摘要
中医药（TCM）采用多代谢物和多靶点干预措施来治疗复杂疾病，相较于单靶点疗法具有一定优势。然而，其活性代谢物、治疗靶点，尤其是联合作用机制仍不明确。人工智能（AI）所具备的先进数据分析能力和非线性建模能力的融入，正推动着中医药向精准医学方向转变。这篇综述聚焦于人工智能在中医药靶点预测方面的应用，涵盖了多组学技术、中医药专用数据库、机器学习（ML）、深度学习（DL）以及跨模态融合策略。同时，该综述还批判性地分析了实际应用中持续存在的挑战，如数据异质性、模型可解释性有限、因果关系混淆以及稳健性验证不足等问题。中国医疗器械博览会认为，为了提高人工智能在中医药靶点预测中的可靠性和可扩展性，未来的研究应优先考虑利用零样本学习、端到端架构和自监督对比学习等方法，对AI算法进行持续优化。
研究方法
图1 研究流程图
图片来源：Omics Pro
用于中医药靶点研究的AI生物分析的范围
图片来源：Omics Pro
图2 AI整合多组学数据以识别中医药中的治疗靶点
表1 与基因组学、蛋白质组学、代谢组学以及多组学相关的常用数据库
图片来源：Omics Pro
表2 不同中医药数据库的数据统计情况及可获取性概述
图片来源：Omics Pro
AI算法在中医药领域的应用
图片来源：Omics Pro
图3 AI算法的发展时间线。关键的机器学习（ML）算法包括主成分分析（PCA）、K 均值算法、决策树、支持向量机（SVM）和随机森林（RF），而重要的深度学习（DL）算法包括卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆网络（LSTM）、生成对抗网络（GAN）和图神经网络（GNN）。这条时间线展示了人工智能算法从传统机器学习到先进深度学习模型的演变与发展历程。
图片来源：Omics Pro
图4 机器学习（ML）中的回归与分类。左侧的图展示了回归，其中一个函数对特征 X 与目标 Y 之间的连续关系进行建模；右侧的图描绘了分类，其中一条决策边界将数据点划分到不同的类别中
图片来源：Omics Pro
图5 卷积神经网络（CNN）中经典的 LeNet 架构是为二维图像特征提取和分类而设计的。它由一个输入层、交替的卷积层和池化层、一个全连接层以及一个输出层组成。这种结构逐步提取并映射从局部到全局的特征，以用于目标检测和图像分类等任务。
面临的挑战
图片来源：Omics Pro
图6 由AI驱动的多模态融合策略。主要有3种方法：（1）早期融合是在模型开发之前，将异质数据集综合成统一的特征表示；（2）中期融合在保留原始数据结构的同时，通过中间处理层整合特征嵌入；（3）晚期融合则是通过聚合算法，将来自特定模态预测模型的输出结果进行合并。
文章来源：Omics Pro
若涉及侵权，请立刻联系删除
