-01-

引言

人工智能正成為藥物發(fā)現(xiàn)與開發(fā)過程中的變革性工具，影響著從靶點(diǎn)識別到臨床試驗(yàn)結(jié)果分析的各個環(huán)節(jié)。靶點(diǎn)識別是發(fā)現(xiàn)與開發(fā)新藥的第一步，其目標(biāo)是選擇一個能夠被調(diào)節(jié)、以產(chǎn)生預(yù)期治療效果且具有足夠安全性的生物分子。這一步驟對后續(xù)步驟的成功概率及其所需資源至關(guān)重要。

傳統(tǒng)的靶點(diǎn)發(fā)現(xiàn)仍然充滿挑戰(zhàn)，主要原因在于對許多疾病背后生物復(fù)雜性的理解有限，以及從人類基因組學(xué)和疾病模型等來源提取必要見解時面臨的技術(shù)和資源限制。在人類約20,000個蛋白質(zhì)編碼基因中，估計有4,500個被認(rèn)為是“可成藥”的。然而，迄今為止所有獲批的藥物僅通過716個不同的靶點(diǎn)發(fā)揮作用，這僅占可成藥靶點(diǎn)空間的一小部分，凸顯了未來靶點(diǎn)發(fā)現(xiàn)研究的巨大機(jī)遇。

治療性靶點(diǎn)識別涵蓋選擇疾病領(lǐng)域，隨后對與疾病生物學(xué)相關(guān)的多種現(xiàn)有數(shù)據(jù)源進(jìn)行全面挖掘和分析，并擴(kuò)展至生成、獲取和分析新數(shù)據(jù)以編制潛在靶點(diǎn)列表。這些候選靶點(diǎn)隨后需根據(jù)可成藥性、安全性、可專利性、競爭分析和實(shí)驗(yàn)驗(yàn)證等關(guān)鍵標(biāo)準(zhǔn)進(jìn)行嚴(yán)格評估。許多步驟的效率和效果可以通過合適的人工智能工具得到增強(qiáng)，這些工具能夠整合異構(gòu)的大規(guī)模數(shù)據(jù)集，構(gòu)建疾病生物學(xué)的統(tǒng)一表征，并通過機(jī)器學(xué)習(xí)模型揭示潛在機(jī)制。此外，人工智能可以預(yù)測與靶點(diǎn)可及性和風(fēng)險相關(guān)的關(guān)鍵特性，并能通過自動化實(shí)驗(yàn)室指導(dǎo)實(shí)驗(yàn)設(shè)計，實(shí)現(xiàn)迭代優(yōu)化。

-02-

一、靶點(diǎn)識別的關(guān)鍵考量因素

1. 治療假說

識別一個治療靶點(diǎn)及其調(diào)節(jié)預(yù)期影響疾病生物學(xué)、轉(zhuǎn)化為患者有意義的治療效果并具有足夠安全性的機(jī)制，是一項(xiàng)復(fù)雜且多方面的挑戰(zhàn)。歷史上，動物疾病模型研究和/或臨床觀察通常為圍繞特定生物靶點(diǎn)制定治療假說提供了關(guān)鍵信息。隨著1980年代以來基因組技術(shù)的進(jìn)步，來自人類遺傳學(xué)和/或涉及細(xì)胞及動物模型中基因擾動研究的知識，已成為靶點(diǎn)識別工作中日益重要的貢獻(xiàn)者。

過去15年中，人們?nèi)找嬲J(rèn)識到許多疾病的動物模型預(yù)測價值有限，以及支持治療靶點(diǎn)假說的人類來源證據(jù)的重要性。在此基礎(chǔ)上，一個顯著的趨勢是應(yīng)用因果生物學(xué)研究，即在大型人類數(shù)據(jù)集中采用因果推斷技術(shù)。研究人員整合全基因組關(guān)聯(lián)研究（GWAS）與定量性狀位點(diǎn)分析，并使用孟德爾隨機(jī)化等方法，來檢查基因或蛋白質(zhì)表達(dá)水平對疾病的影響，從而為潛在藥物靶點(diǎn)提供有價值的證據(jù)。因果生物學(xué)研究的另一種策略是利用人類細(xì)胞系中的擾動實(shí)驗(yàn)數(shù)據(jù)來推斷機(jī)制關(guān)系并提名治療靶點(diǎn)。

