综述：多组学与人工智能在精准药物发现及潜在临床应用中的作用

《Signal Transduction and Targeted Therapy》：Multi-omics and artificial intelligence for precision drug discovery and potential clinical applications

　　

多组学技术与人工智能（AI）的整合已成为现代精准医学，特别是药物发现领域的变革性力量。多组学方法，包括全基因组关联研究、转录组谱分析、蛋白质组相互作用图谱和代谢组测序，为疾病发病机制的分子动力学提供了无与伦比的见解。先进的AI方法利用深度学习架构，具备解析复杂生物数据集、阐明潜在模式并构建高保真预测模型的非凡能力。多组学与AI的联合应用在加速靶点识别、简化先导化合物优化流程以及提高临床试验设计精度方面具有巨大潜力。然而，挑战依然存在，例如需要协调不同的组学数据流、确保可重复性并减轻算法偏见。本综述深入分析了多组学在药物开发全流程中的应用，涵盖靶点解卷积、药物重定位和新颖化合物发现。它还探讨了AI在药物发现中的关键作用，重点在于虚拟筛选、药代动力学建模和安全性评估框架。多组学与AI的融合在假设生成和数据驱动发现方面提供了独特优势，为治疗创新开辟了新的途径。通过考察在有坚实技术基础设施支持下，在肿瘤学、神经退行性疾病和心血管疾病方面的案例，本综述为未来的药物开发呈现了前瞻性的愿景。这些技术的融合不仅实现了全面的分子理解，还允许更精准的治疗干预，标志着从实验室到临床转化医学新时代的开端。

当前药物研发是一项极高风险的 Ventures，临床试验脱落率超过90%，且每获得一项市场批准的疗法平均支出高达26亿美元¹。这些惊人指标不仅反映了劳动力、材料和监管合规成本的上升，更揭示了现行疾病发病机制还原论模型中固有的认识论局限性。“一药一靶”范式虽在治疗传染病和高血压方面取得历史成功，但无法解释跨越基因组、表观基因组、转录组、蛋白质组和代谢组域的复杂分子相互作用²例如，在恶性肿瘤中，单个致癌驱动突变可重构信号级联、重塑转录景观并重新编程肿瘤微环境中的代谢通量，这些动态过程无法通过孤立分子抑制得到纠正。此外，临床前模型也存在不足，标准二维细胞系无法模拟人类病理学的三维结构、细胞外基质变异性及免疫背景，而基因工程小鼠模型也很少捕捉到人类疾病易感性所定义的polygenic复杂性或环境异质性。为解决这一僵局，该领域日益拥抱整合方法，将高分辨率多组学数据与机器学习（ML）驱动的因果网络扰动推理相融合³。

多组学分析平台通过整合基因组学、表观基因组学、转录组学、蛋白质组和代谢组学，提供前所未有的系统级视角⁴。空间转录组学技术（如MERFISH、Visium）能够在亚细胞分辨率下绘制基因表达梯度和细胞微环境。单细胞测序模态（如scRNA-seq、scATAC-seq）提供了克隆层次结构和转录动态的核苷酸分辨率见解。高通量蛋白质组技术和代谢通量分析进一步揭示了疾病相关的翻译后修饰和生化途径的动态扰动⁶。多组学与AI的协同整合，利用深度神经网络（DNN）、图神经网络（GNN）和Transformers，赋能病理生物学机制的计算解卷积及治疗相关脆弱性的发现。这一融合通过三个关键转变从根本上重构了药物发现：从单靶点抑制转向靶向疾病扰动相互作用网络的系统药理学模型^7-9；从线性顺序开发转变为并行、自适应循环¹⁰；从基于人群的治疗转向整合个体多组学资料的个性化数字孪生模拟¹¹。

在药物靶点识别方面，多组学整合技术通过系统性整合正交分子层，使研究人员能够以前所未有的粒度解析疾病改变的相互作用组^23-25。Emergent分析方法，特别是多模态张量分解和基于因果推断的ML模型，将这些高维数据集转化为机制连贯的靶点假设^26,27。CRISPR基于基因编辑平台通过构建全基因组范围的功能脆弱性图谱，进一步催化了这一转变^28-30。例如，在对非小细胞肺癌药物耐药性的研究中，CRISPR-Cas9筛选阐明了致癌网络中的核心功能依赖性，暗示EGFR、KRAS、TP53和BCL2等作为临床可操作的脆弱性^31-33。此外，空间多组学技术通过映射肿瘤-基质界面的分子地形图，为微环境感知靶点识别提供了关键范式^49-55。

在药物重定位方面，多组学技术通过分析疾病分子特征与现有药物之间的复杂相互作用网络，加速了“老药新用”的发现⁷⁵。多组学整合通过链接基因组、蛋白质组和代谢组数据，使研究人员能够系统性地识别隐藏的“药物-靶点-通路”关联^16,76。例如，Li等人开发的基于蛋白质组和转录组谱的计算药物重定位方法（DRPS/C），识别出电压门控钠通道阻断剂和单胺氧化酶抑制剂作为阿尔茨海默病（AD）治疗的候选药物^77,78。在COVID-19背景下，转录组筛选揭示了IL-6/JAK-STAT通路的异常激活，预测了托珠单抗和JAK抑制剂巴瑞替尼的有效性^79,80。多组学为基础的“网络药理学”框架，如STITCH和DrugBank，量化了药物的多靶点效应，克服了传统“单靶点单疾病”范式的局限性^82-84。

