Olaratumab

还在为单抗药物研发耗时耗钱、成功率低而发愁？这篇BMC新文甩出一套“知识图谱+嵌入模型”组合拳，用IMGT/mAbOnco-KG精准锁定两个临床在研新靶向单抗——loncastuximab tesirine和glofitamab，直击慢性淋巴细胞白血病治疗瓶颈，不靠湿实验、不烧经费，纯生信驱动假说生成！ 福利大放送！！！关注回复“资料”2字，即可免费领取生信资料，包括数据集、绘图代码、图表复现、思路总结、参考文献......0代码鼠标点一点，就能轻松完成5—10分生信SCI全文复现!（持续关注我们，每天为您解读最新见刊的文献!） 新鲜出炉！今天给大家深度剖析一篇 2026年6月5号发表在《BMC Medical Informatics and Decision Making》上的文章，题目为：基于IMGT/mAb-KG嵌入的肿瘤学治疗性单克隆抗体再利用 Therapeutic monoclonal antibodies repurposing in oncology via IMGT/mAb-KG embeddings. 本研究构建了面向肿瘤学领域的专家策展知识图谱子集IMGT/mAbOnco-KG，系统评估28种转导式知识图谱嵌入模型，筛选出BoxE作为最优架构，开发具备可追溯可视化功能的假说生成工具，成功预测并验证loncastuximab tesirine与glofitamab在慢性淋巴细胞白血病中的潜在新适应症。 影响因子：3.8 发表期刊：BMC Medical Informatics and Decision Making 团队成员合影（位于上海陆家嘴中心，可随时预约参观） 向下滑动查看更多 CNSknowall 平台 Pubmed+AI 快速提炼研究亮点·研究思路·研究结果·研究结论 研究亮点 1.聚焦单抗特异性知识图谱： 首次构建并应用专用于肿瘤学单抗的专家策展子图IMGT/mAbOnco-KG，涵盖684种单抗、247种肿瘤临床适应症、228个靶点及1812项研究，数据粒度覆盖药理物质层、构建层、产品层与作用机制层。 2.全面基准测试28种嵌入模型： 在统一数据划分与超参数设置下，对PyKEEN平台28种转导式知识图谱嵌入（KGE）模型进行 exhaustive benchmarking，远超既往研究仅评估ComplEx、RotatE等少数模型的常规做法。 3.BoxE模型性能全面领先： BoxE在MR、MRR、HITS@10及MRR@10全部指标中均排名第一，其基于超矩形（boxes）的表示方法能有效建模单抗-靶点-疾病关系中的不对称性、层级性与多对多复杂关系。 4.创新可追溯可视化系统： 开发“trackback”支持模块，实时检索并可视化支撑每一项预测的原始生物子图（如mAb–target–disease路径），实现从黑箱预测到可解释生物学依据的闭环。 5.产出具有临床转化潜力的候选单抗： 成功识别出两个正处于CLL临床试验阶段的单抗——loncastuximab tesirine（anti-CD19 ADC）与glofitamab（anti-CD20/CD3双抗），其靶点（CD19、MS4A1/CD20）与已获批CLL单抗（如rituximab、ofatumumab）高度一致，生物学合理性获公开临床试验编号（NCT05971251、NCT06043674）佐证。 核心创新点 1.领域专属图谱构建与建模： 区别于DrugRep-KG、OREGANO等通用小分子药物再利用框架，本研究完全聚焦免疫球蛋白类大分子——治疗性单抗，依托IMGT/mAb-KG这一国际权威免疫遗传学资源，实现靶点、构型、产品、作用机制四层结构化建模。 2.BoxE模型在单抗场景的首次成功应用： 首次证实BoxE在单抗-靶点-疾病三元关系建模中显著优于TransE、DistMult、RotatE等主流模型，其box-based语义表征能力特别适配单抗多靶点、多机制、多适应症的复杂生物学特性。 3.面向临床决策的假说生成范式： 工具直接以临床适应症为输入，输出高置信度单抗候选列表，并通过trackback系统提供IMGT-KG内真实存在的生物路径证据，形成“计算预测→图谱溯源→湿实验优先级排序”的完整决策链。 4.严谨的评估体系与指标设计： 提出加权综合指标MRR@10（α=0.6×MRR + 0.4×HITS@10），兼顾预测精度（MRR）与候选覆盖面（HITS@10），更贴合实际科研中需平衡Top1准确性与Top10可选范围的需求。 