近日🔍，意昂3体育官网深圳研究生院信息工程學院AI4S平臺中心主任與化學生物學與生物技術學院合聘研究員陳語謙發表綜述文章，聚焦人工智能（AI）對傳統中醫藥（TCM）研究賦能這一主題🍊，總結了過去二十幾年來世界最大的中醫藥數據庫（TCMBank）建立、維護和更新過程🧎🏻‍♀️‍➡️，並且深入探討了TCM與AI在多個研究領域的整合應用，包括草藥篩選、新藥發現、診斷治療原則、藥理機製和網絡藥理學等。該綜述還詳細探討了AI通過數據挖掘、模式識別和預測分析，揭示TCM復雜配方活性成分和作用機製的過程。AI與TCM的結合不僅幫助人們從新的角度理解傳統的中醫藥知識，還開辟了新的研究方法和治療策略📑🧆。該成果發表在2024年9月的Chemical Science，第一作者為意昂3体育官网化學生物學與生物技術學院博士生宋治霖和中山大學智能工程學院博士生陳觀興🫘，通訊作者為陳語謙🎈，其他相關工作還包括發表於2023年的Chemical Science和2023年的Signal Transduction and Targeted Therapy（STTT，IF=40.8）。

TCM是天然產物的重要來源，從1981年到2019年🏄‍♂️，超過60%的FDA批準的小分子藥物直接或間接來源於天然產物𓀀。此外🦵🏼，TCM還能根據患者的具體需求和偏好提供多種治療選擇。近年來，人工智能（AI）技術的發展為TCM研究帶來了巨大潛力🚣🏻‍♂️。通過AI技術加速藥物發現🧑🏿‍🏫、優化配方和推動TCM現代化➡️，AI技術可以確保TCM在保留傳統根基的同時，與最新的科學進展同步發展。目前，在中醫院裏臨床治療研究中♙，引入AI不僅提高了診斷的準確性，還促進了個性化醫療的發展👨‍🔧，使TCM研究更加高效和精準🧑‍🦲。

基於人工智能的中醫藥化學數據分析促進了化學成分的識別、藥物發現🖐🏼🧝🏻、個性化治療和藥理作用的闡明，推動了中醫藥的現代化和可持續發展

目前👰🏿‍♀️，中醫藥的網絡藥理學研究主要集中在證明中醫藥理論上🧒🏻，缺乏網絡設計和優化原則的明確定義。合理的處方設計可分為自上而下和自下而上兩種類型🙅。自上而下的方法基於舊處方設計新處方，而自下而上的方法則不考慮舊處方，完全基於疾病網絡設計新處方🦣。陳語謙團隊結合了多種可行的方法，首先定義了幾種未來最常見的自上而下優化模型🧑🏼‍🍳。自上而下和自下而上的設計方法都基於計算系統生物學原理利用生物網絡建立相關性，但考慮現有處方和中醫理論方面存在差異，在中醫理論尚未定量表達之前，不考慮舊處方的新公式設計更可能與中醫原則相沖突🦏。近年來𓀕，中醫逐漸向天然產品的分類和組織發展。在人類過度開發的背景下🏄，許多中醫藥品種面臨滅絕🏹，因此陳語謙團隊建立一種計算天然產品與中醫藥物種個體之間相關性的方法，並使用高可靠性模型快速篩選可替代、可優化和可去除的處方成分🗑。作者認為🥚🏡，新處方公式的設計必將成為一個核心研究領域，為中藥的可持續發展帶來重要影響。

中醫處方網絡設計與優化方法概述

在中醫領域，了解草藥與常規藥物之間的相互作用對於確保患者安全和治療效果至關重要。作者針對中藥與西藥相互作用的綜合臨床研究給出了一種提案。該提案設定了一個綜合臨床研究系統🧑‍🚒，旨在全面探索這些相互作用🌜，如下圖所示，該系統分為三個主要模塊👳‍♀️：臨床研究系統🎠、綜合系統和基礎研究🚗，每個模塊關註化學分析和數據整合的不同方面，以預測和分析藥物不相容性👮🏼‍♀️。臨床研究系統主要負責收集和分析臨床數據，以評估草藥與藥物組合的藥代動力學和藥效學特性。該模塊可以利用先進的化學提取方法和分析技術，旨在通過嚴格的臨床測試和化學分析識別潛在的不良相互作用。同時，該模塊也可以利用數據挖掘和機器學習算法處理復雜的臨床數據，識別預測藥物相互作用結果的模式👃🏼。綜合方法的核心是綜合系統🕗，其中包含HAZA@home平臺。該系統可以結合臨床研究和基礎研究的數據，為患者提供實時健康監測和預測分析，也可以使用廣泛的數據庫網絡和模擬工具🙍🏽‍♂️，個性化健康評估和藥物相互作用警示🐋，利用人工智能根據個體患者數據調整建議。基礎研究系統模塊通過深入的化學分析和計算建模來支持綜合系統，預測藥物靶點並模擬藥物相互作用。這包括使用中醫和臨床藥物數據庫、ADMET預測模型及創建小分子數據庫💷。這些工具對理解藥物相互作用的生化機製至關重要🧶，有助於開發預防潛在不良反應的策略🧎‍♀️。該提案體現了在中醫藥相互作用研究中臨床與基礎科學方法的整合🍱。通過結合化學分析🧎🏻‍♂️‍➡️、實時數據監測和人工智能驅動的預測建模🔳，該系統不僅可以增強對復雜藥物相互作用的理解，還將開創中藥與藥物治療整合中患者安全的新方法，為未來的研究和應用設定基準🛎。相關研究成果已發表在Chem. Sci. 2024, 15 (41), 16844—16886. （https://doi.org/10.1039/D4SC04107K）

