摘要
人工智能(artificial intelligence,AI)在药物研发中发挥着日益重要的作用,尤其是在药物再利用领域。药物再利用是指为现有药理活性化合物确定新的治疗适应证。从基于经典算法的工具(如 DrugRep 和 DrugRepo)到较新的创新工具(如 RosettaVS、RepurposeDrugs),本文综述了最新的 AI 方法(如 AlphaFold3、mediKanren、AdaDR、TxGNN)及其在药物再利用设计中的应用,重点涉及机器学习、深度学习和生物网络分析。文章讨论了利用预测模型、自然语言处理和大数据分析来加速筛选具有临床再利用前景候选药物的策略,并重点阐述了数据可用性、模型可解释性和结果验证方面的挑战。本综述认为,从蛋白质结构预测到知识图谱推理,AI 是药物再利用领域的一项变革性工具,能够显著缩短新疗法的开发时间并降低其成本。图形摘要
图形摘要 人工智能驱动的药物再利用:整合图神经网络、多组学数据、临床与非结构化数据以及生物信息学分析,以降低传统药物再利用的成本并缩短研发周期。
关键词:人工智能;药物再利用;机器学习;深度学习;大数据;药物研发引言
将人工智能(AI)技术整合到药物发现与开发中,有望深刻变革药物研究格局[1]。传统药物发现历来耗时极长且成本高昂,通常需要十余年并投入数十亿美元,才能将单一化合物推向市场。临床试验阶段的高淘汰率,以及解决未满足医疗需求日益增长的紧迫性,进一步加剧了这些挑战[2]。
为药理活性药物确定新的治疗适应证,为解决上述低效问题提供了一条切实可行途径。药物再利用(drug repurposing),亦称药物重定位(repositioning)或药物再表征(reprofiling),旨在系统性地发现现有药物的新治疗用途。这些药物可以包括已获批药物、曾在临床试验中接受研究的化合物,甚至包括此前被归为失败、已终止开发或被遗忘的化合物[3]。药物表现出其主要适应证之外的其他生物活性并不少见。新引入的化合物中,多达三分之一至少表现出一种额外活性;然而,发掘现有药物新用途的机会仍未得到充分探索,限制了其真正的治疗潜力[4]。
这一策略利用安全性特征已经明确的化合物,从而加快开发进程并降低研发(R&D)支出。AI 的最新进展,尤其是机器学习(ML)、深度学习(DL)和自然语言处理(NLP),通过实现对大规模结构化和非结构化生物医学数据的分析,进一步增强了这一策略的能力[5–7]。这些技术能够分析大型数据集,并识别超出传统人工处理能力的模式[1]。除数据分析外,AI 还可应用于药物发现流程的各个阶段,从靶点识别直至临床试验。基因组测序和蛋白质组学等先进分子技术,如今能够比过去数十年更快速地揭示疾病发病机制,但同时也产生了难以理解的大规模数据集。AI 辅助分析这些数据集,有助于确定在不同疾病中参与发病过程或影响治疗应答的基因或通路[8],进而发现新的治疗靶点或辅助疗法[9,10]。
AI 驱动的方法能够揭示药物、靶点和疾病之间的潜在关系,促进新适应证预测,并提高早期临床试验的成功率。因此,AI 不仅是在增强现有的药物再利用工作流程,更是在重塑治疗创新的范式[5,6,11]。
目前,将一种新化合物推向市场需要投入大量资源,包括资金、人员以及多年的研究;甚至在Ⅰ期临床试验开始之前便已如此。据估计,一种新药上市需要 13~15 年,成本超过 20 亿美元,而且这些数字仍在逐渐上升[12]。多年来出现了一个反向趋势:尽管研发投入不断增加,进入市场的全新化合物数量却在下降[13]。将研究发现转化为临床应用所涉及的监管要求和立法程序,往往阻碍新疗法的开发[14]。药物再利用有望将研发成本降低约 40%~60%,从而应对这些挑战,因为现有药物的临床前安全性和毒理学研究已经完成[15]。从产业角度看,再利用药物进入Ⅱ期临床试验的时间最多可比全新化合物提前 5 年,其获得 FDA 批准的比例可能高出 3 倍。此外,药物再利用为应对未满足的医疗需求和药物短缺提供了新途径,预计未来十年其市场规模将以每年 4%~15% 的速度增长[16,17]。AI 技术的最新进展进一步加速了这些发展,为治疗药物发现开辟了新的机会。本综述讨论 AI 与药物再利用的交叉融合,重点介绍这一快速发展领域的方法学进展、应用案例和未来方向。药物再利用——经典方法与现代方法
历史上的药物再利用策略主要依赖三种方法:以药物为中心、以疾病为中心和以靶点为中心的方法[18]。以药物为中心的方法侧重于通过考察现有药物的药理学特征来拓展其应用,包括已知活性、脱靶效应、超说明书用药、失败的临床试验或专利已到期药物。一个众所周知的例子是西地那非(Viagra®,万艾可),它是一种环磷酸鸟苷特异性 5 型磷酸二酯酶选择性抑制剂。西地那非最初由辉瑞于 20 世纪 80 年代开发,用于治疗高血压和心绞痛,但在心血管适应证临床试验中未能成功。然而,其意外的不良反应——改善勃起功能——促使其成功重定位用于治疗勃起功能障碍[19,20]。另一个例子是沙利度胺,该药最初作为镇静剂上市,后因致畸作用导致数千例先天性残疾而被撤市。此后,人们利用其抗血管生成特性,将其再利用为抗肿瘤药物[21]。
以疾病为中心的方法将关注重点从药物转向病理过程,依据共同的分子特征或病理生理通路,将化合物与疾病相匹配。例如,齐多夫定最初作为潜在抗肿瘤药合成,在发现其能够抑制人类免疫缺陷病毒(HIV)逆转录酶这一病毒复制关键酶后,被再利用为首个 HIV 治疗药物[22]。这一案例不仅凸显了以疾病为中心方法的成功,也说明在分子机制认识的指导下,药物再利用如何能够迅速改变患者的治疗。
以靶点为中心的方法侧重于对那些能够调节已明确表征分子靶点的化合物进行再利用。他莫昔芬最初作为事后避孕药开发,在发现其抗雌激素活性后被再利用于乳腺癌治疗[23,24]。另一个值得注意的例子是硝羟喹啉,这是一种成熟的抗菌药,因其良好的药代动力学特征(包括在尿液中长时间滞留),传统上被用作非复杂性尿路感染的一线治疗药物[25,26]。临床前体外和体内研究表明,它能够抑制血管生成[27],降低膀胱癌细胞的活力和迁移能力,并诱导其凋亡[28]。此外,新出现的体外证据提示,硝羟喹啉可能抑制猴痘病毒复制,凸显了其作为抗病毒药物再利用的潜力[29]。
每种传统策略均有其独特局限。以药物为中心和以疾病为中心的方法可能忽略疾病特异性相互作用,而以靶点为中心的方法需要详细的结构和结合亲和力数据,因而使大规模计算机模拟筛选变得复杂。尽管传统方法已取得显著成功,但合成分子、数据库和可用临床证据数量的不断增长带来了挑战。现有数据的广度和异质性显著阻碍了有效的整合、分析与解释[30]。数据库的构建耗时,而且由于新数据不断涌入,数据库在发表时往往已经过时[31]。依赖人工文献综述和逐一开展计算机模拟分析,使候选药物识别出现严重瓶颈。体内和生化方法对于阐明药物—靶点相互作用仍具有重要价值,但其成本高昂、过程烦琐且劳动密集,显著限制了其在对效率要求极高的大规模药物再利用中的应用[32]。这一问题在罕见病中尤为突出,有限的临床数据进一步限制了发现和验证的范围[30,33]。
AI 驱动药物再利用的基本原理仍与传统方法相似:必须以证据为基础并由数据驱动。用于识别现有分子新用途的数据可分为非结构化数据和结构化数据。非结构化生物医学数据约占全部医疗数据的 80%[34]。尽管缺乏标准化定义,这一类别包括来自临床实践和生物医学科学出版物的文本及影像数据[35]。例如,研究论文提供非结构化信息,可借助 NLP(尤其是 Transformer 模型)将其整合到药物再利用流程中。
Transformer 模型是一类深度学习架构,它通过自注意力机制依据上下文关系理解词语,已经彻底改变了 NLP[36]。自注意力机制分析序列中不同位置之间的关系,从而生成融入上下文的信息表征。自 Transformer 架构提出以来,涌现出众多大语言模型(LLM),包括 BERT、RoBERTa、ELECTRA 以及广为人知的 GPT 系列(后来商业化产品为 ChatGPT)[37–40]。这些模型在巨量文本数据上预训练,对于专门任务只需进行微调,而无须从头完成全部训练。然而,生物医学研究涉及区别于通用语言的领域特异性术语和语言模式。BioBERT、SciBERT、PubMedBERT 和 BioELECTRA 等专用模型在生物医学应用中的准确性和可靠性优于通用 LLM[41,42]。
这些 NLP 模型在从科学论文中提取药物—靶点相互作用方面尤其有效,既可独立用于药物再利用,也可整合至更广泛的非结构化数据分析流程。与人工整理的相互作用数据库相比,这种方法具有一项关键优势:研究人员能够探索超过 3000 万篇 PubMed 文献,从而发现新的关联[43]。目前最先进的 NLP 模型在识别记录药物—靶点相互作用的文献时,准确率可达 99% 以上[44]。此外,PubTator、BEST 和 GDPminer 等自动化文本挖掘工具可作为 AI 驱动的生物信息整理工具,系统性地从文献中提取并组织特定实体的信息(如基因、药物和疾病)[45–47]。经 NLP 处理后,非结构化数据可与结构化数据结合;后者通常来自人工整理的数据库,如 ChEMBL、BindingDB、PubChem、GtopDB、DrugBank、GNBR 或 Drug-TargetCommons[48–53],从而构建用于药物再利用的整体性多模态框架。图 1 展示了基于图的药物再利用工作流程。表 1 比较了传统方法与基于 AI 的方法。
图 1 基于图的药物再利用流程:[A] 数据整合:工作流程始于全面的数据整合,理想情况下应同时包括结构化数据(如 DrugBank、ChEMBL、STRING、DisGeNET)和非结构化数据来源(如通过自然语言处理处理的文献、临床记录)。[B] 数据协调:通过实体规范化和身份映射对数据进行协调。[C] 知识图谱构建:将这些数据纳入知识图谱,以药物/蛋白质/基因/疾病为节点,并建立节点之间的连接。[D] 嵌入阶段:在嵌入阶段,使用 node2vec、GraphSAGE 或其他方法,将完整的多维图投影到低维向量空间,从而捕获局部环境结构和节点特征(如化学指纹、序列特征)。[E] 机器学习实施:在这些嵌入上实施机器学习模型。[F] 链接预测与评分:链接预测算法对药物—靶点关联进行评分和排序。生物网络分析与基于图的方法