5.明确的转化路径与局限说明： 明确指出当前系统为转导式（transductive），无法处理图谱外新实体；同时强调所有预测仅为候选，必须经单抗工程专家开展体外/体内实验验证其生物学相关性与转化潜力。 研究背景 癌症是全球第二大死因，2022年致死约970万人。治疗性单抗（mAbs）作为靶向疗法代表，虽可特异性杀伤癌细胞、减少放化疗副作用，但其研发周期长达13–15年、成功率低于10%、平均成本高达28亿美元。在此背景下，单抗再利用（repurposing）成为加速新疗法上市的关键策略。然而，现有通用药物再利用框架（如DrugRep-KG、OREGANO）缺乏对单抗特有属性（如构型、Fc效应、双特异性设计）的建模能力，且未整合IMGT等专业免疫遗传学知识源。 研究思路 1.子图构建： 从IMGT/mAb-KG中提取肿瘤学专属子图IMGT/mAbOnco-KG，含684种单抗、247种肿瘤适应症、228个靶点及1812项研究。 2.模型筛选： 在PyKEEN框架下，对28种转导式KGE模型进行两轮benchmarking：首轮采用Bernoulli负采样策略筛选Top10模型；次轮优化嵌入维度（100/200/400/800）与负样本数（1/64/128/256），确定各模型最优配置。 3.性能评估： 使用MR、MRR、HITS@k及自定义MRR@10指标，在仅含mAb–临床适应症关系的受限测试集上评估模型表现。 4.工具开发： 基于最优BoxE模型，集成至IMGT/mAb-KG在线平台，新增假说生成界面与trackback可视化模块。 5.案例验证： 应用于卵巢癌与慢性淋巴细胞白血病（CLL），重点分析CLL预测结果，比对已知用药与临床试验注册信息。 研究结果 1.数据集统计： IMGT/mAbOnco-KG共29,795个三元组，含9,611个实体、53种关系；训练/验证/测试集比例为0.8/0.1/0.1。 2.模型性能： Bernoulli负采样策略显著优于基础策略（p<0.05，Wilcoxon检验）；BoxE在所有指标中稳居第一，尤其在MRR@10达85.820；t-SNE可视化显示BoxE嵌入能清晰分离mAb、靶点、适应症等实体簇。 3.CLL预测结果： BoxE模型预测15个CLL候选单抗，其中13个已用于CLL治疗；新预测的loncastuximab tesirine（anti-CD19）与glofitamab（anti-CD20/CD3）均靶向CLL关键靶标（CD19、MS4A1），且分别处于NCT05971251（I期）与NCT06043674（II期）临床试验中。 4. 工具部署： 系统已上线 https://imgt.org/mAb-KG/Hypotheses_Generation，支持用户选择适应症、设定候选数量（1–20）、过滤训练集已知关联，并实时查看支撑子图。 研究结论与讨论 结论：本研究证实，基于领域专属知识图谱IMGT/mAbOnco-KG与高性能嵌入模型BoxE的计算框架，可高效、可解释地生成单抗再利用科学假说。在CLL案例中，预测的loncastuximab tesirine与glofitamab不仅靶点合理，且均已进入真实临床试验，验证了该方法的生物学可信度与临床转化价值。该工具将单抗研发的“试错式湿实验”前移为“证据驱动式计算筛选”，为应对高昂研发成本与低成功率挑战提供了新范式。未来工作将构建归纳式（inductive）基础模型，以支持图谱外新单抗与新适应症的泛化预测。 具体研究结果  1. 实验结果 首次实验评估了两种三元组破坏策略（基础策略和伯努利策略），从而从所评估的28个模型中筛选出表现最优的前十名模型。为比较这两种策略，我们测量了不同指标（MRR、HITS@k 和 MRR@10）的均值与最大值，如图7所示。均值分析表明，生成破坏三元组的最佳策略是伯努利策略。事实上，在平均意义上，伯努利策略在各项指标上均优于基础策略，例如MRR（39.08 > 37.19）和HITS@10（51.85 > 49.09）。该结论在各项指标的最大值分析中同样成立：例如，在MRR@10指标上，伯努利策略取得79.24 > 76.39；在HITS@10指标上，其结果为82.94 > 80.03。 为验证伯努利破坏策略的优越性，我们在全部28个模型上进行了配对统计显著性检验。具体而言，我们对每个模型在两种破坏策略下的指标差异（伯努利策略减去基础策略）执行双侧Wilcoxon符号秩检验，因为所有模型均在相同数据划分与超参数设置下（见表4）分别接受两种策略评估。