AI 赋能中药：组学与网络药理学的范式革命
深度综述解析 | 从模糊到精准：人工智能联合多组学与网络药理学重塑草药研究新范式
草药（Herbal Medicines, HMs）历经数千年应用，凭借多成分、多靶点及多通路的协同效应，在处理复杂疾病方面优势显著。然而，海量化合物的化学多样性与传统研究手段之间的巨大落差，长期阻碍了其现代化步伐。近年来，人工智能（AI）、生命组学（涵盖基因组、转录组、蛋白组及代谢组）同网络药理学的高度融合，彻底革新了传统研究模式。2025 年刊发于《Phytomedicine》的里程碑式综述《Decoding herbal medicine: AI-powered omics and network pharmacology》系统梳理了 2008 至 2024 年的前沿成果，揭示了跨学科技术如何系统解码草药的功能物质基础、药理网络及毒理特征，为精准草药疗法及全球认可奠定基础。
本文旨在深度提炼该综述的核心成果，引领读者见证 AI 如何协同多组学与网络药理学，从“单点突破”迈向“体系破解”，推动中药现代化步入智慧研究新阶段。
📚 系统检索策略：涵盖 PubMed、Web of Science、CNKI、万方等数据库，时间跨度为 2008 年 1 月至 2024 年 12 月。检索词包括“herbal medicine”、“artificial intelligence”、“machine/deep learning”、“omics (genomics, transcriptomics, proteomics, metabolomics)”及“network pharmacology”。严格遵循 PRISMA 指南进行文献筛选与质量评估，最终纳入高质量原创研究与综述，确保分析的系统性与权威性。
📊 [ 图 1 | 原文 Fig.1 ] AI 驱动草药研究全景 ⚙️ 功能化合物表征 | 🧬 药理机制解析 | ⚠️ 毒理学评估 | 🏥 临床整合应用 & AI 模型训练全流程（数据预处理→特征工程→模型训练→超参调优→SHAP/LIME可解释性评估） Fig.1 AI 在 HMs 研究中的关键应用领域及标准建模工作流（基于综述整合）
① 功能化合物智能表征：利用支持向量机 (SVM)、随机森林 (RF)、深度学习 (CNN/RNN) 等算法结合 QSAR 模型，从庞大天然产物库中虚拟筛选先导化合物。例如，关联规则挖掘 (ARM) 从 2128 个方剂中锁定抗胃癌活性成分，结构虚拟筛选成功发现新型肾谷氨酰胺酶抑制剂。超高效深度学习（如 CNN+ 注意力机制）在血府逐瘀口服液中首次构建谱 - 效关系，发现 7 个促血管生成成分，并通过 NIRS+CNN 实现无损质控。
② 药理机制 AI 解析：整合网络药理学、分子对接、ADME 预测及 3D-QSAR，系统阐释参芪胶囊、高良姜等多靶点机制。深度学习在靶点预测与药物重定位方面表现优异，R²高达 0.927（针对 GSK-3β抑制剂），并结合分子动力学模拟验证复合物稳定性。
③ 智能化毒理学评价：利用网络毒理学识别淫羊藿、附子等肝毒性组分，构建“成分 - 靶点 - 毒性”网络，阐明 MAPK/HIF-1/FoxO 通路介导的氧化应激与炎症损伤机制。AI 整合 PBPK 模型有望实现动态剂量 - 毒性模拟，减少对动物实验的依赖。
④ AI 辅助临床决策：TCMBERT-CNN 模型以 F1=0.9247 实现中医证型智能分类；基于 SVM 的痛经辨证模型准确率达 98.24%。AI 结合电子病历与真实世界数据，正助力中西药联用风险预测及个体化治疗策略优化。
基因组学：借助 NGS 与重测序技术揭示药用植物遗传基础，如大戟科数据库构建及决明子种子发育中蒽醌通路基因表达变化，影响药理活性。功能基因组学鉴定三七根重与抗病相关基因，提升活性成分合成潜力。
转录组学：揭示白芍通过脂代谢通路治疗肝病；养阴清肺方调节炎症相关基因逆转矽肺炎症损伤。为质控与标志物发现提供关键数据支撑。
蛋白质组学：黄芪甲苷 IV 经蛋白质组与代谢组整合，阐明其通过 p53 信号抑制氧化应激与心肌纤维化；化学生物学助力鉴定复方调控缺血性卒中 OXPHOS 通路。
代谢组学：黄芩类黄酮调节花生四烯酸代谢改善心肌缺血；人参平肺汤通过脂代谢通路改善特发性肺纤维化；柴胡疏肝散调节丙酮酸生物合成发挥抗抑郁作用。代谢组联合网络药理学已成为中药机制挖掘的黄金组合。
🧬🔬 [ 图 2 | 原文 Fig.2 ] 生命组学技术结合 AI 整合框架 从基因组 DNA 测序→转录组 RNA-seq→蛋白质谱→代谢组 NMR/MS，结合 WGCNA、MOFA 等算法，构建多维度分子网络，实现中药作用机制系统解析。 Fig.2 多组学技术流程及与 AI 的交叉整合策略（原文精髓提炼）