在原创新药化合物发现方面，多组学技术的深度融合正在通过系统分析生物活性分子的生物合成机制、作用网络和进化逻辑，革新药物化合物的发现过程^98-100。多组学技术能够识别参与活性成分生物合成的关键基因。例如，在丹参研究中，转录组学和代谢组学鉴定了与丹参酮和酚酸生物合成相关的多个基因，包括细胞色素P450基因家族成员^92,101。此外，多组学分析在阐明传统中药活性化合物生物合成中的代谢调节机制方面发挥了关键作用^104-106。肠道微生物群也是抗耐药性研究的焦点。Cheng等人整合了共生肠道微生物分离株的全基因组测序（WGS）与代谢组学分析，揭示了肠道微生物群产生的代谢物（如二肽）在抗感染药物中的应用潜力¹⁰⁹。

人工智能（AI）在药物设计中的应用通过整合深度学习（DL）、生成模型和多尺度生物数据，克服了传统试错方法的低效问题¹³³。ML模型，如随机森林（RF）和梯度提升分类器，在预测分子活性和毒性方面优于传统方法^134,135。生成张量强化学习（GENTRL）等生成模型促进了小分子设计，优化合成可行性、新颖性和生物活性。例如，GENTRL在21天内鉴定出discoidin domain receptor 1（DDR1）的强效抑制剂¹⁴³。图神经网络（GNN）被广泛用于预测药物靶点及其对应的小分子配体，整合了基因组变异、蛋白质相互作用网络和细胞表型数据¹⁴⁴。

在预测药物相互作用（DDI）方面，AI通过预测吸收动力学、代谢稳定性谱和消除途径，确保患者安全¹⁶²。深度学习框架利用分子图表示，专注于子结构相互作用而非整个分子结构，提高了预测准确性¹⁶⁶。卷积神经网络（CNN）在基于分子特征预测药物相互作用方面非常有效¹⁷²。图神经网络（GNN）通过聚合相邻节点的特征来学习相互作用，成功应用于预测药物-靶点相互作用（DTI）和DDI^173,174。然而，该领域面临数据异质性、可解释性差距和动态系统建模不足等挑战^183-188。

在预测药物安全性方面，AI通过计算毒性预测促进早期发现和临床前筛选。AI模型结合ML和DL架构，通过QSAR建模、高通量筛选生物测定数据和多组学谱分析化学结构，预测各种毒性终点，如心脏毒性、肝毒性、致突变性和致癌性^189,190。例如，Mamoshina等人开发了一个模型，通过分析DrugBank和medDRA等公开数据集中的药物属性来预测心脏毒性¹⁹⁴。AI还通过计算挖掘临床试验叙述来发现新兴的安全问题，并在上市后药物警戒中增强信号检测¹⁹⁹。

多组学与AI的整合在神经系统药物、抗肿瘤药物和心血管疾病药物的开发中显示出代表性应用。在神经系统药物中，AI整合的组学方法被用于预测疾病风险因素和核心靶点。例如，Li等人使用LASSO回归、SVM-RFE和RF算法识别核心免疫相关基因，并通过scRNA-seq和分子对接技术评估CFL1、HMCES和GIMAP1的药物结合潜力^221,222。GENTRL被用于鉴定DDR1的强效抑制剂，DDR1是一种参与纤维化和神经变性的激酶靶点¹⁴³。在抗肿瘤药物方面，大规模肿瘤图谱利用单细胞RNA测序、空间蛋白质组映射和循环肿瘤DNA甲基化分析，构建治疗反应的预测模型²⁵⁰。例如，Pan et al.建立的系统生物学和药物发现流水线成功预测了PDAC中TNFRSF10A编码的TRAILR1死亡受体作为潜在治疗靶点²⁵²。在心血管疾病（CVD）药物开发中，Xu等人利用ML训练了17,227个分子性状的遗传评分，提供了与CVD相关的代谢遗传机制和途径的新生物学见解，如JAK-STAT信号通路和冠状动脉粥样硬化²⁷⁸。

尽管取得了变革性进展，但多组学和AI驱动的药物发现仍面临结构性瓶颈。数据质量问题，如噪声、缺失值和批次效应，削弱了数据可靠性。多组学层之间的固有异质性使跨模态整合复杂化³⁰³。此外，大多数当前使用的AI算法最初是为非生物医学领域开发的，未能解决生物系统的复杂非线性动态。为应对这些挑战，需要采取数据协调、算法专业化和转化收敛的系统级范式。隐私保护联邦学习生态系统、可解释AI技术以及基于类器官的微生理平台的实施对于弥合计算预测与人类病理生理学之间的差距至关重要。通过系统解决当前局限性并坚定追求outlined路线图，该领域可以将AI驱动的多组学的巨大潜力转化为广泛可用且有效的精准疗法³²²。