结果显示，伯努利破坏策略在所有指标上均带来显著提升。经Holm校正后，所有结果仍保持统计学显著性（p < 0.05），表明所观察到的改进稳健可靠，不太可能源于随机变异。在伯努利破坏方案下，每个知识图谱嵌入（KGE）模型均在固定实验设置下仅评估一次。因此，模型性能依据我们提出的指标MRR@10进行描述性比较，遵循KGE基准测试研究中的标准实践[39–42]。 图8展示了28个模型在伯努利策略及三种启发式基线方法下按MRR@10指标的评估结果。基于该比较，我们选取表现最优的十个模型——PairRE、BoxE、TorusE、TransE、DistMult、RotatE、ComplEx、SimplE、TransD 和 CrossE——用于后续实验。这些最优模型全面超越全部三种基线方法，表明KGE模型能够捕捉IMGT/mAbOnco-KG中复杂的语义关系，而此类关系无法通过随机或频率驱动的启发式方法近似。 在第二次实验中，我们将嵌入维度数量与伯努利策略下每个正样本三元组生成的负样本三元组数量相结合（见表2）。表5列出了各模型的最佳配置；依据MRR@10指标（图9），表现前三的模型为： BoxE：嵌入维度为800，每个正样本三元组生成128个负样本 PairRE：嵌入维度为100，每个正样本三元组生成1个负样本 DistMult：嵌入维度为400，每个正样本三元组生成64个负样本 该分析同样适用于MRR、HIT@3和HIT@10等指标；而依据MR指标排名前三的模型则为BoxE、TransE和DistMult。 在最终实验中，我们在测试集与验证集的一个受限子集上评估前十名模型，聚焦于涉及单克隆抗体（mAbs）与临床适应症的关系。该子集占整体测试与验证数据集的12.95%。表6展示了该评估结果，BoxE模型在MR、MRR、MRR@10和HITS@k等全部指标上再次取得最佳性能。 上述实验表明，无论采用何种评估指标，BoxE模型的表现均优于其余九个模型。BoxE的卓越性能源于其采用“盒子”（boxes）表示法建模知识图谱语义。具体而言，BoxE在高维空间中使用超矩形（即“盒子”）表示实体与关系，从而能有效刻画不对称性、层次结构及关系组合性[43]。这种结构化表示使BoxE具备更强灵活性与准确性，可建模复杂关系类型（包括一对多及多对多关系）。此外，BoxE能高效编码关系约束，在链接预测任务中尤为有效。 Table 3 Summary of the hyperparameter tuning strategy and experimental protocol used in our study Fig. 7 Comparison of the two strategies of triple corruption. By comparing the mean and the max values of MRR, HITS@k and MRR@10, the Bernoulli strategy positions itself as the best corruption strategy Table 4 Paired statistical comparison between Bernoulli and basic corruption strategies across 28 KGE models. Differences are computed per model. Across the 28 evaluated models, Bernoulli corruption yields consistent positive improvements over basic corruption. Median gains range from approximately +0.8 for HITS@1 to +2.5 for HITS@10, indicating that the benefit of the Bernoulli corruption strategy is not driven by a small subset of models but reflects a systematic improvement across all the evaluated architectures Fig. 8 Evaluation of the 28 