北大陈语谦团队：人工智能+中医药组合拳打通链路赋能转化

创作时间:

作者:

@小白创作中心

北大陈语谦团队：人工智能+中医药组合拳打通链路赋能转化

引用

来源

https://hub.baai.ac.cn/view/42423

近年来，人工智能（AI）技术的发展为传统中医药（TCM）研究带来了巨大潜力。通过加速药物发现、优化配方和推动TCM现代化，AI技术可以确保TCM在保留传统根基的同时，与最新的科学进展同步发展。目前，在TCM研究中引入AI不仅提高了诊断的准确性，还促进了个性化医疗的发展，使TCM研究更加高效和精准。

研究背景

传统中医药（Traditional Chinese Medicine, TCM）在中国已有数百年治疗各种疾病的历史，其核心理念是“气”（生命能量）和阴阳平衡理论，这些理念在诊断和治疗中起着关键作用。TCM涵盖针灸、草药治疗、按摩和饮食疗法等多种应用，这些应用植根于古代知识，并在数百年间不断精炼。

TCM是天然产物的重要来源，从1981年到2019年，超过60%的FDA批准的小分子药物直接或间接来源于天然产物。此外，TCM还能根据患者的具体需求和偏好提供多种治疗选择。

近年来，人工智能（AI）技术的发展为TCM研究带来了巨大潜力。通过加速药物发现、优化配方和推动TCM现代化，AI技术可以确保TCM在保留传统根基的同时，与最新的科学进展同步发展。目前，在TCM研究中引入AI不仅提高了诊断的准确性，还促进了个性化医疗的发展，使TCM研究更加高效和精准。

研究内容

近日，北京大学陈语谦教授团队围绕人工智能（AI）对传统中医药（TCM）研究的赋能这一主题，深入探讨了TCM与AI在多个研究领域的整合应用，包括草药筛选、新药发现、诊断治疗原则、药理机制和网络药理学等。该综述还详细探讨了AI通过数据挖掘、模式识别和预测分析，揭示TCM复杂配方的活性成分和作用机制。AI与TCM的结合不仅帮助人们从新的角度理解传统的中医药知识，还开辟了新的研究方法和治疗策略。

图1：基于人工智能的中医药化学数据分析促进了化学成分的识别、药物发现、个性化治疗和药理作用的阐明，推动了中医药的现代化和可持续发展。

目前，中医药的网络研究主要集中在证明中医药理论上，缺乏网络设计和优化原则的明确定义。合理的处方设计可分为自上而下和自下而上两种类型。自上而下的方法基于旧处方设计新处方，而自下而上的方法则不考虑旧处方，完全基于疾病网络设计新处方。作者结合了多种可行的方法，首先定义了几种未来最常见的自上而下优化模型。自上而下和自下而上的设计方法都基于生物网络建立相关性，但它们在考虑现有处方和中医理论方面存在差异。在中医理论尚未定量表达之前，不考虑旧处方的新公式设计更可能与中医原则相冲突。近年来，中医逐渐向天然产品的分类和组织发展。在人类过度开发的背景下，许多物种面临灭绝，因此作者建议建立一种计算天然产品与中医药物种个体之间相关性的方法，并使用高可靠性模型快速筛选可替代、可优化和可去除的处方成分。作者认为，新处方公式的设计必将成为一个核心研究领域，为中药的可持续发展带来重要影响。

图2：中医处方网络设计与优化方法概述。

在中医领域，了解草药与常规药物之间的相互作用对于确保患者安全和治疗效果至关重要。作者针对中药与西药相互作用的综合临床研究给出了一种提案。该提案设定了一个综合临床研究系统，旨在全面探索这些相互作用，如图3所示，该系统分为三个主要模块：临床研究系统、综合系统和基础研究，每个模块关注化学分析和数据整合的不同方面，以预测和分析药物不相容性。临床研究系统主要负责收集和分析临床数据，以评估草药与药物组合的药代动力学和药效学特性。该模块可以利用先进的化学提取方法和分析技术，旨在通过严格的临床测试和化学分析识别潜在的不良相互作用。同时，该模块也可以利用数据挖掘和机器学习算法处理复杂的临床数据，识别预测药物相互作用结果的模式。综合方法的核心是综合系统，其中包含HAZA@home平台。该系统可以结合临床研究和基础研究的数据，为患者提供实时健康监测和预测分析，也可以使用广泛的数据库网络和模拟工具，个性化健康评估和药物相互作用警示，利用人工智能根据个体患者数据调整建议。基础研究系统模块通过深入的化学分析和计算建模来支持综合系统，预测药物靶点并模拟药物相互作用。这包括使用中医和临床药物数据库、ADMET预测模型及创建小分子数据库。这些工具对于理解药物相互作用的生化机制至关重要，有助于开发预防潜在不良反应的策略。该提案体现了在中医药相互作用研究中临床与基础科学方法的整合。通过结合化学分析、实时数据监测和人工智能驱动的预测建模，该系统不仅可以增强对复杂药物相互作用的理解，还将开创中药与药物治疗整合中患者安全的新方法，为未来的研究和应用设定基准。

