統；EHRs，電子健康記錄；ADRs，藥物不良反應。

多組學與 AI 融合已進入多疾病藥物開發案例

原文將多組學與 AI 融合的藥物開發應用，集中展示在神經系統疾病、腫瘤、心血管疾病和罕見病等方向。對于神經系統疾病，藥物再定位具有縮短研發周期和降低成本的優勢。AI 結合組學數據可以用于預測疾病風險因素，并幫助識別潛在藥物靶點。例如，基于血漿蛋白水平的機器學習模型可評估不同器官衰老速度，并與心力衰竭或阿爾茨海默病進展風險相關。

在腫瘤領域，多組學與 AI 可以整合基因突變、轉錄組、蛋白質組、代謝組、腫瘤微環境和藥物敏感性信息，支持靶點識別、生物標志物發現和藥物再定位。原文提到的策略包括針對 EGFR、LSD1、STK33、PI5P4K-β、CXCR4 等靶點的新型化合物開發，以及在肝癌、胰腺癌、結直腸癌等疾病中的應用探索。

在心血管疾病方面，多組學和 AI 可用于動脈粥樣硬化、冠狀動脈疾病和心律失常等復雜疾病的分子分型和風險預測。通過整合蛋白組、代謝組、遺傳變異和臨床指標，研究者可以識別新的治療靶點和疾病亞型。對于罕見病，多組學與 AI 的結合有望在樣本量有限的情況下，提高致病機制解析和候選治療策略篩選效率。

圖5：多組學與人工智能融合用于藥物開發的案例。多組學數據與人工智能的整合，使靶點識別、生物標志物發現和藥物再定位形成綜合策略。這些方法已被應用于多種疾病類別，包括神經系統疾病、心血管疾病、癌癥以及部分罕見病。

多組學與 AI 可支持精準臨床試驗設計

臨床試驗是評價候選藥物安全性和有效性的核心環節，通常需要 6–7 年，并伴隨高昂成本。盡管投入巨大，只有約 10% 的研究性分子實體最終獲得監管批準。原文指出，試驗失敗的常見原因包括患者選擇不當、基礎設施不足和研究中心表現不佳。

AI 可以利用大規模數字健康數據改善臨床試驗設計。機器學習算法可以挖掘歷史試驗數據，幫助識別合適受試者；深度學習方法還可以根據預測入組表現對研究者或研究中心進行排序，從而優化中心選擇和運營效率。由于患者入組接近占據臨床試驗總時長的三分之一，優化這一階段十分關鍵。

多組學數據可以為患者提供更細致的分子畫像，支持精準分層和入組篩選。AI 算法則能夠分析復雜多組學數據，識別生物標志物并預測患者反應，幫助選擇更適合進入試驗的人群。AI 驅動模型還可以將多組學數據與臨床信息整合起來，設計更適合特定患者群體的個體化治療方案。此外，AI 也可用于適應性臨床試驗設計，根據中期結果動態調整方案，從而提高資源利用效率和成功概率。

圖6：多組學與人工智能的整合促進精準藥物臨床試驗設計。多組學和人工智能的整合可以在試驗設計、啟動、執行和結題階段促進臨床試驗開展。

從靶點到臨床：多組學與 AI 正在構建新型藥物發現閉環

原文最后將多組學與 AI 的融合概括為一個貫穿藥物發現全流程的閉環體系。該體系包括多組學數據采集、AI 模型訓練、靶點發現、虛擬篩選、分子生成、ADMET 預測、臨床前驗證、患者分層和臨床試驗優化。通過貝葉斯網絡、圖神經網絡、變分自編碼器、循環神經網絡、強化學習和其他 AI 方法，研究者可以更系統地從復雜生物數據中提出可驗證假設。

這一框架的意義在于，藥物發現正在從以經驗和試錯為主的過程，逐漸轉向更可預測、更工程化的科學流程。不過，原文也指出，真正實現轉化仍然需要解決數據標準化、模型可解釋性、跨機構數據共享、隱私保護、算法公平性和臨床驗證不足等問題。

圖7：多組學與人工智能的整合促進藥物發現。SVM，支持向量機；GNN，圖神經網絡；RNN，循環神經網絡；VAE，變分自編碼器；ADMET，吸收、分布、代謝、排泄和毒性。

▼從前沿趨勢走向真實應用

可以看到，AI 與多組學的結合，已經不再只是停留在概念層面的技術想象，而是正在逐步嵌入藥物研發的關鍵環節：從靶點發現、虛擬篩選、分子設計，到 ADMET 預測、臨床前評價和臨床試驗優化，藥物研發正在形成一個更加數據化、智能化和可迭代的新流程。

但也正因為如此，真正理解 AI 藥物研發，不能只停留在閱讀論文和了解概念上。對于科研人員、醫藥企業研發人員、CRO/CDMO 從業者以及關注生物醫藥創新的專業人士而言，更重要的是掌握數據如何整理、模型如何選擇、工具如何使用，以及 AI 如何真正嵌入藥物研發的具體場景。

圍繞這一需求，中國科學院人才交流開發中心擬舉辦“人工智能賦能藥物研發全流程應用與工具實操”高級研修班，課程內容覆蓋 AI 賦能藥物研發底層邏輯、藥物研發數據與主流數據庫、靶向藥物設計與虛擬篩選、分子設計與結構優化、ADMET 性質預測、臨床前研究、臨床試驗智能化決策以及藥物研發智能體構建等模塊，較好地對應了本文所討論的 AI 藥物研發全流程趨勢。