models with the Bernoulli corruption strategy using the MRR@10 metric. Based on this metric, the best-performing model is PairRE, followed by BoxE and TorusE Table 5 This table represents the best-performing hyperparameter configuration identified for each KGE model under the Bernoulli corruption strategy. Results are reported descriptively to summarize model optimization and guide subsequent model selection Fig. 9 Best settings for each model based on the MRR@10 metrics. The best-performing model is BoxE with an embedding size of 800 and 128 generated negative per positive triple Table 6 This table represents the final performance of the selected top-performing KGE models on restricted evaluation task considering the clinical indications, using their respective best configurations under the Bernoulli corruption strategy. Results are compared descriptively using ranking metrics Fig. 10 2D t-SNE visualization of BoxE embeddings with d=800 and 128 negative triplets per positive. We can clearly differentiate the different types of entities: mAbs, targets, clinical indications, etc., confirming the quality of generated embeddings and the superiority of BoxE architecture 2. 嵌入可视化 由于人类感官感知与常规图形表达通常局限于三维或更低维度，高维嵌入的可视化面临挑战。为克服此限制并有效评估所生成嵌入的质量，我们采用降维技术（如t分布随机邻域嵌入t-SNE[44]）将其投影至二维与三维空间进行可视化。随后绘制降维后的嵌入，以评估模型捕获并区分知识图谱实体的能力。例如，图10展示了最优KGE模型BoxE生成的嵌入的二维可视化。该图显示不同类别实体被清晰分离，表明BoxE模型在本知识图谱上生成的嵌入质量最优。事实上，我们可清晰识别出单克隆抗体（绿色）、靶标（青色）、临床适应症（红色）及研究产品（浅粉色）等不同簇。部分实体归属于构建体（浅绿色）与片段（棕色）簇，这是因为一个构建体至少由一个片段构成，故构建体亦可仅含单一片段。 Fig. 11 Pipeline of generation mAbs candidates for a given target or clinical indication. Our tool leverages the trained KGE model such as BoxE on a given clinical indication to produce hypotheses about mAbs candidates Fig. 12 Hypotheses generation for the prostate's cancer: top ten mAbs candidates. We chose the BoxE model to generate the potential mAb candidates for the prostate