2. 可成藥性與安全性

靶點(diǎn)可成藥性這一術(shù)語用于描述識別一種藥物候選物的潛力，該候選物能夠以假設(shè)導(dǎo)致特定疾病患者獲得預(yù)期結(jié)果的方式調(diào)節(jié)靶點(diǎn)的功能。對于小分子療法，可成藥性與配體結(jié)合能力密切相關(guān)，后者指的是靶點(diǎn)表面存在特征明確、可及的口袋，藥物樣小分子可以與之結(jié)合。了解靶點(diǎn)的三維結(jié)構(gòu)和配體結(jié)合能力有助于優(yōu)先考慮潛在靶點(diǎn)，并指導(dǎo)基于結(jié)構(gòu)的藥物設(shè)計。

如今，越來越多超越小分子的其他治療方式已得到臨床驗(yàn)證，包括基于抗體的療法、基于寡核苷酸的療法以及基因和細(xì)胞療法。這些療法擴(kuò)展了潛在可成藥的疾病相關(guān)靶點(diǎn)領(lǐng)域。新興的人工智能工具如AlphaFold3可用于促進(jìn)可成藥性評估，為蛋白質(zhì)-配體、抗體-抗原和寡核苷酸-蛋白質(zhì)復(fù)合物提供準(zhǔn)確的結(jié)構(gòu)預(yù)測。

雖然可成藥性是衡量靶點(diǎn)對治療藥物臨床擾動易感性的指標(biāo)，但安全性本質(zhì)上與這種相互作用的特異性相關(guān)。在靶點(diǎn)識別階段評估此類效應(yīng)的風(fēng)險依賴于預(yù)測毒理學(xué)和分析靶點(diǎn)相關(guān)生物通路，以預(yù)測潛在不良效應(yīng)。然而，大多數(shù)副作用是通過脫靶相互作用發(fā)生的。盡管全面預(yù)測脫靶效應(yīng)仍然具有挑戰(zhàn)性，但基于預(yù)期靶點(diǎn)與脫靶點(diǎn)之間的結(jié)構(gòu)相似性，可以在靶點(diǎn)識別/評估階段預(yù)測某些脫靶相互作用的潛在風(fēng)險。

3. 新穎性、置信度與商業(yè)可及性

靶點(diǎn)的戰(zhàn)略選擇通常涉及新穎性與靶點(diǎn)在疾病中作用的置信度之間的微妙權(quán)衡。高置信度靶點(diǎn)得到更多科學(xué)證據(jù)支持，提供了更清晰的臨床轉(zhuǎn)化路徑，降低了藥物開發(fā)的風(fēng)險。然而，新型靶點(diǎn)為突破性療法提供了機(jī)會，特別是對于未滿足醫(yī)療需求的疾病。

新穎性與置信度之間的相互作用與靶點(diǎn)的商業(yè)可及性相關(guān)。新型靶點(diǎn)有潛力徹底改變疾病的治療并開辟新市場，而已建立的靶點(diǎn)則可提供更可預(yù)測和更安全的投資，但面臨來自其他藥物的更大競爭。通常被稱為“首創(chuàng)”與“同類最佳”的這種平衡，影響著市場動態(tài)、競爭力、知識產(chǎn)權(quán)強(qiáng)度、總體投資和潛在回報。

4. 組合價值

一個靶點(diǎn)提供作為聯(lián)合療法一部分給藥的藥物基礎(chǔ)的潛力通常越來越重要，因?yàn)樗幬锝M合的協(xié)同或相加效應(yīng)已被證明可以降低耐藥可能性、增強(qiáng)治療效果并拓寬治療應(yīng)用。

-03- 

二、人工智能在治療性靶點(diǎn)識別中的應(yīng)用

1. 用于靶點(diǎn)識別的數(shù)據(jù)

人工智能在識別治療性靶點(diǎn)中應(yīng)用的基石是其處理和分析廣泛復(fù)雜多模態(tài)數(shù)據(jù)的能力。公開可用的數(shù)據(jù)源包括組學(xué)數(shù)據(jù)、生物圖譜、臨床與表型數(shù)據(jù)、文本信息以及知識產(chǎn)權(quán)與產(chǎn)業(yè)信息。

組學(xué)數(shù)據(jù)：包括遺傳、轉(zhuǎn)錄組、蛋白質(zhì)組、代謝組、表觀遺傳和微生物組數(shù)據(jù)，提供了全面的生物信息，能夠系統(tǒng)性觀察疾病的分子層面。機(jī)器學(xué)習(xí)模型有助于整合多樣化的多組學(xué)數(shù)據(jù)，以構(gòu)建更全面的疾病分子圖譜。