图3：一个全面的自动临床研究系统提案。

该成果以“AI empowering traditional Chinese medicine?”(《人工智能可以赋能传统中医药吗？》)为题，发表在英国皇家化学会期刊Chemical Science上。

论文信息

AI empowering traditional Chinese medicine?
Zhilin Song†, Guanxing Chen† and Calvin Yu-Chian Chen*（陈语谦，北京大学）
Chem. Sci., 2024, 15, 168443-16866
https://doi.org/10.1039/D4SC04107K

作者简介

宋治霖 博士研究生
北京大学
本文共同第一作者，北京大学化学生物学与生物技术学院2021级博士生，本科毕业于厦门大学，研究方向为天然产物化学，计算化学和机器学习辅助的有机合成方法学。
陈观兴 博士研究生
中山大学
本文共同第一作者，本硕毕业于中山大学，目前在中山大学智能工程学院攻读博士学位。他的研究兴趣包括图神经网络、药物发现、疫苗设计和化学反应生成。
陈语谦 教授
北京大学
本文通讯作者，北京大学科学智能（AI for Science, AI4S）中心主任。分别在台湾大学，麻省理工学院，哈佛大学学习和工作。曾任麻省理工学院博士后、研究员，哈佛大学研究员、匹兹堡大学教授、北京大学客座教授、浙江大学光彪讲座教授、中山大学智能工程学院智能医疗中心主任教授。从事人工智能在药物、医学、化学、生物上的研究，Nature子刊、Cell子刊和TPAMI等期刊和ICML、CVPR、AAAI会议论文370余篇，累计被引9800余次，H-index为53。在2020-2024年入选Elsevier中国高被引学者榜单（计算机学与技术领域）。2021-2024年入选了全球学者学术影响力排行榜，2018-2024年同时入选全球World's Top 2% Scientists的“终身科学影响力排行榜(career-long impact)”和“年度科学影响力排行榜(single-year impact)”榜单。

期刊介绍

Chemical Science是涵盖化学科学各领域的跨学科综合性期刊，也是英国皇家化学会的旗舰期刊。所发表的论文不仅要在相应的领域内具有重大意义，而且还应能引起化学科学其它领域的读者的广泛兴趣。所发表的论文应包含重大进展、概念上的创新与进步或者是对领域发展的真知灼见。发文范围包括但不限于有机化学、无机化学、物理化学、材料科学、纳米科学、催化、化学生物学、分析化学、超分子化学、理论化学、计算化学、绿色化学、能源与环境化学等。作为一本钻石开放获取的期刊，读者可以免费获取所发表论文的全文，同时从该刊的论文版面费由英国皇家化学会承担，论文作者无需付费。

Editor-in-Chief

Andrew Cooper
Liverpool University

Associate editors
Vincent Artero Grenoble Alpes University / French Atomic Energy and Alternative Energies Commission
Luis M. Campos Columbia University
Lin Chen Northwestern University
Graeme Day University of Southampton
Mircea Dincă Massachusetts Institute of Technology
François Gabbaï Texas A&M University
Subi George Jawaharlal Nehru Advanced Scientific Research Centre
Ryan Gilmour University of Münster
Stephen Goldup University of Birmingham
Jinlong Gong (巩金龙) Tianjin University
Zaiping Guo (郭再萍) University of Adelaide
Christian Hackenberger German Leibniz Institute for Molecular Pharmacology
Malika Jeffries-EL Boston University
Ning Jiao (焦宁) Peking University
Tanja Junkers Monash University
Hemamala Karunadasa Stanford University
Maja Köhn University of Freiburg
Yi-Tao Long (龙亿涛) Nanjing University
James K McCusker Michigan State University
Thomas J Meade Northwestern University
Paolo Melchiorre University of Bologna
Gabriel Merino National Polytechnic Institute Research and Advanced Studies Center
Hannah Shafaat University of California, Los Angeles
Dmitri Talapin University of Chicago
Toshiharu Teranishi Kyoto University
Andrei Yudin University of Toronto