一個全面的自動臨床研究系統提案

在中醫藥（TCM）的現代化過程中，確定草藥中的活性成分以及闡明活性成分與靶標之間的作用機製是兩個關鍵方面。構建一個全面且高度可靠的中醫藥數據庫顯得尤為重要。自2011年建立以來，陳語謙團隊的TCM Database@Taiwan得到了廣泛使用和大量引用，並被納入ZINC數據庫🈵。為了進一步推進中醫藥研究，作者利用自然語言處理技術🎙，建立了知識圖譜和分子信號通路🥔，開發了TCMBank，該數據庫是TCM Database@Taiwan的升級版🎁，包含9192種草藥、61,966種化學成分👱🏻、15,179個靶標和32,529種疾病👩🏼，相關研究成果已發表在Chem. Sci. 2023, 14 (39), 10684—10701. （https://doi.org/10.1039/D3SC02139D）👝。

TCMBank的數據處理框架和目標示意圖

在當今醫療領域🎙👮‍♂️，中西藥的結合治療越來越普遍，但同時也帶來了藥物相互作用的風險🦸‍♀️。為了更好地預測和管理中西藥之間的相互作用📉，減少醫療風險，本研究利用先進的AI技術和大數據分析，開發了多個創新模型和數據庫，為中西藥相互作用的研究提供了強有力的支持❤️。研究團隊發現，超過10%的患者需要同時服用5種藥物👨🏼‍🚀，20%的老年患者需要同時服用至少10種藥物☝🏿。這一現象對藥物相互作用的研究提出了新的挑戰。基於藥物化學知識🧘🏼，研究團隊認為藥物的官能團/化學子結構決定了其藥代動力學、藥效學特性以及中西藥的互斥性🧲。因此🏀，他們提出了一個創新的算法🉐🛜，通過建立藥物相互作用網絡來預測多種藥物之間的相互作用。在這個網絡中👨‍💼🩰，化合物作為節點，它們的因果關系作為邊。中藥中所有成分對應的節點形成了一個子網絡。通過分析子網絡之間的連接，研究團隊可以預測中藥之間或中藥與西藥之間是否存在不良反應🤜。未來🤘🏿💁🏽‍♂️，AI輔助模型將結合大規模語言模型、自然語言處理和文本挖掘知識圖譜技術3️⃣，開發中西藥不良反應數據庫，進一步提高預測的準確性和實用性。研究團隊在兩個現實世界的公共藥物相互作用（DDI）數據集上提出了兩個模型：3DGT-DDI和SA-DDI🔵。這兩個模型在兩個公共DDI數據集上實現了最精確的預測性能。基於這些模型的預測結果🥳，研究團隊進一步推廣到中西藥不良反應的預測中🚵🏿。利用TCMBank的大數據驅動，研究團隊進行了無監督學習，預測中西藥的不良反應。假設中藥中的所有成分與西藥均不發生不良反應，則確定它們之間不存在相互排斥的反應。如果中藥中的一種或多種成分與西藥發生不良反應🤏，則存在可能產生不良反應的風險🤸🏽‍♀️。研究團隊利用AI輔助的DDI預測模型獲得了中西醫可能的不良反應風險的預測結果，相關研究成果已發表在Signal Transduction and Targeted Therapy上（https://doi.org/10.1038/s41392-023-01339-1）。

世界最大的智能中醫藥數據庫TCMBank的綜合分析

上述三項工作論文通訊作者為陳語謙，研究得到了國家自然科學基金面上和重點項目支持👨‍👧‍👧⌨️。

參考文獻

[1] Song, Z.; Chen, G.; Chen, C. Y.-C. AI Empowering Traditional Chinese Medicine? Chem. Sci. 2024,15 (41), 16844—16886.https://doi.org/10.1039/D4SC04107K.

[2] Lv, Q.; Chen, G.; He, H.; Yang, Z.; Zhao, L.; Chen, H.-Y.; Chen, C. Y.-C. TCMBank: Bridges between the Largest Herbal Medicines, Chemical Ingredients, Target Proteins, and Associated Diseases with Intelligence Text Mining. Chem. Sci. 2023, 14 (39), 10684–10701. https://doi.org/10.1039/D3SC02139D.

[3] Lv, Q.; Chen, G.; He, H.; Yang, Z.; Zhao, L.; Zhang, K.; Chen, C. Y.-C. TCMBank-the Largest TCM Database Provides Deep Learning-Based Chinese-Western Medicine Exclusion Prediction. Signal Transduct. Target. Ther. 2023, 8 (1), 127. https://doi.org/10.1038/s41392-023-01339-1.