在藥物研發(fā)領域，一項新的人工智能工具有望改變傳統(tǒng)模式。哈佛醫(yī)學院的研究人員設計出一種名為?PDGrapher?的人工智能模型，它能夠識別細胞中導致疾病的多重因素，并預測能夠使細胞恢復健康功能的治療方案。相關成果已發(fā)表于《自然·生物醫(yī)學工程》（Nature Biomedical Engineering）。

與傳統(tǒng)依賴單一靶點的藥物發(fā)現方法不同，PDGrapher 聚焦于多重致病驅動因子，能夠找出最可能將病變細胞轉變?yōu)榻】禒顟B(tài)的基因，并推薦最佳的單一或組合治療靶點。研究人員指出，這一方法不僅有望加速藥物發(fā)現，還可能為長期難以攻克的疾病打開新局面。

研究團隊表示，傳統(tǒng)藥物研發(fā)就像“品嘗上百道菜，尋找偶然符合口味的一道”，而?PDGrapher 更像是一位“大廚”，明確知道需要什么樣的味道，并能精準組合食材。

盡管過去的靶向藥物（如激酶抑制劑）在某些癌癥治療中取得了成功，但當疾病由多條信號通路和基因交織驅動時，這種單靶點模式往往顯得不足。PDGrapher 的優(yōu)勢在于能夠審視細胞的整體狀態(tài)，找出真正能逆轉病變的組合，即便科學家尚未完全明晰這些化合物的具體作用分子。

AI如何運作

PDGrapher 屬于圖神經網絡（graph neural network），能夠分析基因、蛋白質和信號通路之間的復雜聯系，并預測最可能修復細胞功能的治療組合。研究人員利用包含疾病細胞“治療前后”變化的大型數據集訓練了模型，隨后在 11 種癌癥的 19 個數據集上進行了測試。

△在給定某種疾病樣本的基因表達、一個代理因果圖以及一組干預因子（perturbagens）的情況下，PDGrapher 的反應預測模塊 ?r 可以預測該樣本對每個干預因子的基因表達反應。?r 將干預因子的作用在圖中表示為邊的破壞。https://github.com/mims-harvard/PDGrapher

結果顯示，該工具不僅準確預測出已知的有效藥物靶點（這些靶點在訓練時被刻意排除），還發(fā)現了一些新的潛在候選。例如，它將?KDR（VEGFR2）?指出為非小細胞肺癌的靶點，這與現有臨床證據一致；同時它還強調了?TOP2A?的重要性，這一酶已被部分化療藥物靶向，最新研究提示其抑制作用可能抑制非小細胞肺癌的轉移。

與同類模型相比，PDGrapher 在預測準確性上高出 35%，運算速度最高快 25 倍。

對未來醫(yī)學的意義

研究人員表示，這種新方法能夠優(yōu)化藥物研發(fā)過程，因為它直接尋找能夠逆轉病理狀態(tài)的關鍵靶點，而不是逐一推演每個可能的變化。這不僅加快了篩選過程，也讓研究重點更為集中。

對于復雜疾?。ㄈ绨┌Y）而言，單一藥物往往難以長期奏效，而 PDGrapher 能夠同時識別多重靶點，有望幫助設計個性化的聯合治療方案。未來，經過嚴格驗證，該模型或將用于分析患者的細胞特征，幫助制定個體化療法。

此外，PDGrapher 還能揭示藥物組合為何有效，從而帶來新的生物學見解，推動生物醫(yī)學研究更進一步。研究團隊目前已將其應用于帕金森病、阿爾茨海默病等腦部疾病的探索，并與馬薩諸塞總醫(yī)院的 XDP 中心合作，研究 X-連鎖肌張力障礙-帕金森綜合征的潛在新靶點。

“我們的最終目標，是繪制一幅能夠在細胞層面逆轉疾病的清晰路線圖?！?研究負責人、哈佛醫(yī)學院生物醫(yī)學信息學副教授 Marinka Zitnik 表示。

https://github.com/mims-harvard/PDGrapher