Frontiers | 药物发现、药物重定位与安全性中的AI和真实世界证据Frontiers | AI and Real-World Evidence for Drug Discovery, Repurposing, and Safety

环球医讯 / AI与医疗健康来源:www.frontiersin.org瑞士 - 英语2026-11-14 00:33:43 - 阅读时长4分钟 - 1722字
本研究主题征稿聚焦人工智能、机器学习与真实世界证据在药物发现、药物重定位及药物安全性中的应用,强调因果推断、深度学习、多模态数据整合、药物警戒、稳健性与不确定性评估及可重复性,并设有2027年2月7日的稿件提交截止日期,面向全球学者征集相关研究。
药物发现药物重定位药物安全性真实世界证据人工智能机器学习因果推断药物警戒电子健康记录临床结局
Frontiers | 药物发现、药物重定位与安全性中的AI和真实世界证据

Frontiers | 药物发现、药物重定位与安全性中的AI和真实世界证据

关于本研究主题

投稿截止日期

  1. 稿件提交截止日期:2027年2月7日
  2. 本研究主题目前正在接收文章

背景

寻找新药以及为现有药物寻找新用途,仍然进展缓慢、成本高昂,并且失败率较高。如今研究可获取的数据比以往任何时候都多,包括电子健康记录、理赔数据库、登记系统、多组学和功能基因组学,以及分子和细胞实验数据。现代人工智能和机器学习能够在这些数据模态中实现可扩展的模式识别和较强的预测性能,而从常规临床数据中得出的真实世界证据(RWE)在为药物开发决策提供信息方面正发挥日益核心的作用。

然而,仅靠预测和关联往往不足以实现转化。药物发现和药物重定位中的许多问题本质上是因果性的:调节某个靶点是否会改变疾病生物学;某种疗法是否能在常规诊疗中改善患者结局;哪些人群获益或受到伤害;以及药物组合如何改变安全性和有效性。这些问题之所以困难,是因为观察性临床数据受到混杂、选择偏倚和不断变化的诊疗过程的影响,而实验系统的发现若无明确假设,可能无法推广到人群。

本研究主题所处理的核心问题,是人工智能生成的信号与可靠药物发现、药物重定位和安全性决策所需的稳健证据之间的差距。许多候选药物失败,是因为观察到的关联未能转化为真正的临床获益,是因为真实世界多重用药下出现安全风险,或是因为实验系统的发现无法推广到人群。本研究主题将重点介绍把人工智能、机器学习和真实世界证据结合起来的方法与应用,包括因果推断、深度学习和表征学习,以生成可信且与决策相关的证据。

投稿应基于明确界定的研究问题、适当的数据来源和透明的分析假设。纯计算机模拟或计算研究应包含实验、临床或真实世界验证,或提供明确且清晰的路径,说明预测如何与可检验的生物学或临床假设相联系。重点在于严谨评估,包括稳健性检查、敏感性分析、不确定性量化,以及跨场景和跨人群的可推广性评估。本主题还通过清晰报告数据来源和局限性,并在可行时共享代码和可用的研究材料,来促进可重复性。

尤其欢迎关注以下主题的文章:

  • 用于药物发现和药物重定位的人工智能与机器学习,包括应用于生物医学数据的深度学习、图神经网络、大语言模型和基础模型
  • 用于药物有效性和安全性的真实世界证据,包括使用电子健康记录、理赔数据、登记系统和其他观察性来源的研究
  • 使用真实世界数据的因果推断,包括治疗效应估计、目标试验模拟、工具变量,以及处理混杂和选择偏倚的方法
  • 因果机器学习,包括反事实预测、异质性治疗效应,以及数据集偏移下的稳健性
  • 多模态和多来源整合,将临床结局与生物学信号、组学数据和其他证据流联系起来
  • 药物安全与药物警戒,包括不良事件检测、药物相互作用、多重用药风险,以及使用人工智能和真实世界证据进行信号验证
  • 评估、稳健性和不确定性,包括敏感性分析、可迁移性、不确定性量化和可重复性实践

文章类型与费用

除非本研究主题说明中另有规定,本研究主题接受以下文章类型:

  • 简要研究报告
  • 临床试验
  • 数据报告
  • 社论
  • FAIR²数据
  • 一般评论
  • 假设与理论
  • 方法
  • 小型综述
  • 观点
  • 原创研究
  • 展望
  • 政策与实践综述
  • 政策简报
  • 综述
  • 系统综述
  • 技术与代码

经外部编辑严格同行评审后接受发表的文章,将向作者、机构或资助方收取出版费用。

关键词: 因果推断;机器学习;深度学习;药物发现;药物重定位;真实世界证据;因果发现;治疗效应估计;反事实推断;表征学习

重要说明: 向本研究主题提交的所有稿件都必须处于其投稿栏目和期刊的宗旨与范围之内。Frontiers保留在同行评审的任何阶段将超出范围的稿件转至更合适栏目或期刊的权利。

主题编辑

  • 郭毅(Yi Guo),佛罗里达大学,美国盖恩斯维尔
  • 拉斯洛·巴尔纳·扬托维奇(Laszlo Barna Iantovics),特尔古穆列什乔治·埃米尔·帕拉德医药科学与技术大学,罗马尼亚特尔古穆列什

主题协调人

  • 王延飞(Yanfei Wang),佛罗里达大学,美国盖恩斯维尔

发表于 Frontiers in Pharmacology(药理学前沿)的药物流行病学栏目。稿件可通过主期刊或任何参与期刊提交至本研究主题。

【全文结束】