所有提取的数据均可纳入知识图谱(KG)或其他形式的生物网络分析。这些框架将生物系统——蛋白质、基因、疾病或药物——映射为相互连接的节点,并以边表示它们之间的相互作用。传统上,一个节点(如某种蛋白质)对机体或疾病的重要性取决于其连接数量[54]。例如,在蛋白质—蛋白质相互作用(PPI)网络中具有大量相互作用的蛋白质,可能在疾病机制中发挥核心作用。网络建模与三种经典药物再利用策略相一致,即以药物为中心、以疾病为中心和以靶点为中心的方法[55]。这些网络中的边可以是无向的(表示非层级关联),也可以是有向的(表示因果、调控或激活关系)。图中可以包含其中一种或两种连接[56]。通过构建关联网络并应用拓扑指标,如中介中心性(识别发挥桥梁作用的节点)、接近中心性(衡量一个节点与其他节点相互作用的难易程度),研究人员能够识别具有共同机制的药物,或发现通路相互重叠的疾病[55]。然而,除已知连接外,机器学习还促进了这一方法的发展,因为它能够识别人类很可能无法识别的模式。
在应用机器学习算法预测图中的新关联之前,必须将结构信息(节点和边)转换为固定长度的数值向量,这一过程称为图嵌入[57]。嵌入既保留直接连接(如节点之间的相互作用),也保留更广泛的图结构(如节点的作用或位置)。这通过两项关键原则实现:(i)上下文表征,用于捕获节点的直接邻域及其直接连接;(ii)结构等价,用于映射图中作用或位置相似的节点(如网络中充当枢纽的蛋白质)。嵌入使机器学习模型能够处理图数据,而图数据本身并不具备大多数算法所要求的固定尺寸输入格式。嵌入方法的选择取决于图的组成。代表性技术包括:(i)node2vec,通过在图上模拟随机游走生成节点的向量表征;(ii)FastRP,聚合不同距离邻节点的信息,并应用随机线性投影将特征压缩为低维向量;(iii)GraphSAGE,利用局部节点信息(如化学性质),并使用邻近节点的信息更新第一个节点的向量[57–59]。实践中也会采用结合多种方法的混合策略,以利用它们互补的优势。
图神经网络(GNN)是专门用于分析图结构数据并从中学习的机器学习框架。GNN 通过迭代式消息传递机制运行——每个节点聚合其直接邻节点的信息。通过堆叠多个层,GNN 能够分层捕获局部分子性质和全局拓扑特征,从而预测新的药物—靶点相互作用[60]。消息传递层的机制见图 2。
图 2 图神经网络中的消息传递层。
在第 k 次迭代中,节点 v 的嵌入按以下步骤更新:
1)消息计算
mu→v(k) = M(hu(k−1), hv(k−1), euv)
(其中,hu(k−1)、hv(k−1) 分别为第 k−1 层中节点 u 和 v 的嵌入,euv 为边 u,v 的特征向量,M 为消息函数。)
2)聚合
av(k) = ⊕u∈N(v) mu→v(k)
(其中,N(v) 为 v 的邻节点集合,⊕ 为置换不变聚合器,如均值、求和或最大值。)
3)更新
hv(k) = U(hv(k−1), av(k))
(其中,U 为更新函数,hv(0) = xv 为节点 v 的初始特征向量。)
单个 GNN 层依赖一种参数化的置换等变映射来更新每个节点的表征,并在训练过程中进行优化。消息传递机制包括三个基本步骤。第一,对于每条边 (u,v),利用前一层中节点 u 和 v 的嵌入 hu(k−1) 和 hv(k−1) 以及边特异性特征 euv 计算消息:mu→v(k) = M(hu(k−1), hv(k−1), euv)。第二,使用置换不变算子 ⊕(如求和、均值或最大值)将这些消息合并为一个聚合值:av(k) = ⊕u∈N(v) mu→v(k),从而确保无论按何种顺序处理邻节点,结果均保持不变。第三,对聚合消息和节点的先前状态应用可学习函数 U,生成节点更新后的嵌入 hv(k)。由于 M 和 U 在整个图中共享,且 ⊕ 不受邻节点顺序影响,因此整个层与节点的任意重新标号满足交换性,确保 GNN 尊重图结构数据的内在对称性。堆叠 K 个这样的层后,每个节点的最终嵌入 hv(K) 可捕获其 K 跳邻域的信息,即在完全可微的流程中融合局部拓扑、节点特征和边属性。
近期 GNN 的进展已针对药物再利用进行定制,即嵌入大规模生物医学网络并预测新的药物—疾病关联。这些模型通过挖掘复杂的生物医学图,将广度(分析数千种化合物)与深度(揭示机制层面的认识)相结合。例如,deepDR 使用多模态自编码器整合 10 个相互关联的网络——包括药物、疾病、药物靶点和不良反应——以学习统一的模式嵌入。该框架对图中的相关实体进行聚类,从而能够系统地发现再利用候选药物[61]。GDRnet 等其他 GNN 流程将分子图编码为由药物、疾病、基因和解剖结构组成的四层异质网络。GDRnet 将药物—靶点相互作用预测视为链接预测任务。其编码器—解码器架构通过端到端训练直接为药物—疾病对评分,绕过了传统的嵌入与排序工作流程[62]。VirtuDockDL 使用 GNN 表征化合物—靶点相互作用,以优化大规模虚拟筛选的效率。通过学习分子复合物的空间和化学特征,可优先筛选高亲和力结合候选物用于实验验证。这些流程通常基于公开可用的数据集构建,这些数据集整合并合并了来自公共存储库的多样化数据[63]。
最引人注目的例子之一是药物再利用知识图谱(Drug Repurposing Knowledge Graph,DRKG)。这一结构化生物医学数据集描绘了基因、化合物、疾病、生物过程、药物不良反应和症状之间的关系。DRKG 提供了一个统一平台,用于发现否则可能隐藏的治疗机会。例如,应用于 DRKG 的深度学习模型通过分析现有化合物与病毒机制之间共享的分子通路,识别出可用于抗 SARS-CoV-2 的候选再利用药物[64]。同样,DRKG 内的网络聚类突出了靶向神经炎症或蛋白质聚集通路的化合物,这些通路与肌萎缩侧索硬化病理相关[65]。此外,还可对 DRKG 进行修改,使其聚焦于特定疾病亚集,其中包括面向罕见病定制的 RDK-115 版本。该分析显示,870 个预测药物—疾病对中有 438 个(50.3%)为新关联,43.2% 被列为高置信度候选。其中 48.3% 重现了已知关联,验证了模型的准确性。此外,在小分子—疾病对中,62 个预测有 44 个(71.0%)为新推断关联,31.8% 被优先列为最高级别先导线索[66]。
近期用于药物再利用的 GNN 进展包括 AdaDR 等工具。AdaDR 使用自适应图卷积网络,将节点特征(如药物化学性质、直接连接)与生物医学网络中的全局拓扑依赖关系深度整合[67]。AdaDR 通过三个连续步骤运行:(i)图卷积模块,将药物和疾病信息嵌入低维向量;(ii)自适应学习模块,使用注意力机制衡量节点连接的重要性;(iii)预测模块,将这些嵌入连接起来,以推断新的药物—疾病关联[67]。
另一个创新框架 TxGNN 将 GNN 与度量学习相结合,实现零样本药物再利用;该方法面向标注数据极少的场景,例如罕见病——多达 95% 的罕见病缺乏已获批疗法[67,68]。TxGNN 已在超过 17,000 种疾病中得到验证,其中包括尚无现有疗法的疾病。GNN 组件学习药物与疾病之间的关系,而度量学习模块计算相似度评分以确定关联的优先次序。TxGNN 的一项关键优势是以人为中心的可解释性,它通过提供直观的预测解释简化临床转化,即使计算专业知识有限的用户也能理解。
一种部分相似的方法——基于子图的案例推理(CBR-SUBG)——使用 GNN 识别生物医学图中的模式,并结合查询特异性子图来预测再利用候选药物[69]。CBR-SUBG 识别网络邻域相似的药物,并依据已知的类似相互作用推断其治疗潜力。例如,鉴于普萘洛尔(一种抗高血压药)的抗震颤作用,该方法成功地将其再利用于帕金森病,这与其已获批用途相呼应[70]。CBR-SUBG 强调机制可解释性,因此优于经典的基于 GNN 的链接预测模型——它构建相似药物和疾病的子图,为预测提供生物学背景。然而,对于每一项治疗潜力预测,临床评价仍然必不可少。例如,荟萃分析显示普萘洛尔与帕金森病风险升高相关,但这可能源于将该药用于疾病相关震颤,因此并不提示因果关系[71]。此外,较新的研究提示,普萘洛尔可能降低震颤相关皮质活动[72]。因此,每项预测均应接受实验或临床评价。
表 1 传统方法与基于 AI 方法的比较分析
比较方面
传统方法
基于 AI 的方法
优势
利用现有临床和药理学数据、已确立的人体安全性与药代动力学数据(如既往试验),从而加快临床部署并降低风险;在多种疾病中已有许多成功疗法,记录可靠;基于已知药物机制和临床经验,通常具有较高可解释性。
数据驱动的发现:AI 挖掘海量、多样化的生物医学数据集,揭示不明显的药物—靶点联系,而这些联系原本很可能被忽略;高通量计算机模拟筛选能够快速确定候选药物的优先次序。
缺点与局限
受现有知识限制;药物效应数据不完整可能使发现产生偏倚;仍需开展完整的疗效试验。
依赖大规模、高质量数据集;有偏数据可能导致假阳性结果。模型通常是缺乏预测关联依据的“黑箱”;不过,较新的模型已开始纳入机制解释,以提高可解释性。
使用的数据类型
药理学与临床数据、生物医学文献。
广泛的多模态数据:整合化学与结构数据库、基因组学、蛋白质组学和转录组学、电子健康记录、不良反应/不良事件数据库以及生物医学文本。可采用知识图谱并整合异质数据集。
方法学路径
假设驱动和机制导向:以药物为中心(测试已知药物的新适应证)、以疾病为中心(针对病理生理机制已知的疾病筛选现有药物),或以靶点为中心(将药物与生物靶点相匹配)。
数据驱动路径:采用机器学习、网络分析和 NLP。实例包括在生物医学知识图谱上应用图神经网络,以及深入解析化学—靶点相互作用网络。
可扩展性
通量低且劳动密集:通常需要实验台实验和有针对性的筛选。
可扩展性高,AI 方法能够并行筛选数百万种化合物或数据点。计算预测仍需严格的实验和临床验证。化合物的结构建模与虚拟筛选
结构建模方法旨在阐明蛋白质功能及其与配体的相互作用,这是识别药物靶点和评价潜在化合物的关键步骤。这些方法依赖于预测蛋白质的三维(3D)构象,包括活性结合位点和变构调节区域。现代虚拟筛选利用 AI,通过将化学结构与靶蛋白相匹配来预测潜在候选药物的活性,从而能够快速评价庞大的化合物库[73]。DrugRep 等自动化平台将结合口袋检测、分子对接和基于相似性的排序整合为端到端流程,从而简化再利用工作流程[74]。同样,DrugRepo 等其他工具旨在结合多种方法,根据化学结构、与疾病共享的遗传关联以及蛋白质—蛋白质相互作用网络,整合已知药物与候选药物之间的相似性[75]。然而,DrugRep 和 DrugRepo 依赖经典算法,而新兴的 AI 驱动方法则利用深度学习改进结合亲和力预测,使其超越传统力场方法。
