新模型革新药物研发范式
在一项可能重塑药物研发格局的研究中，哈佛医学院团队开发出名为PDGrapher的人工智能模型，该工具能精准识别可逆转细胞病变的治疗方案。与传统单靶点筛选模式不同，这款开源工具聚焦疾病多驱动因素，通过分析基因交互网络定位最有效干预位点。
研究团队指出，该方法可显著加速药物设计进程，为传统方法难以攻克的复杂疾病提供新方案。9月9日发表于《自然-生物医学工程》的论文显示，该研究获得了联邦科研基金支持。
"传统药物研发如同盲品数百道菜肴寻找完美配方，"哈佛医学院生物医学信息学副教授Marinka Zitnik解释道，"PDGrapher则像掌握配方密码的主厨，能预判所需原料组合。"
突破单靶点局限
传统方法虽在激酶抑制剂等单靶点药物开发中成功，但在多通路驱动的疾病面前常显不足。以免疫检查点抑制剂为例，这些突破性疗法通过调节细胞信号通路发挥作用。PDGrapher的创新之处在于构建全局视角，定位可逆转细胞病变特征的化合物。
工作原理：构建生物网络因果图谱
作为图神经网络的创新应用，PDGrapher突破性地解析基因、蛋白和信号通路间的复杂关联。该模型通过构建生物过程的因果网络，预测最优治疗组合——不仅考虑单一分子效应，更关注网络层面的相互作用。
训练过程包含11种癌症的19组数据集，涵盖遗传学和药物干预实验。模型成功预测了多个已验证靶点（如非小细胞肺癌的KDR/VEGFR2）的同时，发现了TOP2A抑制剂在转移抑制中的新潜力。
应用优势
与现有工具相比，PDGrapher展现出显著优势：
- 在未见数据集上靶点预测准确率提升35%
- 运算速度达现有AI方法的25倍
- 能解析多靶点耐药机制，指导联合疗法设计
研究团队正在将该技术拓展至神经退行性疾病研究，目前已与麻省总医院XDP中心合作，探索X连锁肌张力障碍-帕金森综合征的新型治疗靶点。
未来医学图景
Zitnik教授表示，该模型最终目标是构建细胞水平疾病逆转的"操作手册"。其团队正推进三项核心应用：
- 个性化治疗：基于患者细胞特征设计组合疗法
- 作用机制解析：阐明药物组合协同效应的生物学基础
- 疾病网络重塑：开发针对帕金森病等神经退行性疾病的干预方案
值得关注的是，该模型已展现出将新兴生物学证据转化为临床洞见的能力。例如对TOP2A的靶点预测，既验证了现有化疗药物的作用机制，又为新型抑制剂开发提供了方向。
研究支撑体系
本研究获得多机构联合资助，包括：
- 美国国立卫生研究院R01-HD108794项目
- 美国国家科学基金会CAREER 2339524计划
- 阿尔茨海默病协会BDF专项
- 多家制药企业合作项目
研究团队强调，该工具已开放获取，或将成为解决多靶点药物研发困境的关键平台。随着更多生物学数据的整合，PDGrapher有望重塑从实验室发现到临床转化的创新链条。
【全文结束】