細(xì)胞成像數(shù)據(jù)：基于人工智能的生物圖像分析可以為靶點(diǎn)識別、藥物篩選和潛在療法的優(yōu)化提供信息。例如，Cell Painting測定與機(jī)器學(xué)習(xí)算法相結(jié)合，已被用于識別腸道纖維化的治療靶點(diǎn)。

生物知識圖譜：生物知識圖譜以圖結(jié)構(gòu)組織和表示生物實(shí)體之間復(fù)雜的關(guān)系和相互作用。各種類型的知識圖譜已成為人工智能靶點(diǎn)研究的熱門數(shù)據(jù)源。

臨床與表型數(shù)據(jù)：當(dāng)與人工智能結(jié)合分析時，這些數(shù)據(jù)可以揭示疾病機(jī)制、患者分層和潛在治療途徑的見解。

文本信息：人工智能系統(tǒng)可以解析和分析大量科學(xué)文獻(xiàn)以提取相關(guān)信息，從而生成新的疾病假說、識別治療靶點(diǎn)和制定治療策略。

整合異構(gòu)數(shù)據(jù)類型：為了最大化異構(gòu)數(shù)據(jù)源對靶點(diǎn)識別和評估的價值，有效的整合策略至關(guān)重要。一種方法是構(gòu)建異構(gòu)知識圖譜；另一種策略是使用數(shù)據(jù)庫技術(shù)在單一平臺或數(shù)據(jù)倉庫中協(xié)調(diào)異構(gòu)數(shù)據(jù)源。

2. 用于靶點(diǎn)識別的人工智能模型

機(jī)器學(xué)習(xí)在分析大量生物醫(yī)學(xué)數(shù)據(jù)以發(fā)現(xiàn)先前未知的疾病相關(guān)靶點(diǎn)方面顯示出顯著潛力。用于靶點(diǎn)識別和評估的機(jī)器學(xué)習(xí)框架包括監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)。此外，新興的人工智能技術(shù)如表征學(xué)習(xí)、圖神經(jīng)網(wǎng)絡(luò)、生成式人工智能、基礎(chǔ)模型和大語言模型也被應(yīng)用于靶點(diǎn)發(fā)現(xiàn)。

監(jiān)督學(xué)習(xí)：監(jiān)督學(xué)習(xí)使用標(biāo)記數(shù)據(jù)來訓(xùn)練模型，使其能夠?qū)ξ匆姅?shù)據(jù)集進(jìn)行預(yù)測或分類。該框架廣泛用于預(yù)測藥物-靶點(diǎn)相互作用。監(jiān)督學(xué)習(xí)方法也被用于通過結(jié)合靶點(diǎn)特征來預(yù)測特定疾病的靶點(diǎn)。

無監(jiān)督學(xué)習(xí)：無監(jiān)督學(xué)習(xí)分析未標(biāo)記數(shù)據(jù)以識別隱藏的關(guān)系和結(jié)構(gòu)，通常使用聚類和降維等技術(shù)。另一種形式是自監(jiān)督學(xué)習(xí)，它利用未標(biāo)記數(shù)據(jù)中的內(nèi)在信號生成監(jiān)督信息，使模型能夠在沒有外部標(biāo)注的情況下學(xué)習(xí)有意義的模式。

半監(jiān)督學(xué)習(xí)：半監(jiān)督方法將少量標(biāo)記數(shù)據(jù)與大量未標(biāo)記數(shù)據(jù)相結(jié)合，通常在標(biāo)記數(shù)據(jù)稀缺或獲取成本高昂的情況下，有助于改進(jìn)在大型未標(biāo)記數(shù)據(jù)集上的學(xué)習(xí)過程。

表征學(xué)習(xí)：表征學(xué)習(xí)支撐著圖神經(jīng)網(wǎng)絡(luò)、生成式人工智能、基礎(chǔ)模型和大語言模型等先進(jìn)的人工智能技術(shù)。它將不同的生物數(shù)據(jù)實(shí)體編碼為潛在嵌入向量，這些向量捕獲了內(nèi)在和上下文相關(guān)的生物特性，促進(jìn)了包括靶點(diǎn)識別在內(nèi)的廣泛下游任務(wù)。