如果說這篇綜述幫助我們看清了 AI 與多組學正在如何重塑藥物發現，那么系統性的課程學習與工具實操，則有助于我們進一步把這些前沿理念轉化為可理解、可操作、可落地的科研能力。對于希望進入 AI 藥物研發領域，或希望將 AI 工具應用到現有課題和研發流程中的讀者而言，這類面向實際場景的學習，或許正是從“看懂趨勢”走向“參與趨勢”的關鍵一步。

根據課程資料，費用標準為:線下現場參訓3680元/人(包含培訓、資料、證書等費用)，線上直播培訓6900元/單位(包含三人名額的直播碼、三張結業證書)。學習期滿符合條件者，可獲得中國科學院人才交流開發中心頒發的培訓證書，掃描下方二維碼即可報名，會務老師將第一時間與您聯系。

【貢獻】★★★★★

過去十年，人工智能與多組學技術發生了深度融合，并正在從根本上重塑藥物發現與開發模式。這一變化標志著藥物研發正在從還原論式的單一生物標志物研究，轉向系統層面的整體性研究。當前策略已經開始整合時空多組學分層信息，包括單核染色質可及性分析、亞細胞空間蛋白質組學、動態通量代謝組學和縱向表觀基因組圖譜等前沿技術。

這一范式轉變主要由兩類進展共同推動。第一是復雜深度學習架構的發展，包括圖神經網絡和 Transformer 模型。第二是異構計算基礎設施的增強。這些技術共同支持了多模態數據的超大規模處理，并推動藥物研發發生三個基礎性轉變：從單靶點藥理學轉向以網絡為中心的多靶點藥理學；從線性開發流程轉向計算預測與實驗驗證并行迭代的流程；從基于人群平均水平的治療方案轉向由患者特異性數字孿生指導的個體化干預。

多組學與 AI 的協同整合，可以通過貝葉斯網絡推斷增強因果靶點識別，通過三維條件化變分自編碼器促進從頭生成式分子設計，并利用強化學習框架優化適應性臨床試驗設計。因此，藥物發現正在從主要依賴經驗和試錯的活動，轉變為更具預測性和工程化特征的科學過程。

不過，要真正實現這些技術的臨床轉化，仍然存在重要挑戰。首先是技術與數據層面的障礙。不同多組學平臺之間的數據標準化不一致，會產生整合偽影，影響統一生物學模型的建立。許多深度學習和深度強化學習模型具有明顯“黑箱”屬性，可解釋性不足，這會阻礙監管接受和臨床應用。更關鍵的是，體內數字預測與真實臨床結局之間仍然存在明顯轉化差距。

其次是倫理與公平性問題。如何在最大化數據研究價值與嚴格保護隱私之間取得平衡，是持續存在的挑戰。更值得關注的是算法公平問題。如果訓練數據存在祖源偏倚，多基因風險評分的誤校準可能被放大，從而加劇現有醫療不平等，而不是緩解不平等。因此，解決這些問題不是可選項，而是精準醫學可信發展的必要前提。

為應對這些復雜問題，原文提出需要協調推進多路徑創新。在技術層面，應發展隱私保護型聯邦學習生態系統，以支持多機構安全協作建模，并符合相關隱私法規要求。同時，需要有意識地部署可解釋 AI 技術，例如反事實推理和概念激活向量，以增強模型輸出的透明度和可信度。為彌合轉化差距，還需要引入更貼近人類生理狀態的驗證系統，尤其是基于類器官的微生理平臺，使計算預測能夠建立在人類病理生理學基礎之上。

在治理和公平層面，應將“公平性內嵌設計”制度化，確保隊列多樣性，并在研發流程中主動降低偏倚。國際合作聯盟的成功經驗為這一協作模式提供了參考。例如，MELLODDY 項目通過安全多方計算提高了預測準確性，ATOM 聯盟則報告了臨床前失敗率的下降，說明共享數據和專業知識具有重要價值。

展望未來，AI—多組學整合范式的充分實現，依賴于對下一代轉化信息學基礎設施的持續投入。這包括長期建設并遵循 FAIR 數據本體原則，即數據應可查找、可訪問、可互操作、可復用。同時，建立全球協調的治理和倫理框架也十分關鍵，以平衡創新、隱私和公平之間的復雜關系。最終目標是推動新一輪治療創新，使其能夠同時回應現代醫學面臨的兩大挑戰：人類生物學的高度復雜性，以及結構性健康不平等的長期存在。通過系統解決當前限制，并持續推進本文提出的路線圖，AI 驅動的多組學有望轉化為更廣泛可及且更有效的精準治療方案。

免責聲明：本公眾號尊重并倡導保護知識產權，本文所引述觀點、言論、圖片及其他信息僅供參考和資訊傳播之目的，希望能給讀者帶來科研的靈感。文章素材來源于Signal transduction and targeted therapy官網原文編譯，部分來源在線網站，如涉及版權，聯系刪除！

【中科院1區｜肝臟與胃腸病學TOP期刊】

【中科院1區｜Cell子刊】

【中科院1區｜材料學TOP期刊】