例如,RosettaVS 在 Rosetta 框架中引入神经网络,以提高结合构象和亲和力预测的准确性[76]。另一种名为 RepurposeDrugs 的工具是一种用户友好的网络应用程序,采用在人工整理的已获批和失败临床试验数据集上训练的机器学习模型。由此可预测特定药物—疾病适应证获得批准的概率,即使编程能力不强的研究人员也能使用[77]。此外,已有研究者提出一种新一代药物库和信息资源[78]。AI 驱动虚拟筛选的最新创新见表 2。
表 2 AI 驱动虚拟筛选的最新创新
AI 工具
特征
参考文献
DiffDock
一种条件扩散模型,能够以高选择性生成蛋白质表面的配体结合构象,性能优于经典对接工具。
[79]
Deep Docking
将基于配体的机器学习预测器与迭代对接循环相结合,对于十亿级化合物库,可将超大规模虚拟筛选速度提高至多 100 倍。
[80]
DeepVS
一种卷积神经网络,从对接输出中提取原子和残基水平的特征,以提高富集因子。
[81]
机器学习评分函数
监督学习和定量构效关系模型改进经典力场方法,以实现精确的亲和力估计。
[82]
DeepLPI
一种多模态框架,利用蛋白质序列和 SMILES 字符串(化学结构的文本表征)预测相互作用。
[83]
基于 CNN 的虚拟筛选
使用三维卷积架构直接为蛋白质—配体复合物评分,性能超过 AutoDock Vina 和 Dock 等经典基准工具。
[84]基于结构的药物再利用
过去,由于结构数据不完整,计算药物发现受到限制。例如,在蛋白质结构数据库(Protein Data Bank,PDB)中,只有约 27% 的人类蛋白质具有经实验解析的结构[85]。然而,DeepMind 发布 AlphaFold 是结构生物学的一个重要里程碑,它提供了几乎所有已知蛋白质的结构预测,显著扩大了可用于分析的数据集[83–88]。该软件在每次后续更新中复杂度不断提高,使我们能够得出更明确的结论。其前身 AlphaFold2 能够根据氨基酸序列准确预测单链蛋白质的静态三维结构,而 AlphaFold3 则带来了范式转变。其多模态框架能够在统一的结构预测中对蛋白质—配体复合物、蛋白质—核酸相互作用和多蛋白组装体进行建模。基于结构的药物再利用(structure-based drug repurposing,SBDR)整合分子对接、虚拟筛选和 AI 驱动的结构预测,以识别新的治疗适应证[89]。例如,AlphaFold3 可对长度不超过 500 个氨基酸残基的蛋白质进行创新建模,在基准测试案例中准确率超过 70%[90,91]。这种精度使研究人员能够通过预测详细的结合位点,并对动态生物分子系统中的 RNA 相互作用进行建模,再利用短治疗性肽(8~30 个氨基酸)。通过减少虚拟筛选流程中的假阳性,SBDR 可识别现有肽类药物的新治疗用途,尤其是在肿瘤学(如在乳腺癌和结直肠癌模型中靶向肿瘤代谢[92])、免疫治疗(如再利用肽阻断免疫检查点或减轻炎症[93])和神经退行性疾病领域。
这一能力使 AlphaFold3 在 SBDR 中具有独特优势。需要指出的是,尽管 AlphaFold3 目前能够生成蛋白质—配体复合物的结构模型,但这些模型更多代表一种几何假设,而非经过验证的结合亲和力。即使结构预测准确,后者仍不完全可靠[94,95]。迄今预测的结构通常代表静态构象,而实际蛋白质处于动态状态。因此,当前模型可能无法准确表征构象变化、诱导契合结合或变构效应[96]。膜蛋白的结构预测仍具挑战性,因为历史上可用于训练模型的已解析结构蛋白质数量相对较少[96]。因此,额外的湿实验生物物理测定对于实验确认仍然必不可少[95,96]。
尽管如此,通过两种方法均证明分子与靶结构的结合亲和力后,便可预测其在新疾病中的治疗潜力。随着 AI 的发展,这些计算策略正在将药物再利用从偶然发现驱动的过程转变为结构化、数据驱动的方法,从而加快对紧迫医疗需求的响应[97]。大数据与大规模数据集的整合
在药物再利用中,整合大规模数据集——从多组学特征谱到化合物库和临床记录——使 AI 模型能够揭示新的药物—疾病关联。整合式深度学习策略将转录组学、蛋白质组学和代谢组学特征融合到统一框架中[98]。然而,拍字节级数据量、高维性和隐私限制带来了挑战,对计算和内存效率提出了很高要求[99]。在多组学矩阵上训练和运行深度神经网络(DNN),或模拟数十亿种化合物—靶点相互作用,需要高性能计算或数百个图形处理器(GPU),机构在硬件和能源方面的成本往往超过数百万美元[100]。例如,Recursion Pharmaceuticals 拥有的 BioHive-2 是制药行业最大的超级计算机之一,包含 504 个 GPU,每块价格约为 2.5 万~3 万美元。仅硬件成本就约为 1500 万美元,尚未计入能源基础设施与使用、存储或网络成本[101]。此外,超级计算机的计算能力目前每 9 个月翻一番,而硬件和能源成本也逐年翻倍[102]。而且,即使具备这样的基础设施,拍字节级特征矩阵仍可能超出节点内存容量并使磁盘输入/输出达到饱和,使本应数小时完成的分析变成耗时多日的过程。为克服这些限制,深度自编码器将高维化学和组学数据压缩为紧凑的低维嵌入,在减小数据规模的同时保留信号[103]。与此同时,原子分辨率存储库——如 PDB,目前拥有超过 234,785 个经实验解析的三维结构——提供了丰富的分子数据集,但需要优化的预处理流程来处理其复杂性[104]。AI 在药物再利用中的应用——研究与案例综述
AI 在药物再利用中的优势已在多项应用中得到证实。AI 能够提供显著优势的一个领域——尤其是在加快时间进程方面——是应急响应场景,COVID-19 大流行即为例证。Messina 等(2020 年)[105]在一项研究中使用带重启随机游走(RWR)算法开展 AI 驱动的网络分析,识别出可能参与 SARS-CoV-2 发病机制的宿主基因。尽管 RWR 本身并非严格意义上的 AI 方法,但它常被整合到更广泛的药物再利用 AI 工作流程中。该方法利用“关联推定”原则,即生物网络中紧密连接的蛋白质、基因或节点在功能上相关[106]。应用于 COVID-19 时,该分析突出了与 DNA 修复通路和早期免疫激活相关的基因,为病毒—宿主相互作用和潜在治疗靶点提供了机制层面的认识[105]。
基于网络的深度学习框架和知识图谱也已被证明有助于快速洞察潜在治疗方案。CoV-KGE 是 Zeng 等(2020 年)[107]开发的知识图谱,包含 39 种关系类型的 1500 万条边,涉及药物、疾病、基因、通路和表达,数据来源于 2400 万篇 PubMed 文献。经 COVID-19 数据集验证,CoV-KGE 获得了较高的预测准确性(AUROC = 0.85),识别出 41 种可再利用药物,包括地塞米松、吲哚美辛、氯硝柳胺和托瑞米芬。随后在 SARS-CoV-2 感染细胞中开展的基因表达和蛋白质组学富集分析佐证了这些发现。同样,研究人员利用 AI 驱动的网络扩散和邻近算法,筛选了 6000 多种具有抗 SARS-CoV-2 潜力的药物,发现了 918 种可能的候选药物[108]。研究者注意到,大多数算法对这些真实数据均具有预测能力,但没有一种方法能够在所有数据集和指标上提供可靠结果。因此,他们开发了一种多模态方法,综合所有算法的预测。所提出的模型揭示,在 77 种能够有效降低病毒感染的药物中,有 76 种不与 SARS-CoV-2 靶蛋白结合,这表明这些药物依赖基于网络的作用方式,而基于对接的策略无法识别这种作用[108]。
通过分析疾病特异性转录组学数据的网络表征,全基因组定位系统(GPSnet)算法等 AI 驱动解决方案利用机制认识来识别基于基因组的疗法。GPSnet 将患者来源的 DNA/RNA 测序数据映射到蛋白质—蛋白质相互作用网络,构建疾病特异性模块,从而实现药物再利用。该方法预测了 140 种已获批药物的药物—疾病关联,并指出恩扎妥林、利尼伐尼、奥拉帕利、 pictilisib、refametinib、司美替尼和维莫非尼等化合物是乳腺癌、肺癌和皮肤癌的有前景候选药物。这些预测在体外实验中得到验证,证明其在细胞模型中具有疗效[109]。
网络技术还用于 NEUBOrg 中虚拟重建大脑;NEUBOrg 是一种模拟全脑类器官(WBO,即人工诱导的脑模型)的 AI 驱动平台。该平台利用 DeepNEU(v6.2)深度学习框架,通过循环神经网络、支持向量机和进化算法,对干细胞分化、认知图谱和神经网络动态进行建模。该平台被用于识别异染性脑白质营养不良(MLD,一种罕见神经退行性疾病)的新治疗策略。NEUBOrg 利用人工生成的全脑模拟(aiWBO),创建了 aiWBO-MLD 模型,重现芳基硫酸酯酶 A(ARSA)缺陷的人脑类器官,而 ARSA 缺陷正是 MLD 的遗传学标志。该平台在这一模拟环境中筛选了 861 种药物组合,并优先筛选出 12 种能够减轻 MLD 相关病理的双药方案。主要候选方案包括:(i)以仑伐替尼为基础的组合:仑伐替尼分别与帕博利珠单抗、雷帕霉素、瑞戈非尼、舒尼替尼或卡马替尼联用;(ii)以奥拉帕利为基础的组合:奥拉帕利分别与阿贝西利、哌柏西利、瑞戈非尼、瑞波西利或舒尼替尼联用,以及其他配对。这些组合在计算机模拟中减轻了 MLD 症状,表明 NEUBOrg 能够加速临床前模型有限的罕见病药物发现[110]。
罕见病是 AI 驱动药物再利用一个关键但探索不足的前沿领域。尽管目前罕见病占所有基于 AI 的再利用工作的比例不足 5%,早期研究已显示出良好潜力[30]。例如,研究人员应用机器学习识别 Pitt–Hopkins 综合征(PTHS,一种罕见遗传病)的治疗方法[109]。通过结合动物模型的临床前数据与对疾病相关离子通道的高通量筛选,发现钙通道阻滞剂尼卡地平——常用于治疗高血压和心绞痛[111]——能够调节 PTHS 中功能异常的离子通道,提示其具有治疗价值[109,112]。另一项研究采用包含预测和机器学习的两阶段 AI 方法,分析了 262 例罹患 31 种疾病的患者和 268 名健康对照的基因表达数据。所研究的疾病包括包涵体肌炎、多发性肌炎和皮肌炎。按基因表达对疾病聚类后,利用异常基因表达的可逆性测试已知小分子的疗效。借助一种可根据模拟或逆转所观察基因表达变化来确定药物靶点的工具,研究人员识别出 10 种与包涵体肌炎和多发性肌炎对应的药物(alvocidib、吉西他滨、wortmannin、tosedostat),10 种与多发性肌炎和皮肌炎对应的药物(马来酸哌克昔林、司美替尼、viscostatin),以及 14 种适用于所有疾病的药物,包括利血平、salermide 和 wortmannin[98]。