圖神經(jīng)網(wǎng)絡(luò)：圖神經(jīng)網(wǎng)絡(luò)使人工智能系統(tǒng)能夠利用生物圖譜數(shù)據(jù)進(jìn)行靶點(diǎn)發(fā)現(xiàn)。

生成式人工智能：生成式人工智能模型通�；�于深度神經(jīng)網(wǎng)絡(luò)架構(gòu)構(gòu)建，旨在生成新數(shù)據(jù)，并已廣泛應(yīng)用于文本和圖像生成等領(lǐng)域。在靶點(diǎn)識別背景下，生成式人工智能可用于生成合成數(shù)據(jù)集，促進(jìn)下游分析。

基礎(chǔ)模型：基礎(chǔ)模型通過在龐大、多樣的數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練，在自然語言處理和計算機(jī)視覺方面取得了顯著成功。經(jīng)過微調(diào)后，這些模型非常通用，并且通常優(yōu)于特定任務(wù)的模型。隨著生物醫(yī)學(xué)數(shù)據(jù)集的不斷增長，基礎(chǔ)模型有望在未來靶點(diǎn)識別研究中發(fā)揮越來越大的作用。

大語言模型：大語言模型已經(jīng)催生了用于治療性靶點(diǎn)識別和評估的人工智能代理框架的出現(xiàn)。

3. 人工智能模型驗(yàn)證

治療性靶點(diǎn)識別人工智能模型的驗(yàn)證是確保其可靠性和適用性的關(guān)鍵步驟。關(guān)鍵的驗(yàn)證方法包括回顧性驗(yàn)證、實(shí)驗(yàn)驗(yàn)證和前瞻性驗(yàn)證。

回顧性驗(yàn)證：回溯測試是一種回顧性驗(yàn)證技術(shù)，用于評估人工智能模型使用歷史數(shù)據(jù)準(zhǔn)確識別已知治療靶點(diǎn)的能力。

實(shí)驗(yàn)驗(yàn)證：人工智能預(yù)測靶點(diǎn)功能的實(shí)驗(yàn)驗(yàn)證及其與治療劑的潛在相互作用涉及嚴(yán)格的體外測定。體內(nèi)動物研究可以進(jìn)一步闡明靶點(diǎn)在疾病機(jī)制中的作用以及干預(yù)策略的潛在影響。

前瞻性驗(yàn)證：雖然實(shí)驗(yàn)驗(yàn)證旨在通過實(shí)驗(yàn)立即評估人工智能識別的藥物靶點(diǎn)的生物學(xué)相關(guān)性和治療潛力，但前瞻性驗(yàn)證對于確保人工智能模型能夠在實(shí)際環(huán)境中準(zhǔn)確預(yù)測結(jié)果至關(guān)重要。治療靶點(diǎn)的最終驗(yàn)證在于成功的人體臨床試驗(yàn)。

-04-三、人工智能在靶點(diǎn)評估中的應(yīng)用

1. 靶點(diǎn)可成藥性評估

對于選擇進(jìn)行藥物開發(fā)的靶點(diǎn)，評估其結(jié)構(gòu)和功能特征、結(jié)合位點(diǎn)以及開發(fā)能夠以特定、有效和安全的方式與靶點(diǎn)相互作用的小分子或生物制劑的可行性至關(guān)重要。在這方面，用于蛋白質(zhì)結(jié)構(gòu)預(yù)測的人工智能工具非常有價值。AlphaFold的引入徹底改變了結(jié)構(gòu)生物學(xué)。盡管AlphaFold在多個應(yīng)用中顯示出重要價值，但其在基于結(jié)構(gòu)的藥物發(fā)現(xiàn)中的應(yīng)用尚不確定。

人工智能還可以通過識別蛋白質(zhì)中的隱秘口袋來促進(jìn)可成藥性評估。這些口袋在無配體的實(shí)驗(yàn)結(jié)構(gòu)中不存在，可能在構(gòu)象變化過程中形成，有可能作為先前被認(rèn)為不可成藥的蛋白質(zhì)的結(jié)合位點(diǎn)。

2. 靶點(diǎn)新穎性與商業(yè)可及性

最近的一項(xiàng)研究報道了一種人工智能驅(qū)動的方法，通過新穎性和商業(yè)潛力的雙重評估來評估癌癥治療靶點(diǎn)。靶點(diǎn)新穎性是通過對藥物開發(fā)狀態(tài)、治療領(lǐng)域特定文獻(xiàn)和科學(xué)文件的全面分析來定量確定的。商業(yè)可及性是使用一個專門的大語言模型進(jìn)行評估的，該模型整合了多個參數(shù)。

