CJNM | 浙江中醫藥大學范驍輝-人工智能推進網絡藥理學研究：傳統中醫領域的下一個研究范式

網絡藥理學自2007年由Andrew L. Hopkins提出以來，已成為藥物發現領域的革命性方法，尤其在中醫藥（TCM）研究中展現出獨特價值。傳統“一藥一靶一病”的范式難以解釋TCM“多成分、多靶點、多途徑”的復雜作用機制，而網絡藥理學通過整合網絡生物學，能夠系統評估治療功效并詳細闡明作用機制，為TCM現代化研究提供了新范式。例如，Wu等人基于基因組轉錄數據構建疾病與治療網絡，提出網絡恢復指數（NRI）量化多組分藥物療效；Liao等人則通過NTRA算法整合疾病網絡拓撲與轉錄組數據，揭示了參芪扶正注射液治療心肌缺血再灌注損傷的機制。這些進展得益于人工智能（AI）技術的突破和高通量組學技術的廣泛應用，顯著增強了對TCM復雜治療機制的解析能力。

2025年11月，浙江中醫藥大學范驍輝團隊在Chinese Journal of Natural Medicines發表綜述論文Advancing network pharmacology with artificial intelligence: the next paradigm in traditional Chinese medicine。本研究首先概述了中醫網絡藥理學研究的四個基本步驟：成分鑒定、網絡構建、網絡分析以及實驗驗證。隨后，詳細闡述了網絡構建和分析的核心方法步驟，總結了構建成分-靶點網絡（IN）、疾病/癥狀/證候-蛋白質/基因網絡（DN）以及背景網絡（BN）的策略，并對其進行了分析。最后，探討了面臨的挑戰和未來的發展方向，強調了在更高分辨率下整合單細胞和空間組學數據以構建網絡的重要性，預計生物細胞間通訊（CCC）網絡特征的進一步發展，以及在中醫網絡藥理學研究中采用先進的與語言模型相關的人工智能方法。

摘要

網絡藥理學在藥物研發中得到了廣泛應用，尤其是在傳統中醫藥（TCM）研究領域，其特點是“多成分、多靶點、多途徑”。通過整合網絡生物學，中醫藥網絡藥理學能夠對治療效果進行系統評估，并詳細闡明作用機制，為中醫藥現代化開辟了新的研究范式。機器學習的迅速發展，尤其是革命性的深度學習方法，極大地提升了人工智能（AI）技術，為推進中醫藥網絡藥理學研究提供了巨大潛力。本文介紹了中醫藥網絡藥理學的方法論，包括成分識別、網絡構建、網絡分析和實驗驗證。此外，還總結了使用人工智能方法構建各種網絡并分析已構建網絡的關鍵策略。最后，它探討了基于細胞間通訊（CCC）的網絡構建、分析和驗證所面臨的挑戰及未來的發展方向，為傳統中藥網絡藥理學提供了寶貴的見解。

中藥網絡藥理學研究的一般步驟

TCM網絡藥理學研究包含四個核心步驟：成分鑒定、網絡構建、網絡分析和實驗驗證。成分鑒定是基礎，通過液相色譜-串聯質譜（LC-MS/MS）和DNA條形碼技術，對中藥或方劑的化學成分進行定性和定量分析。網絡構建分為三類：成分-靶點網絡（IN）映射成分與靶蛋白/基因的關聯；疾病/癥狀/證候-蛋白/基因網絡（DN）建立表型與分子機制的聯系；背景網絡（BN）則提供生理狀態下的分子相互作用基線。網絡分析通過距離指標和拓撲分析整合IN、DN和BN，識別富集通路和關鍵節點。最后，實驗驗證通過臨床前/臨床試驗和分子生物學技術（如Western blot、RT-qPCR）確認療效和機制。

圖 1. 中藥網絡藥理學研究概述。（A）中藥網絡藥理學研究的一般步驟包括成分鑒定、網絡構建、網絡分析以及實驗驗證。對于某一草藥或配方，需要先確定成分，然后構建和分析 IN、DN 和 BN。還需要進行臨床前、臨床和分子生物學實驗以進一步驗證其療效和作用機制。（B）中藥網絡藥理學方法的核心步驟，即網絡構建和網絡分析。網絡構建包括構建 IN、DN 和 BN。療效評估指的是網絡恢復和接近性評估。作用機制的闡明則涉及富集與樞紐節點確定以及核心成分的精煉，分別對應生物學和化學方面。