对于结节病和肾母细胞瘤,一种利用全球生物医学关系网络(GNBR)的基于网络的方法优先筛选出 30 种再利用候选药物。主要候选药物三氟拉嗪(一种再利用于肾母细胞瘤的抗精神病药)和依维莫司(一种用于结节病的 mTOR 抑制剂),因其机制与疾病病因相符而被提议开展临床试验[113]。
视网膜色素变性是一种导致进行性失明且目前尚无疗法的遗传病,研究人员也使用机器学习方法进行了研究[114]。通过整合转录组学数据、药物重定位数据集和视网膜色素变性机制图谱,研究人员识别出 109 个具有潜在治疗价值的已获批药物靶点。该框架凸显了机器学习将现有药物再利用于缺乏治疗选择疾病的能力[115]。
机器学习还被应用于 Noonan 综合征或 LEOPARD 综合征。这些常染色体疾病表现为身材矮小、面部畸形和心肌病[116]。机器学习分析基因组和药物相互作用数据,以预测所选抗肿瘤药物在这些疾病中的潜在疗效。达沙替尼是一种白血病治疗药物,因其能够抑制失调的信号通路而成为 Noonan 综合征的候选药物[117]。
URSAHD(Unveiling RNA Sample Annotation for Human Diseases)是一种机器学习工具,通过将基因表达谱与临床表型相联系,识别疾病特异性分子特征。URSAHD 验证了顺铂用于难治性贫血伴原始细胞增多,以及白藜芦醇用于铁粒幼细胞性贫血的潜力[118]。
此外,AI 驱动方法不仅可用于识别单一再利用候选药物,还可用于识别联合使用时可能具有更高疗效的药物组合。Li 等(2025 年)[119]使用 DeepDrug 再利用框架,识别出一种由 5 种药物组成的阿尔茨海默病潜在治疗方案:托法替布、尼拉帕利、巴瑞替尼、恩格列净和多沙骨化醇。研究采用基于图的方法,并将结果纳入图神经网络,进一步量化为药物—基因评分以供实验验证[119]。Pan 等(2023 年)[120]采用了类似方法,将图卷积网络(GCN)与全连接网络(FCN)相结合,以识别有前景的阿尔茨海默病药物组合[120]。GCN 首先从药物—靶点相互作用网络中学习特征,随后由 FCN 预测有效组合。
利用基于 AI 的解决方案还可以帮助临床医生预测特定治疗的应答,并可能减轻不良反应。例如,蒽环类药物是儿童肿瘤治疗中常用的一类化疗药,其常见不良反应之一是蒽环类药物所致心脏毒性(ACT)[121]。在采用 AI 解决方案之前,无法预测哪些患者会发生 ACT。幸运的是,一项研究表明,分别基于临床因素(如患者特征和治疗史)、遗传因素或二者组合运行经典随机森林(RF)算法,均可成功预测 ACT。据观察,联合 RF 模型优于临床 RF 模型和遗传 RF 模型,表现为曲线下面积更高(0.71)、特异度更高、阳性预测值更高且误分类率更低[122]。
同样,随着我们迈入个体化医疗时代,可以整合 AI 解决方案来预测药物应答,或将患者分层为最有可能从拟议治疗干预中获益的人群[8]。通过分析大型多模态数据集,基于 AI 的方法已在神经病学和肿瘤学等多个学科成功识别出新的生物标志物[123,124]。例如,一种基于多组学和相互作用组数据、以内表型为基础的网络模型显示,西地那非可能是男性阿尔茨海默病的有效药物,并且同时提出了潜在作用机制[125]。除识别单一治疗靶点或选择最有前景的靶向化合物外,AI 工具还可用于不同患者群体或疾病阶段可能表现出不同病因或机制的疾病,在这类情况下,“一种方案适用于所有人”的方法并不有效[126]。组合分析将患者各种特征和特征组合与治疗方案及其结局相结合。此类分析的结果可能推动患者分层,从而为其匹配个体化治疗。目前,使用这些方法识别出的若干候选药物正在临床试验中接受研究。实例包括用于 2 型糖尿病的盐皮质激素受体激动剂,尤其针对 NR3C2 基因突变以预防肾衰竭;以及用于肌萎缩侧索硬化的白细胞介素-6 受体激动剂[126]。随着更先进的 AI 工具被整合到数据驱动的医疗实践中,将患者个体特征纳入治疗决策(如药物选择或潜在重定位)可能成为临床常规的一部分。
这一方法已被应用于 mediKanren 工具,该工具可帮助罕见病临床医生处理每例患者中显著变化的基因。mediKanren 作为知识图谱上的推理引擎运行[127]。知识图谱通常被转换为可用于查询检索的数据库。mediKanren 主要使用结构化数据;不过,只要将非结构化数据纳入知识图谱,也可将其整合到分析中。临床医生评估可能有益的基因或基因变异,mediKanren 则据此寻找潜在候选药物。该工具不提供评分,而是给出临床关联,供人工审查并确定治疗方案。例如,该流程识别出左卡尼汀可作为 TMLHE 基因变异患者的潜在治疗药物,该患者存在癫痫发作、言语障碍和运动功能受损。患者携带的突变导致肉碱水平降低[128]。研究人员使用 mediKanren 搜索能够提高肉碱水平的药物,其中包括 FDA 已批准的补充剂左卡尼汀。患者随后获得临床改善[127]。该工具还识别出塞来昔布可作为 RHOBTB2 基因错义突变(与树突发育减少相关)的潜在有效疗法[127]。这一实例表明,将 AI 工具与临床专业知识相结合,能够显著帮助具有特定遗传特征的患者,向基因组定制疗法和个体化医疗迈进。挑战与未来展望
尽管 AI 在药物再利用中前景广阔,但要充分发挥其潜力,仍须克服若干挑战。一个主要问题是大型数据集中存在相互矛盾的信息。生物医学数据的庞大性和多样性往往导致数据不一致和结果分歧,使数据分析与解释复杂化。此外,过度依赖文本数据可能无法充分捕获生物系统的复杂性,从而限制 AI 模型的效能并对其预测准确性产生负面影响[129,130]。另一项关键挑战是医疗记录的碎片化状态。缺乏标准化和可互操作的数据系统,阻碍了不同数据集的无缝整合,而这些数据集对于全面分析和合理决策至关重要。应对这些挑战,需要开发稳健的数据整合框架、改进数据整理实践,并实施能够有效管理复杂异质数据环境的先进 AI 模型[129,131,132]。
量子计算机在 AI 驱动药物再利用方面具有变革潜力,可使处理速度呈指数级提升,从而筛选庞大的化合物库,并应对数据集的规模和复杂性。通过利用量子处理器,这些系统能够比经典计算机更紧凑、并行地表征和处理高维分子数据[133]。早期量子—经典混合流程已经展示了这种潜力:将分子能量估算等计算资源密集型任务交由量子硬件执行,而在经典计算集群上处理大规模数据管理。量子处理器将原子性质或键构型等高维分子描述符编码为量子比特振幅,压缩数据表征并缓解经典系统固有的内存需求。该方法已在 D-Wave 硬件上的生成化学工作流程中证明有效[133]。混合系统还可并行处理会令经典 GPU 不堪重负的计算,加速提出新骨架等生成设计任务。早期结果显示,对于聚焦的化合物库,探索时间可缩短数个数量级[134]。
为确保负责任的创新,新兴量子—AI 架构强调可解释性和合乎伦理的建模,将公平性感知流程和监管可追溯性整合到生物医学工作流程中[135]。这些进展确保量子系统生成的见解保持可信并具有临床可操作性,这是获得监管认可的关键要求。量子计算为整合和分析海量生物医学数据集提供了变革性解决方案。通过克服经典计算在内存和计算吞吐量方面的限制,它能够实现高效、可解释且合乎伦理的 AI 驱动发现,从而成为从大规模复杂生物医学和临床信息系统中解锁可操作见解的关键推动力量。
尽管 AI 和计算再利用策略发展迅速,监管基础设施却落后于技术创新。美国食品药品监督管理局(FDA)和欧洲药品管理局(EMA)等监管机构已开始承认 AI 在药物开发中的作用。然而,仍缺乏全面、协调统一的指南。这种监管不确定性对临床转化和商业部署构成了重大障碍[136–138]。
为应对这些挑战,未来的框架必须针对 AI 模型的透明度、验证和可重复性建立明确标准,包括:
• 模型可解释性:用于药物再利用的 AI 系统必须提供临床可理解的预测推理依据[139,140]。
• 审计追踪:算法必须生成可追溯的输出,并充分记录数据来源、训练参数和版本历史[141,142]。
• 偏倚检测:应评估系统是否存在人口统计学、疾病或数据来源偏倚,尤其要关注代表性不足的人群或罕见病[143,144]。
• 批准前提交:与药代动力学或毒性研究类似,AI 模型可能需要在批准前向监管机构提交,并预先规定终点和验证基准[145,146]。
归根结底,监管认可将取决于性能指标以及 AI 工作流程在伦理和技术上的稳健性[138]。包括监管机构、技术人员、临床医生和伦理学家在内的多方利益相关者合作,对于塑造既能促进创新又能保障患者福祉的监管环境至关重要。
数据异质性仍是药物再利用中可扩展、可重复 AI 应用的最重大障碍之一。生物医学数据集在结构、格式、术语和质量方面往往存在差异,使通用型模型的训练复杂化。此外,专有限制和碎片化的数据孤岛进一步限制了数据可及性,在数据稀缺最为突出的罕见病研究中尤其如此[143,147]。
未来的进展需要全球共同推动建立统一的开源生物医学数据平台,整合多组学数据(基因组学、转录组学、蛋白质组学)、临床记录和试验数据、分子相互作用数据库以及生物医学文献。
FAIR(可查找、可访问、可互操作和可重用)数据原则及协调统一的元数据方案等标准化举措将发挥重要作用。为确保大规模数据驱动研究的长期可持续性,以及持续生成数据的再利用,必须建立结构化治理框架,以促进研究人员和企业采用最佳实践。同样,采用通用的元数据和工作流程技术框架也将有助于实现互操作性。数据和软件均应归档于具有充分元数据的在线门户中[148]。整合 DRKG、ChEMBL 和 PubChem 等大型人工整理存储库,应将其作为更全面、可互操作数据生态系统的基础节点[149,150]。归根结底,统一平台的成功或良好实践的采用,仍取决于对开放基础设施的持续系统性投入,使各方能够协作访问这些平台[148]。图 3 总结了统一开源生物医学数据平台的组成部分。