cancer. Arbitrarily, we set in this example the number of candidates to ten, however this number is adjustable Fig. 13 Real mAbs used to treat prostate's cancer: in red circle with number, the candidates generated by the BoxE model BoxE represents entities and relations as boxes in embedding space. BoxE captures complex logical patterns by modeling multi-relational interactions using geometric constraints. BoxE is particularly useful for hierarchical and compositional reasoning tasks.Filter the generation ?CONSTRUCT\level ? Fig. 14 Visual support of the mAb candidates predicted to treat the prostate cancer. In the visual support, we can notice that all mAbs candidates are used in prostate cancer. We can also observe the different targets of the predicted mAbs suggesting the shared pathway of these mAbs and providing a support to explain the prediction 3. 单克隆抗体再利用中的假设生成应用 基于这十个模型及其最优配置，我们开发了一款用于生成单克隆抗体再利用科学假设的应用程序。该应用程序以肿瘤学领域的某一临床适应症为输入，将其传递至选定的KGE模型（如BoxE），进而生成一份潜在单克隆抗体候选列表，供该临床适应症使用（图11）。 该应用程序已集成至我们最新版单克隆抗体探索平台（ https://imgt.org/mAb-KG/）。新设界面（https://imgt.org/mAb-KG/Hypotheses\Generation）专用于单克隆抗体候选生成，提供前述十个KGE模型及嵌入可视化功能。用户可通过该界面选择临床适应症以启动单克隆抗体候选生成。 界面上预置临床适应症实体列表，用户可从中选取特定适应症以生成科学假设。该界面支持为任一临床适应症生成1至20个单克隆抗体候选，并允许用户通过剔除训练集中已出现的信息来过滤生成结果。例如，图12展示了利用BoxE模型针对前列腺癌生成的假设示例。所有推荐的单克隆抗体均已实际用于前列腺癌治疗（图13）。分数值取决于具体模型，不可解释为概率，亦不可用于模型间比较。 鉴于知识图谱为机器学习预测系统所提供的可解释性支撑[45]，我们对模型生成的假设（即单克隆抗体候选生成）实施回溯追踪（图14）。该回溯过程包括：获取模型生成的单克隆抗体候选列表，并实时通过IMGT-KG查询检索其相关信息；随后展示对应查询所关联的图谱结构，从而可视化候选抗体及其各类连接关系。此类回溯可作为单克隆抗体候选生成的可视化与可解释性支撑。图14展示了预测单克隆抗体的详细信息（同文献[12]），用户可额外添加层级信息，包括构建体（construct）及单克隆抗体的作用模式（mode of action）。这些细节为假设的解读提供了完整支撑。 我们另提供一个专门用于探索KGE模型所生成嵌入的界面（ https://imgt.org/mAb-KG/KG\Embedding\Exploration）。该界面基于四种降维算法（t-SNE、PCA[46]、Trimap[47]及UMAP）提供二维与三维嵌入可视化工具。 4. 单克隆抗体再利用中生成的代表性科学假设 我们利用该工具为两种临床适应症——慢性淋巴细胞白血病（CLL）与卵巢癌——生成单克隆抗体再利用的科学假设。 5. 卵巢癌 卵巢癌是全球女性中第七大常见癌症[48]。它是一种全球性健康问题，常于晚期才被诊断，且尚无有效的筛查策略[49]。