案例·麦冬皂苷 D (OP-D)：转录组与蛋白质组联合发现 OP-D 调节 AKT/GSK3β通路抑制上皮 - 间质转化 (EMT)，减轻肺纤维化。补肺健脾颗粒 (BFG)：蛋白组与代谢组揭示茯苓酸、川续断皂苷靶向 EGFR/ERK1/PAI-1 通路改善慢阻肺。脑痰清 (NTQ)：网络药理学结合海马转录组与血清代谢组，综合揭示 NTQ 调控糖脂代谢与神经炎症，为阿尔茨海默病提供新策略。当前挑战在于三组学以上整合不足，批次效应与数据异质性仍需深度学习方法（MOFA、深度对抗校正）攻克。
Table 1 精选 AI 算法性能对比（基于原文 Table 1 和 2 整合）
网络药理学通过构建“化合物 - 靶点 - 疾病 - 通路”多层次网络，系统诠释草药多成分协同机制。研究利用 TCMSP、SymMap、STRING、Cytoscape 等数据库建立 PPI 网络，预测核心靶点（如 TNF、IL2、MMP9、HIF1A）及富集的 KEGG 通路（代谢、NF-κB、MAPK、T 细胞受体等）。摩罗丹治疗萎缩性胃炎、克喘停糖浆抗 COVID-19 的网络药理联合分子对接及单细胞分析成为典范。此外，网络药理学与转录组、代谢组深度整合（如柑橘类黄酮抗氧化机制、AC 抗结直肠癌），进一步阐明药物时空调节效应。
🧩 [ 图 3 | 原文 Fig.3 ] 网络药理学驱动的多组学融合模型 成分 - 靶点网络 ↔ 多组学数据（基因组/转录组/蛋白组/代谢组）↔ 疾病表型，结合 AI 优化，用于药效预测、新适应症挖掘及安全性评价。 Fig.3 网络药理学与多组学及人工智能的协同工作流
AI 联合多组学：基于多模态数据（基因组 + 蛋白质组 + 影像组学），AI 预测非小细胞肺癌免疫治疗疗效，突破 PD-L1 表达限制，实现个体化分层。AI 算法（随机森林、Transformer）从海量多组学中提取特征，构建端到端的预后模型。 AI 联合网络药理学：以消渴丸（含西药格列本脲）为例，人工智能驱动的质谱数据采集（BE-DDA）与网络药理学靶点钓鱼协同，快速识别 5 个关键降糖成分，并通过斑马鱼模型验证 PI3K/AKT/MAPK 调控作用。这种“智能识别 - 网络建模 - 实验验证”闭环模式显著加速中药复方现代化。 多模态整合框架：未来方向包括可解释 AI (XAI) 用于揭示关键分子特征、PBPK 联合 AI 模拟体内动态草药 - 药物相互作用、动态网络建模捕捉时变效应。
AI、多组学及网络药理学构建的协同体系突破了中药“黑箱”研究的瓶颈。多靶点机制可视化、毒性早期预警、证候智能化诊断等成果为中药循证证据提供强力支撑。更关键的是，跨学科整合不但加速了活性天然产物的发现，也为中西药联用的精准评估带来全新视角。尤其在心血管、肿瘤、神经退行性疾病领域，这种模式极大缩短了研究周期，并提高了临床转化效率。然而综述也尖锐指出：黑箱模型可解释性不足、多组学数据异质性、缺乏标准化质控流程及批间差异等问题仍制约推广应用。未来应大力推动符合 FAIR 原则的开放数据库、可解释 AI 框架、以及基于生理的药代动力学模型深度耦合，实现真正的“智慧中药”。
本文综述证明，AI 驱动的多组学与网络药理学整合策略已从概念走向成熟，显著增强了对草药疗效物质基础、多靶点调控网络和毒理学特征的认知。建议未来三大方向：
1️⃣可解释 AI 结合 XAI 草药专属框架：构建注意力机制、特征归因可视化的模型，增强药理学家对预测的信任。 2️⃣标准化开放平台与国际多中心合作：建立统一质量控制和化学指纹数据库，支持 AI 模型的跨数据集验证及泛化。 3️⃣动态多尺度机制模型：融合 PBPK、时空组学数据和动态网络分析，揭示草药在真实体内的代谢轨迹与效应节律。通过系统性跨学科协作，草药现代化将步入精准、个性化和全球公认的新纪元。
🧪🔁 [ 整合验证示意图 ] 网络药理学预测 → 多组学机制挖掘 → 斑马鱼/细胞实验验证闭环 如当归 - 川芎药对抗血栓研究中，通过成分 - 靶点网络锁定阿魏酸、藁本内酯等 24 个活性物，并经斑马鱼血栓模型证实抗炎/促血管生成协同效应（参考经典范例）。本文综述同样强调体内外验证与计算模型的迭代。 代表性技术路线：计算筛选→多组学网络→实验验证（斑马鱼/啮齿类）精准印证
📖 参考文献（核心综述）
Wu P, Chen L, Xu YX, et al. Decoding herbal medicine: AI-powered omics and network pharmacology.Phytomedicine. 2025;148:157453. (DOI: 10.1016/j.phymed.2024.157453)
🔗 数据