图 3 统一开源生物医学数据平台的组成部分:成功的生态系统必须整合多样化的数据模态——多组学数据集(基因组学、转录组学、蛋白质组学)、临床记录、试验注册信息和全面的生物医学文献,以及 DRKG、ChEMBL 和 PubChem 等大型人工整理存储库,并通过共同的标识符映射相互连接。
数据民主化同样重要:不仅要让学术研究人员获得访问权限,也要让资源不足的机构、公共卫生机构和国际合作伙伴获得访问权限[151]。这种包容性将增强算法在不同人群中的稳健性,并支持治疗药物开发的公平性[152]。结论
AI 驱动药物再利用的前景广阔,若干关键方向有望塑造这一领域。一个重点领域是开发更复杂的 AI 模型,使其能够更好地处理生物医学数据的复杂性。这包括整合多组学数据,将基因组学、蛋白质组学和代谢组学信息结合起来,以更全面地认识疾病机制和药物相互作用。另一个重要方向是推进量子计算技术。量子计算机有望使处理速度呈指数级提升,从而能够分析庞大的化合物库和复杂数据集。通过利用量子处理器,研究人员可以克服经典计算的局限,为更高效、更准确的药物发现过程铺平道路。最后,确保 AI 在药物再利用中得到合乎伦理且负责任的使用正受到日益重视,其中包括开发可解释的 AI 模型,使决策过程具有透明度和问责性。通过推进这些未来方向,AI 驱动药物再利用可以持续发展,为紧迫的医疗挑战提供新的解决方案,并改善患者结局。要点
• 生物医学数据的多样性往往导致药物开发结果出现分歧。
• 对文本数据的依赖限制了对生物系统复杂性的捕获,从而限制 AI 模型的效能。
• 稳健的数据整合框架可改进药物发现与开发中的数据整理实践。
• 先进 AI 模型能够有效管理复杂、异质的数据环境。参考文献
参考文献按学术译稿惯例保留原文。
1. Blanco-Gonzalez A, Cabezon A, Seco-Gonzalez A et al. T h e r o l e of AI in drug discovery: challenges, opportunities, and str ategies. Pharmaceuticals2023;16:891. https://doi.org/10.3390/ph16060891
2. Patel V, Shah M. Artificial intelligence and machine learning in drug d iscovery and development. Intelligent Medicine 2022;2:134–40. https://doi.org/10.1016/j.imed.2021.10.001
3. Pinzi L, Bisi N, Rastelli G. How drug repurposing can advance drug discovery: challenges and opportunities, Frontiers. Drug Discovery 2024;4:2024. https://doi.org/10.3389/fddsv.2024.1460100
4. Sahragardjoonegani B, Beall RF, Kesselheim AS et al. Repurposing existingdrugsfornewuses:acohortstudyofthefrequencyofFDAgranted new indication exclusivities since 1997. J Pharm Policy Pract2021;14:3. https://doi.org/10.1186/s40545-020-00282-8
5. Ghandikota SK, Jegga AG. Application of artificial intelligence and machine learning in drug repurposing. P r o g M o l B i o l T r a n s l S c i 2024;205:171–211. https://doi.org/10.1016/bs.pmbts.2024.03.030
6. Pan X, Lin X, Cao D et al. Deep learning for drug repurposing: methods, databases, and applications. Wiley Interdiscip Rev Comput MolSci2022;12:e1597. https://doi.org/10.1002/wcms.1597
7. Inoue Y, Song T, Fu T. DrugAgent: explainable drug repurposing agent with large language model-based reasoning, arXiv preprint 2024.https://doi.org/10.48550/arXiv.2408.13378
8. Serrano DR, Luciano FC, Anaya BJ et al. Artificial intelligence (AI) applications in drug discovery and drug delivery. Revolutionizing PersonalizedMedicine,Pharmaceutics2024;16:1328. https://doi.org/10.3390/pharmaceutics16101328
9. Vinayagam A, Gibson TE, Lee HJ et al. Controllability analysis of the directed human protein interaction network identifies d isease genes and drug targets. Proc Natl Acad SciUSA2016;113:4976–81. https://doi.org/10.1073/pnas.1603992113
10. do Valle ÍF, Menichetti G, Simonetti G et al. Network integration of multi-tumour omics data suggests novel targeting strategies. Nat Commun2018;9:4514. https://doi.org/10.1038/s41467-018-06992-7
11. Petrova N. AI-driven drug repurposing for novel therapeutic applications:utilizesAIalgorithmstoidentifyexistingdrugswithpotential therapeutic applications in new disease areas. J Artif Intell Res Appl2024;4:182–90.
12. Nosengo N. Can you teach old drugs new tricks? Natur e 2016;534:314–6.https://doi.org/10.1038/534314a
13. Scannell JW, Blanckley A, Boldon H et al. Diagnosing the decline in pharmaceutical R&D efficiency. Nat Rev Drug Discov 2012;11:191–200.https://doi.org/10.1038/nrd3681
14. Van Norman GA. Drugs, devices, and the FDA: part 1: an overview ofapprovalprocessesfor drugs. JACC Basic Transl Sci 2016;1:170–9. https://doi.org/10.1016/j.jacbts.2016.03.002
15. Hernandez JJ, Pryszlak M, Smith L et al. Giving drugs a second chance: overcoming regulatory and financial hurdles in repurposingapproveddrugsAscancertherapeutics. FrontOncol2017; 7:273. https://doi.org/10.3389/fonc.2017.00273
16. Dotadkil R. Drug Repurposing Market Research Report Information by Types (Disease-Centric, Target-Centric and Drug-Centric), by Therapeutic Area (Same Therapeutic Area and Different Therapeutic Area), by Drug Molecules (Biologics, Small Molecule), and by Region (North America, Europe, Asia-Pacific, and Rest oftheWorld)–Market ForecastTill2032Source: https://www.marketresearchfuture.com/ reports/drug-repurposing-market-22086. (accessed on 25th April 2025) 2025.
17. Technavio . Drug Repurposing Market Analysis North America, Europe, Asia, Rest of World (ROW) -US, China, Germany, UK, India, France, Japan, Canada, Australia, Brazil - Size and Forecast 2024– 2028 (accessedon25thApril2025)2024.