事实上，尽管近期治疗手段取得进展[50]，卵巢癌仍是致死率最高的妇科恶性肿瘤。 为改善患者预后，多种单克隆抗体（如avelumab、ubamatamab、olaratumab等）已被用于卵巢癌治疗，并展现出良好前景[50]。因此，生成将现有单克隆抗体再利用于该癌症治疗的假设，有望加速疾病管理进程。 我们继而利用该工具生成可用于卵巢癌治疗的单克隆抗体候选。我们采用BoxE模型，以临床适应症“Cancersovarian”为输入生成单克隆抗体再利用假设。我们通过剔除训练集中已存在的已知三元组对生成的单克隆抗体列表进行过滤。最终获得如下前十名预测单克隆抗体：lifastuzumab vedotin、abituzumab、avelumab、catumaxomab、imgt:mAb736、imgt:mAb98、aflibercept、nimotuzumab、atezolizumab及olaratumab。其中八种候选抗体已被证实用于卵巢癌治疗，而其余两种——atezolizumab与olaratumab——目前尚未获批用于卵巢癌治疗。 Atezolizumab是一种靶向PD-L1（CD274）的人源化IgG1型单克隆抗体，可阻断PD-L1/PD-1相互作用。由此阻断可抑制肿瘤介导的免疫抑制，并恢复T细胞抗肿瘤活性。Atezolizumab被预测为卵巢癌候选药物，源于其与另一已用于卵巢癌治疗的抗PD-L1抗体avelumab共享靶标。研究表明，卵巢癌可表达PD-L1，且PD-L1高表达患者对单药atezolizumab治疗存在应答[51]。Atezolizumab与avelumab均靶向同一PD-L1/PD-1免疫检查点通路。鉴于avelumab已获批用于卵巢癌治疗，atezolizumab的预测代表了一项具有生物学一致性的假设，其依据为二者共有的作用机制。在联合治疗中，atezolizumab已被探索用于卵巢癌治疗，尤其与化疗或贝伐珠单抗（抗VEGF）联用。鉴于免疫逃逸在卵巢癌进展中的关键作用，多项临床试验已评估atezolizumab改善患者预后（尤其是晚期或复发性病例）的潜力[51–53]。尽管这些研究显示，在标准化疗及贝伐珠单抗基础上加用atezolizumab并未为卵巢癌患者带来显著临床获益，但因其靶向CD274（与avelumab相同），单独使用atezolizumab的效果仍值得探索。多项III期临床试验已在卵巢癌中评估atezolizumab，包括IMagyn050试验（NCT03038100）、ATALANTE试验（NCT02891824）及AGO-OVAR试验（NCT03353831），进一步验证了我们预测的生物学合理性。 6. 慢性淋巴细胞白血病中生成的科学假设 慢性淋巴细胞白血病（CLL）是西方国家最常见的白血病类型[54, 55]。其特征为克隆性增殖及恶性B淋巴细胞在血液、骨髓、淋巴结与脾脏中的异常积聚[54]。由于化疗具有姑息性质，单克隆抗体在CLL治疗中的应用已大幅增加[55]。事实上，利妥昔单抗（rituximab）、阿仑单抗（alemtuzumab）及奥法木单抗（ofatumumab）等多种单克隆抗体已被作为CLL治疗方案[55]。在CLL疾病中，最常靶向的蛋白为MS4A1（即CD20，24项研究）与CD19（16项研究）（图5），二者均表达于B细胞表面。围绕现有单克隆抗体再利用生成治疗假设，有望提升CLL的管理与治疗水平。 我们采用BoxE模型生成可用于CLL治疗的潜在单克隆抗体候选。我们考察了排名前15的候选抗体：apolizumab、inebilizumab、polatuzumab vedotin、brexucabtagene autoleucel、lucatumumumab、rituximab、alemtuzumab、zeripatamig、ublituximab、ofatumumab、zilovertamab、odronextamab、glofitamab、干扰素α（interferon alfa）及loncastuximab tesirine。其中前十三种候选抗体已知用于CLL治疗，而后三种（glofitamab、干扰素α及loncastuximab tesirine）尚未被报道用于CLL治疗。 Loncastuximab tesirine（靶向CD19）与glofitamab（靶向MS4A1/CD20及CD3E）均为用于治疗B细胞恶性肿瘤（包括某些非霍奇金淋巴瘤[NHL]亚型）的单克隆抗体。