AI方法在網絡構建中的應用

AI技術顯著優化了網絡構建的效率和精度。在IN構建中，成分-靶點數據庫（如TCMSP、SymMap）直接提供已知靶點信息；分子對接與動力學模擬（如AutoDock、KarmaDock）通過深度學習預測成分與靶蛋白的結合；組學數據比較（如DESeq2、edgeR）分析差異表達基因/蛋白；知識學習與預測（如GraphormerDTI、DTI-LM）利用機器學習從已知數據推斷未知相互作用。DN構建依賴疾病分子數據庫（如DisGeNET、OMIM）或組學數據差異分析。BN構建則結合PPI/TF-靶基因數據庫（如STRING、KEGG）和組學數據計算（如WGCNA、ARACNe），并引入單細胞技術解析細胞間通訊（CCC）網絡，如CellChat和SpaTalk。

圖 2. 構建不同類型分子網絡的示意圖。對于基于貝葉斯網絡（BN）的構建，將組學數據通過采用已有的相關性分析方法進行統計顯著性測試，以識別不同樣本間具有高度相關性的基因對。基于所得的相關矩陣，通過連接顯著相關的節點生成基因共表達或基因調控網絡，同時可以排除孤立的節點以提高網絡的穩健性。對于基于動態網絡（DN）和交互網絡（IN）的構建，對正常、患病和治療條件下的組學數據進行分析，并使用統計模型來確定差異表達基因（DEGs）或差異表達蛋白（DEPs）的 P 值閾值。當結合倍數變化標準時，經過篩選的 DEGs/DEPs 被指定為條件相關節點，并隨后用于構建相應的網絡。

AI方法在網絡分析中的應用

網絡分析的核心目標是評估療效和闡明機制。網絡恢復評估（如NRI）通過量化疾病網絡向正常狀態的恢復程度判斷療效；富集與核心節點分析（如Metascape、GSEA）結合拓撲權重識別關鍵通路和靶點；核心成分優化（如CIPHER算法）整合網絡中心性與成分濃度，篩選活性成分；網絡接近度評估（如Barabási團隊方法）通過計算IN與DN在BN中的距離預測療效。這些方法不僅揭示了TCM的多靶點協同機制，還為成分優化和臨床定位提供了依據。

挑戰和未來方向

盡管AI推動了TCM網絡藥理學的進步，仍面臨諸多挑戰。成分鑒定需結合AI與實驗數據，提升自動化水平；網絡構建需開發更精準的細胞類型特異性模型，并優化代謝物和細胞外囊泡介導的CCC推斷；網絡分析需整合多組學數據，識別關鍵CCC靶點；實驗驗證需突破多組織器官類器官系統，模擬TCM“臟腑表現”。未來應發展TCM特異性AI方法，結合單細胞/空間組學技術，并遵循FAIR數據原則。例如，LLM可優化成分注釋，而類器官技術可驗證CCC機制。最終，AI與實驗技術的融合將推動TCM從經驗醫學向精準醫學轉型，為現代系統生物學與傳統醫學搭建橋梁。

圖 3. 面臨的挑戰與未來方向。在成分識別方面，采用諸如大型語言模型（LLMs）等人工智能方法有望大幅提升成分智能標注和識別的效率與準確性。在網絡構建方面，除了 LRI 介導的 CCC 推斷外，基于代謝物和 EV 的 CCC 推斷的基于人工智能的方法迫在眉睫。在網絡分析方面，關鍵挑戰在于準確識別關鍵的 CCC 網絡目標，包括關鍵的 CCC 子網絡、細胞類型以及諸如分泌配體、代謝物和來自發送細胞的 EV 等信號分子及其在接收細胞中的對應靶點。在實驗驗證方面，未來方向在于突破模擬全身“內臟表現”的綜合多組織類器官系統以及用于中醫證候的可測量生物標志物。

結論

總之，將人工智能驅動的計算方法與高分辨率和高通量的單細胞或空間組學技術相結合，為中藥網絡藥理學中成分識別、網絡構建和網絡分析的推進建立了變革性的研究范式。該領域需要開發具有中藥特性的人工智能方法和驗證方法，這些方法應融合傳統醫學知識和理論框架。這些專門的方法將增強對治療效果的系統評估，并闡明作用機制和活性成分，即中藥的功能成分。將先進的計算和實驗技術與中藥原則相結合，為現代系統生物學和傳統醫學之間搭建了橋梁，為推進中醫藥網絡藥理學研究和現代化提供了重大機遇。

https://www.cjnmcpu.com/article/doi/10.1016/S1875-5364(25)60941-1?sessionid=

中醫藥基礎科研技術服務及加群交流：

相關咨詢，加微信：1278317307。

【福利時刻】科研服務（點擊查看）：、、、、、。咨詢加微信：1278317307。