18. Parisi D, Adasme MF, Sveshnikova A et al. Drug repositioning or target repositioning: a structural perspective of drug-targetindication relationship for available repurposed drugs. Comput Struct Biotechnol J2020;18:1043–55. https://doi.org/10.1016/j.csbj. 2020.04.004
19. Goldstein I, Lue TF, Padma-Nathan H et al. Oral sildenafil in the treatment of erectile dysfunction. Sildenafil Study Group, N E n g l J M e d1998;338:1397–404. https://doi.org/10.1056/ NEJM199805143382001
20. Shim JS, Liu JO. Recent advances in drug repositioning for the discovery of new anticancer drugs. Int J Biol Sci2014;10:654–63. https://doi.org/10.7150/ijbs.9224
21. ZhouS,WangF,HsiehTC et al.Thalidomide-anotorioussedativeto a wonder anticancer drug. Curr Med Chem 2013;20:4102–8.https://doi.org/10.2174/09298673113209990198
22. Volberding PA, Lagakos SW, Koch MA et al. Zidovudine in asymptomatic human immunodeficiency virus infection. A controlled trial in persons with fewer than 500 CD4-positive cells per cubic millimeter. The AIDS Clinical Trials Group of the National Institute of Allergy and Infectious Diseases.NE n g lJM e d1990;322:941–9. https://doi.org/10.1056/NEJM199004053221401
23. Shagufta AI, Ahmad I. Tamoxifen a pioneering drug: an update on the therapeutic potential of tamoxifen derivatives. Eur J Med C hem 2018;143:515–31. https://doi.org/10.1016/j.ejmech.2017.11.056
24. Davies C, Pan H, Godwin J et al. Long-term effects of continuing adjuvant tamoxifen to 10 years versus stopping at 5 years after diagnosis of oestrogen receptor-positive breast cancer: ATLAS, a randomisedtrial.Lancet2013;381:805–16. https://doi.org/10.1016/ S0140-6736(12)61963-1
25. Naber KG, Niggemann H, Stein G et al. Review of the literature and individualpatients’datameta-analysisonefficacyandtoleranceof nitroxoline in the treatment of uncomplicated urinary tract infections.BMC Infect Dis2014;14:628. https://doi.org/10.1186/s12879 -014-0628-7
26. SobkeA,MakarewiczO,BaierM et al.Empiricaltreatmentoflower urinary tract infections in the face of spreading multidrug resistance:invitrostudyontheeffectivenessof nitroxoline. Int J Antimicrob Agents2018;51:213–20. https://doi.org/10.1016/j.ijantimicag. 2017.10.010
27. Shim JS, Matsui Y, Bhat S et al. Effect of nitroxoline on angiogenesis and growth of human bladder cancer. J Natl Cancer Inst 2010;102:1855–73. https://doi.org/10.1093/jnci/djq457
28. Xu N, Lin W, Sun J et al. Nitroxoline inhibits bladder cancer progression by reversing EMT process and enhancing anti-tumor immunity. J Cancer2020;11:6633–41. https://doi.org/10.7150/jca. 47025
29. Bojkova D, Zöller N, Tietgen M et al. Repurposing of the antibiotic nitroxoline for the treatment of mpox. J Med Virol2023;95:e28652. https://doi.org/10.1002/jmv.28652
30. Cortial L, Montero V, Tourlet S et al. Artificial intelligence in drug repurposing for rare diseases: a mini-review. Fr ont Med 2024;11:1404338. https://doi.org/10.3389/fmed.2024.1404338
31. Pantziarka P, Verbaanderd C, Sukhatme V et al. ReDO_DB: the repurposing drugs in oncology database. Ecancermedicalscience 2018;12:886.https://doi.org/10.3332/ecancer.2018.886
32. E z z a t A , W u M , L i X L et al. Computational prediction of drugtarget interactions using chemogenomic approaches: an empirical survey.Brief Bioinform2019;20:1337–57. https://doi.org/10.1093/ bib/bby002
33. Roessler HI, Knoers N, van Haelst MM et al. Drug repurposing for rarediseases. Trends Pharmacol Sci2021;42:255–67.https://doi.org/10.1016/j.tips.2021.01.003
34. Kong HJ. Managing unstructured big data in healthcare system. Healthc Inform Res 2019;25:1–2. https://doi.org/10.4258/hir.2019. 25.1.1
35. Sedlakova J, Daniore P, Horn Wintsch A et al. Challenges and best practices for digital unstructured data enrichment in health research: a systematic narrative review. PLOS Digit Health2023;2:e0000347. https://doi.org/10.1371/journal.pdig. 0000347
36. Islam S, Elmekki H, Elsebai A et al. A comprehensive survey on applications of tr ansformers for deep learning tasks. Expert S yst Appl2024;241:122666. https://doi.org/10.1016/j.eswa.2023.122666
37. Harnoune A, Rhanoui M, Mikram M et al. BERT based clinical knowledge extraction for biomedical knowledge graph construction and analysis. Comput Methods Programs Biomed Update 2021;1:100042.https://doi.org/10.1016/j.cmpbup.2021.100042
38. Liu P, Sun Z, Zhou B. An ELECTRA-based model for power safety named entity recognition. ApplSci2024;14:9410. https://doi.org/10. 3390/app14209410
39. Kurniadi FI, NLPSP P, EFA S et al. BERT and RoBERTa models for enhanced detection of depression in social media text. Procedia ComputSci2024;245:202–9. https://doi.org/10.1016/j.procs.2024.10. 244
40. Ray PP. ChatGPT: a comprehensive review on background, applications, key challenges, bias, ethics, limitations and future scope. Internet of Things and Cyber-Phys Syst2023;3:121–54. https://doi. org/10.1016/j.iotcps.2023.04.003
41. Lee J, Yoon W, Kim S et al. BioBERT: a pre-trained biomedical language representation model for biomedical text mining. Bioinformatics2019;36:1234–40. https://doi.org/10.1093/bioinformatics/ btz682
42. Gu Y, Tinn R, Cheng H et al. Domain-specific language model pretraining for biomedical natural language processing. ACM Trans Comput Healthc2021;3:Article 2:1–23. https://doi.org/10. 1145/3458754
43. White J. PubMed 2.0. Med Ref Serv Q 2020;39:382–7.https://doi.org/10.1080/02763869.2020.1826228
44. Aldahdooh J, Vähä-Koskela M, Tang J et al. Using BERT to identify drug-target interactions from whole PubMed. BMC Bioinformatics 2022;23:245. https://doi.org/10.1186/s12859-022-04768-x
45. Wei CH, Allot A, Lai PT et al. PubTator 3.0: an AI-powered literature resource for unlocking biomedical knowledge. Nucleic A cids Res 2024;52:W540–w546. https://doi.org/10.1093/nar/gkae235
46. Lee S, Kim D, Lee K et al. BEST: next-generation biomedical entity search tool for knowledge discovery from biomedical literature. PLoS One2016;11:e0164680. https://doi.org/10.1371/journal.pone. 0164680
47. Park YJ, Yang GJ, Sohn CB et al. GPDminer: a tool for extracting named entities and analyzing relations in biological literature.BMC Bioinformatics2024;25:101. https://doi.org/10.1186/ s12859-024-05710-z
48. Zdr azil B, F elix E, Hunter F et al. The ChEMBL database in 2023: a drug discovery platform spanning multiple bioactivity data types and time periods.NucleicAcidsRes2024;52:D1180–d1192. https://doi.org/10.1093/nar/gkad1004
49. L i u T , H w a n g L , B u r l e y S t e p h e n K et al. BindingDB in 2024: a FAIR knowledgebase of protein-small molecule binding data. Nucleic Acids Res2024;53:D1633–44. https://doi.org/10.1093/nar/ gkae1075
50. Kim S, Chen J, Cheng T et al. PubChem 2023 update. Nucleic Acids Res2022;51:D1373–80. https://doi.org/10.1093/nar/gkac956
51. Tanoli Z, Alam Z, Vähä-Koskela M et al. Drug target commons 2.0: a community platform for systematic analysis of drug-target interaction profiles. Database (Oxfor d)2018;2018: 1–13.
52. Knox C, Wilson M, Klinger CM et al. DrugBank 6.0: the DrugBank knowledgebase for 2024. Nucleic Acids Res2024;52:D1265–d1275. https://doi.org/10.1093/nar/gkad976
53. Percha B, Altman RB. A global network of biomedical relationships derived from text. Bioinformatics 2018;34:2614–24.https://doi.org/10.1093/bioinformatics/bty114
54. Pavlopoulos GA, Secrier M, Moschopoulos CN et al. Using graph theory to analyze biological networks. BioData Min2011;4:10. https://doi.org/10.1186/1756-0381-4-10
55. LiuZ,FangH,ReaganK et al.Insilico drug repositioning–whatwe need to know. Drug Discov Today 2013;18:110–5.https://doi.org/10. 1016/j.drudis.2012.08.005
56. Perdomo-Quinteiro P, Belmonte-Hernández A. Knowledge graphs for drug repurposing: a review of databases and methods. Brief Bioinform2024;25:bbae461. https://doi.org/10.1093/bib/bbae461
57. Grover A, Leskovec J. node2vec: scalable feature learning for networks. Knowledge Discovery and Data Mining Conference 2016;2016:855–64.
58. Chen H, Sultan SF, Tian Y et al. Fast and accurate network embeddingsviaverysparserandomprojection.In: Proceedings of the 28th ACM International Confer ence on Information and Knowledge Management, Beijing, China: Association for Computing Machinery, 2019;28:399–408. https://doi.org/10.1145/3357384.3357879
59. Hamilton WL, Ying R, Leskovec J. Inductive representation learning on large graphs. arXiv preprint 2017.https://doi.org/10.48550/ arXiv.1706.02216
60. Wu Z, Wang J, Du H et al. Chemistry-intuitive explanation of graph neural networks for molecular property prediction with substructure masking. Nat Commun2023;14:2585. https://doi.org/10.1038/ s41467-023-38192-3
61. Zeng X, Zhu S, Liu X et al. deepDR: a network-based deep learning approach to in silico drug repositioning. Bioinformatics 2019;35:5191–8.https://doi.org/10.1093/bioinformatics/btz418
62. Doshi S, Chepuri SP. A computational approach to drug repurposing using gr aph neural networks. Comput Biol Med 2022;150:105992. https://doi.org/10.1016/j.compbiomed.2022. 105992
63. Chandak P, Huang K, Zitnik M. Building a knowledge graph to enable precision medicine. SciData2023;10:67. https://doi.org/10. 1038/s41597-023-01960-3
64. HsiehK,WangY,ChenL et al.DrugrepurposingforCOVID-19using graph neural network and harmonizing multiple evidence. Sci Rep 2021;11:23179.https://doi.org/10.1038/s41598-021-02353-5
65. Yalkızımı S, ¸ Sentürk Ü. Study on drug repurposing for ALS treatment using pre-trained knowledge graph embeddings: methods and findings. Duzce Univ J SciTechnol2025;13:317–32. https://doi. org/10.29130/dubited.1507832
66. Zhu C, Xia X, Li N et al. RDKG-115: assisting drug repurposing and discovery for r are diseases by trimodal knowledge graph embedding.Comput Biol Med2023;164:107262. https://doi.org/10. 1016/j.compbiomed.2023.107262
67. Sun X, Jia X, Lu Z et al. Drug repositioning with adaptive graph convolutional networks. Bioinformatics2024;40:btad748. https://doi.org/10.1093/bioinformatics/btad748
68. Senanayake J, Kalutarage H, Al-Kadri MO et al. Android Source Code Vulnerability Detection: A Systematic Literature Review, V o l . 55:Article 187. Association for Computing Machinery Computer Survey,2023.1–37. https://doi.org/10.1145/3556974.