-05-四、人工智能支持的靶點(diǎn)識別實(shí)例

新靶點(diǎn)最終只有通過成功的臨床試驗(yàn)才能得到驗(yàn)證，這些試驗(yàn)為監(jiān)管批準(zhǔn)提供了基礎(chǔ)。目前，尚無源自人工智能驅(qū)動靶點(diǎn)識別的藥物達(dá)到這一階段，僅有有限數(shù)量的靶點(diǎn)使用人工智能工具識別或支持其治療潛力的候選藥物已進(jìn)入臨床試驗(yàn)。

1. TNIK作為特發(fā)性肺纖維化的靶點(diǎn)

Insilico Medicine最近的一項(xiàng)研究展示了端到端生成式人工智能在藥物發(fā)現(xiàn)中的應(yīng)用，以識別用于治療特發(fā)性肺纖維化的新靶點(diǎn)和潛在候選藥物。利用來自IPF和健康肺組織的多組學(xué)數(shù)據(jù)集，他們的人工智能平臺將TNIK列為頂級靶點(diǎn)。盡管TNIK的間接功能先前已被研究，但它尚未作為IPF的治療靶點(diǎn)進(jìn)行研究，這使其成為該平臺選擇的新靶點(diǎn)。

2. APLNR作為抗衰老靶點(diǎn)

人工智能驅(qū)動的人類數(shù)據(jù)分析有助于降低有前景的藥物靶點(diǎn)臨床轉(zhuǎn)化的風(fēng)險。BioAge開發(fā)的一個藥物發(fā)現(xiàn)平臺結(jié)合了縱向多模態(tài)人類衰老數(shù)據(jù)集，并應(yīng)用計算工具來識別與長壽和延遲疾病發(fā)作相關(guān)的分子特征。

3. PIKfyve作為肌萎縮側(cè)索硬化癥的靶點(diǎn)

肌萎縮側(cè)索硬化癥是一種罕見的神經(jīng)肌肉疾病。PIKfyve抑制在多種ALS類型中的治療潛力得到了ConVERGE的進(jìn)一步支持，ConVERGE是一個人工智能驅(qū)動的藥物開發(fā)平臺，專注于來自人類的數(shù)據(jù)。

4. DRD2作為抗癌靶點(diǎn)

雖然TNIK、APLNR和PIKfyve等靶點(diǎn)的識別說明了基于靶點(diǎn)的藥物發(fā)現(xiàn)范式，但另一種方法涉及表型篩選后的靶點(diǎn)去卷積。傳統(tǒng)上，靶點(diǎn)去卷積依賴于實(shí)驗(yàn)室實(shí)驗(yàn)，但這一過程正日益得到人工智能的支持。DRD2作為抗癌藥物靶點(diǎn)的識別就是一個顯著的例子。

-06-五、挑戰(zhàn)與未來方向

將計算預(yù)測轉(zhuǎn)化為具有臨床意義的結(jié)果仍然受到重大技術(shù)和操作挑戰(zhàn)的限制。

1. 數(shù)據(jù)質(zhì)量與可用性

人工智能在靶點(diǎn)識別中的應(yīng)用在很大程度上依賴于用于訓(xùn)練的大規(guī)模、高質(zhì)量數(shù)據(jù)。盡管組學(xué)數(shù)據(jù)近幾十年來迅速積累，但其在模型訓(xùn)練中的應(yīng)用面臨重大挑戰(zhàn)。額外的限制包括罕見疾病、種族和少數(shù)民族以及社會弱勢群體缺乏組學(xué)數(shù)據(jù)，這可能導(dǎo)致模型泛化能力差。對于科學(xué)文獻(xiàn)數(shù)據(jù)，已發(fā)表研究結(jié)果的可重復(fù)性是一個重大挑戰(zhàn)。

2. 多模態(tài)數(shù)據(jù)分析的整合

克服單模態(tài)數(shù)據(jù)局限性的一種有前景的策略是整合多模態(tài)數(shù)據(jù)集。越來越多的證據(jù)表明，多模態(tài)方法在靶點(diǎn)發(fā)現(xiàn)相關(guān)任務(wù)中始終優(yōu)于單模態(tài)方法。