尽管二者在CLL中的应用尚不明确，但其靶标（CD19、MS4A1及CD3E）与专为CLL设计的单克隆抗体（如利妥昔单抗、odronextamab、奥法木单抗或inebilizumab）完全一致。 Glofitamab是一种T细胞衔接型双特异性单克隆抗体，具有2:1结构，可对B细胞（包括CLL细胞）表面的CD20实现双价结合，并对T细胞表面的CD3实现单价结合[56]。该构型可激活并促进T细胞增殖，从而促使T细胞识别并杀伤CD20阳性B细胞。该机制直接适用于CLL，因恶性B淋巴细胞表达CD20，且2:1构型相较于1:1双特异性单克隆抗体具有更高效力[57]。此外，glofitamab已在CLL向弥漫大B细胞淋巴瘤（Richter转化）这一高度侵袭性演进过程中显示出疗效[58]。 Loncastuximab tesirine是一种靶向CD19的抗体-药物偶联物（ADC），其载荷为吡咯并苯二氮䓬类（PBD）化合物[59]。CD19在B细胞受体信号传导中起关键作用，亦表达于CLL细胞表面。当loncastuximab tesirine结合CD19阳性细胞靶标后，会被内化并释放PBD至胞内，最终诱导细胞死亡[59]。鉴于CD19在CLL中表达，loncastuximab tesirine的作用机制提示其在CD19阳性CLL病例中具有潜在适用性。 此外，loncastuximab tesirine与glofitamab目前正由独立研究团队开展针对CLL的临床试验。根据公开数据，glofitamab正在一项II期试验（NCT06043674）中评估，而loncastuximab tesirine则处于一项I期试验（NCT05971251）的评估阶段。 7. 基于知识图谱的药物再利用相关研究 知识图谱（KG）与机器学习的融合已通过提供一种先进而高效的途径，彻底变革了计算药物再利用领域[60]。事实上，知识图谱可组织与结构化生物医学数据，并支持对基因、疾病、药物及作用机制之间复杂关系的分析。机器学习则可利用此类丰富数据识别隐藏模式、生成假设，并预测现有药物的新适应症。在文献[61]中，作者从生物医学文献及结构化药物与基因数据库（基因本体论、统一医学语言系统、DrugBank）构建了CovKG，并利用其识别冠状病毒的潜在靶标与候选药物。面向通用目的，已有多种疾病药物再利用框架被提出，包括DrugRep-KG[18]与OREGANO[16]。 DrugRep-KG聚焦于通用药物-疾病关联，采用Word2Vec（CBOW）进行实体嵌入，并引入一种专用负采样策略，即选择未知关联中疾病为该药物已知不良反应的情形[18]。相反，OREGANO知识图谱强调天然化合物与草药疗法的整合，直接从官方资源库获取数据以确保时效性，并对ComplEx与RotatE等模型进行基准测试[16]。尽管取得诸多进展，现有框架通常针对小分子或天然产物优化，缺乏单克隆抗体所需的精细粒度。我们的方法填补了这一空白，专注于抗体这一特殊领域，利用IMGT/mAb-KG（专为单克隆抗体构建的知识图谱）中专家审阅的免疫遗传学数据。相较于DrugRep-KG与OREGANO，我们的方法在建模粒度层面实现深度整合，贯通单克隆抗体的不同层级（药理物质层级、构建体层级、产品层级及作用模式层级）。此外，我们提供了全面的方法学基准测试；此前研究仅评估有限模型集合，而我们对28种KGE模型进行了系统性基准测试，并确认BoxE在捕捉抗体数据中固有的复杂、层次化及多对多关系方面具有优越性。最后，我们提供一套回溯系统以实现生成假设的可视化可解释性。该系统允许研究人员检索并可视化知识图谱中支撑某项生成假设的具体生物学路径与连接关系，从而提供契合临床现实的决策支持机制。 总结 本研究是一项面向肿瘤学治疗性单克隆抗体再利用的计算方法学研究，通过构建IMGT/mAbOnco-KG知识图谱子集，系统评估28种知识图谱嵌入模型，确立BoxE为最优架构，并开发具备可追溯可视化功能的假说生成工具，成功识别出两个正在慢性淋巴细胞白血病临床试验中验证的候选单抗。 更多结果和补充图表: PMID：41721310 DOI：10.1186/s12911-026-03394-4 不想做实验，没数据，还想要快速发表文章，没问题的！公共数据库就是我们的数据宝藏！没思路不用担心，作为专业的生信团队，我们很乐意为您效劳，提供研究路线设计和数据挖掘分析，扫码联系我们吧！ 长按二维码关注我们，用最短的时间和最高的效率学习更多数据分析方法! 