69. DasR,GodboleA,NaikA et al.KnowledgeBasequestionanswering by case-based reasoning over subgraphs. arXiv preprint 2022. https://doi.org/10.48550/arXiv.2202.10610
70. Pal PK. Guidelines for management of essential tremor. Ann Indian Acad Neurol 2011;14:25–8. https://doi.org/10.4103/0972 -2327.83097
71. Szmigiel A, da Rocha MM, Browne K et al. Association between β- adrenoreceptor agonists and antagonists and Parkinson’s disease: systematic review and meta-analysis. Pharmacoepidemiol DrugSaf 2025;34:e70140.https://doi.org/10.1002/pds.70140
72. van der Heide A, Wessel M, Papadopetraki D et al. Propranolol reduces Parkinson’s tremor and inhibits tremor-related activity in the motor cortex: a placebo-controlled crossover trial. AnnNeurol 2025;97:741–52.https://doi.org/10.1002/ana.27159
73. Visan AI, Negut I. Integrating artificial intelligence for drug discovery in the context of revolutionizing drug delivery. Life (Basel) 2024;14:14. https://doi.org/10.3390/life14020233
74. GanJ-h,LiuJ-x,LiuY et al.DrugRep:anautomaticvirtualscreening server for drug repurposing. A cta Pharmacol Sin 2023; 44:888–96. https://doi.org/10.1038/s41401-022-00996-2
75. Wang Y, Aldahdooh J, Hu Y et al. DrugRepo: a novel approach to repurposing d rugs based on chemical and genomic features. Sci Rep2022;12:21116. https://doi.org/10.1038/s41598-022-24980-2
76. Zhou G, Rusnac D-V, Park H et al. An artificial intelligence accelerated virtual screening platform for drug discovery. Nat C ommun 2024;15:7761. https://doi.org/10.1038/s41467-024-52061-7
77. Ianevski A, Kushnir A, Nader K et al. RepurposeDrugs: an interactive web-portal and predictive platform for repurposing monoand combination therapies. Brief Bioinform2024;25:bbae328. https://doi.org/10.1093/bib/bbae328
78. Corsello SM, Bittker JA, Liu Z et al. The drug repurposing hub: a next-generation d rug library and information resource. Nat Med 2017;23:405–8.https://doi.org/10.1038/nm.4306
79. Corso G, Stärk H, Jing B et al. DiffDock: diffusion steps, twists, and turns for molecular docking. arXiv preprint 2022.https://doi.org/10.48550/arXiv.2210.01776
80. Gentile F, Yaacoub JC, Gleave J et al. Artificial intelligence–enabled virtual screening of ultra-large chemical libraries with deep docking. Nat Protoc2022;17:672–97. https://doi.org/10.1038/s41596-021 -00659-2
81. Pereira JC, Caffarena ER, dos Santos CN. Boosting dockingbased virtual screening with d eep learning. J Chem Inf Model 2016;56:2495–506. https://doi.org/10.1021/acs.jcim.6b00355
82. Meli R, Morris GM, Biggin PC. Scoring functions for protein-ligand binding affinity prediction using structure-based deep learning: a review, Frontiers.Bioinformatics2022;2:2. https://doi.org/10.3389/ fbinf.2022.885983
83. Wei B, Zhang Y, Gong X. DeepLPI: a novel deep learning-based model for protein–ligand interaction prediction for drug repurposing. Sci Rep2022;12:18200. https://doi.org/10.1038/s41598-022 -23014-1
84. Shan W, Li X, Yao H et al. Convolutional neural network-based virtual screening. Curr Med Chem2021;28:2033–47.https://doi.org/10.2174/0929867327666200526142958
85. Porta-Pardo E, Ruiz-Serra V, Valentini S et al. The structural coverage of the human proteome before and after AlphaFold. PLoS Comput Biol2022;18:e1009818. https://doi.org/10.1371/journal.pcbi. 1009818
86. Callaway E. ’The entire protein universe’: AI predicts shape of nearly every known protein. Nature2022;608:15–6. https://doi.org/10.1038/d41586-022-02083-2
87. Jumper J, Evans R, Pritzel A et al. Highly accurate protein structure prediction with AlphaFold. Nature 2021;596:583–9.https://doi.org/10.1038/s41586-021-03819-2
88. Abramson J, Adler J, Dunger J et al. Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature 2024;630:493–500.https://doi.org/10.1038/s41586-024-07487-w
89. Criscuolo E, De Sciscio ML, De Cristofaro A et al. Computational and experimental drug repurposing of FDA-approved compounds targeting the cannabinoid receptor CB1.Pharmaceuticals (Basel) 2023;16:1678. https://doi.org/10.3390/ph16121678
90. L Chang, A Mondal, B Singh, Y Martínez-Noa, A Perez Revolutionizing Peptide-Based Drug Discovery: Advances in the Post-AlphaFold Era, Wiley Interdisciplinary Reviews: Computational Molecular Science2024;14,14, https://doi.org/10.1002/wcms.1693.
91. Krokidis MG, Koumadorakis DE, Lazaros K et al. AlphaFold3: an overview of applications and performance insights. Int J Mol Sci 2025;26:3671.https://doi.org/10.3390/ijms26083671
92. Dhas Y, Biswas N, M.R. D et al. Repurposing metabolic regulators: antidiabetic drugs as anticancer agents. Mol Biomed2024;5:40. https://doi.org/10.1186/s43556-024-00204-z
93. Wiktorowska-Owczarek A, Iacono D, Jasi´ nska-Stroschein M. Editorial: old drugs: confronting recent advancements and challenges. Front Pharmacol2025;16:1565890. https://doi.org/10.3389/fphar. 2025.1565890
94. Abriata LA, Dal Peraro M. Practical outcomes from CASP16 for users in need of biomolecular structure prediction. Pr oteins 2026;94:435–46. https://doi.org/10.1002/prot.70078
95. Terwilliger TC, Liebschner D, Croll TI et al. AlphaFold predictions are valuable hypotheses and accelerate but do not replace experimental structure determination. Nat Methods2024;21:110–6. https://doi.org/10.1038/s41592-023-02087-4
96. Szczepski K, Jaremko Ł. AlphaFold and what is next: bridging functional, systems and structur al biology. Expert Rev Proteomics 2025;22:45–58. https://doi.org/10.1080/14789450.2025.2456046
97. Herráiz-Gil S, Nygren-Jiménez E, Acosta-Alonso DN et al. Artificial intelligence-based methods for drug repurposing and development in cancer. Appl Sci2025;15:2798. https://doi.org/10.3390/ app15052798
98. Cong Y, Shintani M, Imanari F et al. A new approach to drug repurposing with two-stage prediction. Machine Learning, and Unsupervised Clustering of Gene Expression,Omics2022;26:339–47. https://doi.org/10.1089/omi.2022.0026
99. ZhuH.BigdataandartificialintelligenceModelingfordrugdiscovery. Annu Rev Pharmacol Toxicol 2020;60:573– 89. https://doi.org/10. 1146/annurev-pharmtox-010919-023324
100. L i u T , L u D , Z h a n g H et al. Applying high-performance computing in drug discovery and molecular simulation. Natl Sci Rev 2016;3:49–63.https://doi.org/10.1093/nsr/nww003
101. Recursion . https://www.recursion.com/ (accessed on 13th March 2026) 2026.
102. Pilz KF, Sanders J, Rahman R et al. Trends in AI supercomputers. Arxiv 2025;2504:16026.
103. Chen P, Bao T, Yu X et al. A drug repositioning algorithm based on a deep autoencoder and adaptive fusion. BMC Bioinformatics 2021;22:532.https://doi.org/10.1186/s12859-021-04406-y
104. Zardecki C, Dutta S, Goodsell DS et al. RCSB protein data Bank: a resource for chemical, biochemical, and structural e xplorations of large and small biomolecules. J ChemEduc2016;93:569–75. https://doi.org/10.1021/acs.jchemed.5b00404
105. Messina F, Giombini E, Agrati C et al. COVID-19: viral-host interactome analyzed by network based-approach model to study pathogenesis of SARS-CoV-2 infection. J Tr anslMed2020;18:233.https://doi.org/10.1186/s12967-020-02405-w
106. Valdeolivas A, Tichit L, Navarro C et al. Random walk with restart on multiplex and heterogeneous biological networks. Bioinformatics2018;35:497–505. https://doi.org/10.1093/bioinformatics/bty637
107. Zeng X, Song X, Ma T et al. Repurpose open data to discover therapeutics for COVID-19 using deep learning. J P r o t e o m e R e s 2020;19:4624–36. https://doi.org/10.1021/acs.jproteome.0c00316
108. Morselli, Gysi D, do Valle Í, Zitnik M et al. Network medicine framework for identifying drug-repurposing opportunities for COVID-19. Proc Natl Acad Sci USA 2021;118:e2025581118. https://doi.org/10.1073/pnas.2025581118
109. Ekins S, Gerlach J, Zorn KM et al. Repurposing approved drugs as inhibitors of K(v)7.1 and Na(v)1.8 to treat Pitt Hopkins syndrome. PharmRes2019;36:137. https://doi.org/10.1007/s11095-019-2671-y
110. Esmail S, Danter WR. Artificially induced pluripotent stem cell-derived whole-brain organoid for modelling the pathoph ysiology of metachromatic leukodystrophy and drug repurposing.Biomedicines2021;9:9. https://doi.org/10.3390/ biomedicines9040440
111. Ayub A, Zamir A, Imran I et al. Clinical pharmacokinetics and pharmacodynamics of nicardipine; a systematic review. Expert Opin Drug MetabToxicol2024;20:1053–67. https://doi.org/10.1080/ 17425255.2024.2402481
112. RannalsMD,HamerskyGR,PageSC et al.Psychiatricriskgenetranscription factor 4 regulates intrinsic excitability of prefrontal neurons via repression of SCN10a and KCNQ1. Neuron 2016;90:43–55. https://doi.org/10.1016/j.neuron.2016.02.021
113. Sosa DN, Derry A, Guo M et al. A literature-based knowledge graph embedding method for identifying d rug repurposing opportunities in rare diseases. Pac S ympBiocomput2020;25:463–74.