3. 可解釋的人工智能模型

機(jī)器學(xué)習(xí)技術(shù)，特別是深度學(xué)習(xí)，通常不提供關(guān)于內(nèi)部計算過程如何導(dǎo)致特定輸出的見解，這阻礙了故障排除過程，并使識別和糾正錯誤變得困難。這種不透明性阻礙了領(lǐng)域?qū)＜覍�這些模型的評估，影響了它們的接受度。作為“黑箱”問題的解決方案，可解釋模型闡明了模型預(yù)測背后的原理。

4. 標(biāo)準(zhǔn)化指標(biāo)與基準(zhǔn)測試框架

治療性靶點(diǎn)識別人工智能模型的評估需要標(biāo)準(zhǔn)化的驗(yàn)證指標(biāo)和基準(zhǔn)，以確�？茖W(xué)嚴(yán)謹(jǐn)性并促進(jìn)方法間的公平比較。標(biāo)準(zhǔn)指標(biāo)通常用于評估藥物-靶點(diǎn)相互作用預(yù)測模型。盡管這些指標(biāo)對于量化預(yù)測準(zhǔn)確性有效，但它們常常忽略了疾病特異性治療靶點(diǎn)所必需的生物學(xué)相關(guān)性和臨床可行性。新興的基準(zhǔn)測試系統(tǒng)旨在通過整合多模態(tài)數(shù)據(jù)并強(qiáng)調(diào)臨床實(shí)用性來克服這些局限性。

5. 合成數(shù)據(jù)與數(shù)字孿生

合成數(shù)據(jù)是指人工生成的、模擬真實(shí)世界生物模式和特征的數(shù)據(jù)，可以由人工智能算法生成以模擬不同的生物場景。合成數(shù)據(jù)還可以用于創(chuàng)建數(shù)字孿生，即個體實(shí)體（如患者、器官或細(xì)胞）的虛擬模型。

6. 人工智能驅(qū)動的閉環(huán)實(shí)驗(yàn)平臺

人工智能驅(qū)動的閉環(huán)實(shí)驗(yàn)平臺代表了一種新興范式，其中人工智能模型提名治療靶點(diǎn)，自動化實(shí)驗(yàn)室測試靶點(diǎn)調(diào)節(jié)，結(jié)果流入人工智能分析工具，分析輸出反饋到靶點(diǎn)識別模型中以優(yōu)化靶點(diǎn)優(yōu)先排序。閉環(huán)設(shè)計通過端到端機(jī)器人處理化合物、生物樣本、成像和多組學(xué)數(shù)據(jù)，并結(jié)合人工智能工具實(shí)現(xiàn)。

-07-結(jié)語

人工智能的整合正在使治療性靶點(diǎn)識別和評估實(shí)現(xiàn)更系統(tǒng)化、數(shù)據(jù)驅(qū)動的方法。人工智能分析跨越高維組學(xué)、表型成像和大型知識圖譜的多模態(tài)數(shù)據(jù)的能力，解決了長期存在的與生物復(fù)雜性和轉(zhuǎn)化失敗相關(guān)的障礙。機(jī)器學(xué)習(xí)框架、神經(jīng)架構(gòu)、生成式人工智能和基礎(chǔ)模型的進(jìn)步進(jìn)一步賦能研究人員發(fā)現(xiàn)新的治療靶點(diǎn)并評估其可成藥性。這一進(jìn)展反映在若干人工智能識別的靶點(diǎn)已進(jìn)入臨床階段開發(fā)。

然而，要充分發(fā)揮這些技術(shù)的潛力，需要解決持續(xù)存在的挑戰(zhàn)�？朔�數(shù)據(jù)稀缺和偏見、提高模型可解釋性以及建立嚴(yán)格的基準(zhǔn)標(biāo)準(zhǔn)，對于將人工智能工具的預(yù)測整合到?jīng)Q策過程中仍然至關(guān)重要。靶點(diǎn)發(fā)現(xiàn)的未來在于通過人工智能驅(qū)動的閉環(huán)平臺實(shí)現(xiàn)計算和實(shí)驗(yàn)工作流的融合，加速將生物學(xué)見解轉(zhuǎn)化為有效、臨床可行的療法。

參考資料：Target identification and assessment in the era of AI. Nat Rev Drug Discov. 2026 Apr 20.

       原文標(biāo)題 : 人工智能時代的靶點(diǎn)識別與評估