114. Ferrari S, Di Iorio E, Barbaro V et al. Retinitis pigmentosa: genes and disease mechanisms. Curr Genomics2011;12:238–49. https://doi.org/10.2174/138920211795860107
115. Esteban-Medina M, Loucera C, Rian K et al. The mechanistic functional landscape of retinitis pigmentosa: a machine learningdriven approach to therapeutic target discovery. J T r a n s lM e d 2024;22:139. https://doi.org/10.1186/s12967-024-04911-7
116. Tartaglia M, Gelb BD. NOONAN SYNDROME AND RELATED DIS- ORDERS: NOONAN Syndrome and Related Disorders: genetics and pathogenesis. Annu Rev Genomics HumGenet2005;6:45–68. https://doi.org/10.1146/annurev.genom.6.080604.162305
117. Zhu L, Roberts R, Huang R et al. Drug repositioning for Noonan and LEOPARD syndromes b y integrating transcriptomics with a structure-based approach.Front Pharmacol2020;11:927. https://doi.org/10.3389/fphar.2020.00927
118. Y-sL,KrishnanA,OughtredR et al.Acomputationalframeworkfor genome-wide characterization of the human disease landscape. Cell Syst 2019;8:152–162.e6. https://doi.org/10.1016/j.cels.2018.12. 010
119. LiVOK,HanY,KaisthaT et al.DeepDrugasanexpertguidedandAI driven drug repurposing methodology for selecting the lead combination of drugs for Alzheimer’s disease. Sci Rep2025;15:2093. https://doi.org/10.1038/s41598-025-85947-7
120. Pan X, Yun J, Coban Akdemir ZH et al. AI-DrugNet: a networkbased deep learning model for drug repurposing and combination therapy in neurological disorders. Comput Struct Biotechnol J 2023;21:1533–42.https://doi.org/10.1016/j.csbj.2023.02.004
121. Tripaydonis A, Conyers R, Elliott DA. Pediatric anthracyclineinduced cardiotoxicity: mechanisms, pharmacogenomics, and pluripotent stem-cell Modeling. Clin Pharmacol Ther 2019;105:614–24. https://doi.org/10.1002/cpt.1311
122. Chaix M-A, Parmar N, Kinnear C et al. Machine learning identifies clinical and genetic factors associated with anthr acycline cardiotoxicity in Pediatric cancer survivors. JACC CardioOncol 2020;2:690–706. https://doi.org/10.1016/j.jaccao.2020.11.004
123. Winchester LM, Harshfield EL, Shi L et al. Artificial intelligence for biomarker discovery in Alzheimer ’s disease and dementia. Alzheimers Dementia2023;19:5860–71. https://doi.org/10.1002/alz. 13390
124. Prelaj A, Miskovic V, Zanitti M et al. Artificial intelligence for predictive biomarker discovery in immuno-oncology: a systematic review. AnnOncol2024;35:29–65. https://doi.org/10.1016/j.annonc. 2023.10.125
125. Fang J, Zhang P, Zhou Y et al. Endophenotype-based in silico networkmedicinediscoverycombinedwithinsurancerecorddata mining identifies sildenafil as a candidate drug for Alzheimer’s disease. Nat Aging2021;1:1175–88.https://doi.org/10.1038/s43587 -021-00138-z
126. Das S, Taylor K, Beaulah S et al. Systematic indication extension for drugs using patient stratification insights generated by combinatorial analytics.Patterns2022;3:100496. https://doi.org/10.1016/ j.patter.2022.100496
127. Foksinska A, Crowder CM, Crouse AB et al. The precision medicine process for treating rare disease using the artificial intelligence tool mediKanren. Front Artif Intell2022;5:910216. https://doi.org/10.3389/frai.2022.910216
128. Nava C, Lamari F, Héron D et al. Analysis of the chromosome X exome in patients with autism spectrum disorders identified novel candidate genes, including TMLHE.TranslPsychiatry2012;2:e179. https://doi.org/10.1038/tp.2012.102
129. Ghislat G, Hernandez-Hernandez S, Piyawajanusorn C et al. Data-centric challenges with the application and adoption of artificial intelligence for drug discovery. Expert Opin Drug Discov2024;19:1297–307. https://doi.org/10.1080/17460441.2024. 2403639
130. JCG Jeynes, T James, M Corney. Natural language processing for drug discovery knowledge gr aphs: Promises and pitfalls. Methods MolBiol2023;2716:223–40. https://doi.org/10.1007/978-1-0716 -3449-3_10
131. Sett A, Hashemifar S, Yadav M et al. Speaking the same language: lever aging LLMS in standardizing clinical data forAI.arXiv preprint2024. https://doi.org/10.48550/arXiv.2408.11861
132. Rajendran S, Pan W, Sabuncu MR et al. Patchwork learning: a paradigm towards integrative analysis across diverse biomedical data sources. arXiv preprint 2023.https://doi.org/10.48550/arXiv. 2305.06217
133. Santagati R, Aspuru-Guzik A, Babbush R et al. Drug design on quantum computers. Nat Phys 2024;20:549–57. https://doi.org/10. 1038/s41567-024-02411-5
134. PyrkovA, Aliper A, Bezrukov D et al. Quantum computing for nearterm applications in generative chemistry and drug discovery. DrugDiscovToday2023;28:103675. https://doi.org/10.1016/j.drudis. 2023.103675
135. Mohanan PV. Artificial Intelligence and Biological Sciences1st edn. Boca Raton: CRC Press, USA. 468 ISBN:97810034927262025.
136. Vokinger KN, Gasser U. Regulating AI in medicine in the United States and Europe. Nature Machine Intelligence 2021;3:738–9. https://doi.org/10.1038/s42256-021-00386-z
137. MirakhoriF,NiaziSK.HarnessingtheAI/MLindrug andbiological products discovery and development: the regulatory perspective. Pharmaceuticals 2025;18:47. https://doi.org/10.3390/ph18010047
138. Reddy S. Global harmonization of artificial intelligence-enabled softwareasamedicaldeviceregulation:addressingchallengesand unifying standards. Ma yo Clin Proc Digital Health 2025;3:100191. https://doi.org/10.1016/j.mcpdig.2024.100191
139. Lekadir K, Frangi AF, Porras AR et al. FUTURE-AI: international consensusguidelinefortrustworthyanddeplo yableartificialintelligence in healthcare. BMJ2025;388:e081554. https://doi.org/10. 1136/bmj-2024-081554
140. KimM,SohnH,ChoiS et al.Requirements fortrustworthyartificial intelligence and its application in healthcare. Healthc Inform Res 2023;29:315–22.https://doi.org/10.4258/hir.2023.29.4.315
141. MitchellM,WuS,ZaldivarA et al.Modelcardsformodelreporting. In: 19th Proceedings of theConference on Fairness,Accountability , and Transparency, 2019;19:220–229. https://doi.org/10.1145/3287560. 328759
142. Garbin C, Marques O. Assessing methods and tools to improve reporting, increase transparency, and reduce failures in machine learning applications in health care. Radiol Artif Intell 2022;4:e210127. https://doi.org/10.1148/ryai.210127
143. J Zou, L Schiebinger, Schiebinger L. Ensuring that biomedical AI benefits diverse populations, EBioMedicine 2021;103358,67, https://doi.org/10.1016/j.ebiom.2021.103358.
144. Hussain SA, Bresnahan M, Zhuang J. The bias algorithm: how AI in healthcare exacerbates ethnic and racial disparities–a scoping review. Ethn Health2025;30:197–214. https://doi.org/10.1080/ 13557858.2024.2422848
145. Pennestrì F, Cabitza F, Picerno N et al. Sharing reliable information worldwide: healthcare strategies based on artificial intelligence need external validation. Position paper. BMC Med Inform Decis Mak2025;25:56. https://doi.org/10.1186/s12911-025 -02883-2
146. Simon G, Aliferis C. Reporting standards, certification/accreditation, and reproducibility. In: Artificial Intelligence and Machine Learning in Health Care and Medical Sciences: Best Pr actices and Pitfalls. Simon GJ, Constantin Aliferis (eds.), pp. 693–707. Cham, Springer Nature Switzerland AG: ISBN 978-3-031-39354-9 2024:693-707.
147. Denton N, Molloy M, Charleston S et al. Data silos are undermining drugdevelopmentandfailingrare diseasepatients. Orphanet J Rare Dis 2021;16:1–4.https://doi.org/10.1186/s13023-021-01806-4
148. David R, Rybina A, Burel JM et al. “Be sustainable”: EOSC-life recommendations for implementation of FAIR principles in life science data handling.EMBOJ2023;42:EMBJ2023115008. https://doi.org/10.15252/embj.2023115008
149. WilkinsonMD,DumontierM,AalbersbergIJ et al.TheFAIRguiding principles for scientific data management and stewardship. Sci Data 2016;3 :1–9.
150. Ioannidis VN, Zheng D, Karypis G. Few-shot link prediction via graph neur al networks for covid-19 d rug-repurposing. arXiv preprint2020. https://doi.org/10.48550/arXiv.2007.10261
151. Ritoré Á, Jiménez CM, González JL et al. The role of open access data in democratizing healthcare AI: a pathwa y to research enhancement, patient well-being and treatment equity in Andalusia, Spain.PLOS Digit Health2024;3:e0000599. https://doi.org/10. 1371/journal.pdig.0000599
152. Kapadia F. Data democratization for health equity: a public health of consequence. American Public Health Association 2023;113:839–40. https://doi.org/10.2105/AJPH.2023.307350
✦
关于我们
江苏百奥信康医药科技有限公司是一家以新药研发驱动制药全产业链发展的高科技创新型医药企业,也是国家高新技术企业、江苏省专精特新企业。百奥信康聚焦改良型新药,已构建纳米胶束、人工智能及转录组大数据两大核心技术平台。百奥信康以研发自我持有的改良型新药为主业,同时为国内外客户提供改良型新药研发服务。
百奥信康致力于做中国最成功的改良型新药!
版权及免责声明
「百奥信康」公众号推送的内容来源于原创或根据公开资料整理编辑,欢迎个人转发至朋友圈。媒体或机构如需转载,请完整注明:(1)本文转载自百奥信康公众号(ID: BioScenePharma);(2)作者栏请填写:百奥信康;(3)插入百奥信康公众号链接。
本公众号的目的在于分享行业相关知识、传递最新医药资讯。如有侵权,请在留言栏及时告知,我们将及时删除相关信息。本公众号推送的文章中的观点不代表百奥信康的立场,也不是治疗方案的推荐。如需获得诊断或治疗方面的指导,请前往正规医院就诊。