扫描上方二维码或登录平台官网后添加CNSknowall客服微信咨询！官网地址：https://cnsknowall.comCNSknowall：24年最新问世的遥遥领先的颠覆性科研数据（0代码生信+统计学）分析平台，同时含有机制图模块（原创3000多素材和机制图模板）+AI一键生成高质量比国自然标书初稿+汉化版Pubmed融合Deepseek高效筛选目标文献同时一键提炼全文核心创新点+SCI文献例句/语料检索模块+全文翻译+文献求助+图片查重+期刊查询+OPenAI官方GPT接口，＞500款CNS级别图表皆可一秒内一键出图，登录即秒变数据分析大神，体验前所未有的便捷数据分析之旅，开启科研天骄之路！ 可向下滑动发掘更多科研秘籍!

萤火有光与你 · AI新药愈见希望 AI跑快了前半程，更多新药正在向你奔来 肿瘤药从I期到获批，成功率只有5.1% "都说有新药，我怎么等不到？" 这是肿瘤患者最常问的一句话，你可能也搜过。 大多数人的第一反应是：审批太慢了，药企不积极，制度卡住了。 但真相比这残酷得多——新药不是卡在某一步，是每一步都在淘汰。 一 一粒新药从实验室到你手里，要闯几关？ 近10000个化合物出发，走到临床前研究的，大约250个。进入I期临床试验的，大约5个，最终获批上市的，大约1个。 从最开始的化合物到上市，成功率大约0.02%。 这是全行业的数字，但肿瘤药更残酷。 肿瘤药从I期到获批上市的总成功率，只有5.1%。 每20个进入I期的肿瘤药，只有1个能走到患者手里，其余19个，全部倒在路上。 而且不是倒在最后一步，是每一步都在倒。 二 I期临床试验，回答一个问题：这个药吃下去，人会不会出事。 肿瘤药I期到II期的通过率是62.8%，看起来还行——但一个药安全但没用，跟没有一样。 II期临床试验，才是真正的鬼门关。 这一关要回答：这个药到底有没有效？ 肿瘤药从II期到III期的通过率，只有24.6%。 每4个进入II期的肿瘤药，只有1个能进III期，3个倒在这里。 为什么II期这么难？因为"在几十个人身上看起来有效"和"在几百人身上确实有效"之间，隔着一道巨大的鸿沟。肿瘤太复杂了，几十个人的样本里碰巧有效，放大到几百人可能就看不到了。 那走到III期是不是就稳了？ 不是。肿瘤药III期的成功率只有40.1%。每5个进入III期的肿瘤药，还有3个会倒下。 III期要招募几百甚至上千名患者，花3到5年，花几亿甚至几十亿美元，走到这一步倒下的药，不是少数——是多数。 三 2019年，艾伯维终止了一个叫Rova-T的药。 这个药是治小细胞肺癌的。I期数据很漂亮：肿瘤缩小率31%，临床获益率85%。所有人都觉得有戏。 然后III期来了，二线治疗，失败；维持治疗，失败；联合化疗，失败；联合免疫，还是失败。 全线覆没。 艾伯维花了58亿美元收购这家公司，最后打了水漂。 走到最后一步照样会倒——礼来的Olaratumab III期失败被撤回批准，百济神州的欧司珀利单抗21亿投入未达终点，这就是新药研发的现实。 四 那AI呢？AI不是很快吗？ 上一期我们说过：AI改写了前半程，后半程一步省不了。 前半程"找路"的时间从4年压到1年，筛分子的速度大幅提升。这意味着什么？意味着以前1年能跑进I期的候选药只有几个，现在可以有十几个、几十个。进临床的候选药多了，闯过验证关的才可能多。 但后半程是"验证"——I期、II期、III期临床试验，6到8年，一步省不了。 不是不想快，是人命关天不能快。 I期要确认安全，II期要确认有效，III期要确认在几百上千人身上确实有效——这些步骤，每一步都是在替你把关。跳过任何一步，都可能让一个无效甚至有害的药，直接走到患者面前。 五 新药不是卡在某一步，是每一步都在淘汰。 你以为新药在路上堵车了，其实它是在闯关——每一关都在替你把不靠谱的挡在门外。 而AI跑快了前半程，让更多候选药更快跑到验证这一关。 目前全球已有170多条AI药物管线正在跑临床，其中10余款已经走到III期。 闯过去的越多，走到你手里的就越多。 六 所以，三件事。 第一，搞清楚你等的新药走到哪一关了。 还在找靶点？进了临床？几期？不同阶段，查清楚它走到哪一步，你才不会空等。 第二，看到"II期结果积极"，重点关注。 II期是说"有戏"，III期才是说"真行"。肿瘤药II期到III期的通过率只有24.6%——每4个只有1个能过，但II期积极意味着这个药有了入围的资格，你可以开始留意它的III期招募信息。 但这里有一个出口：如果II期数据特别好，而且这个病又急需新药，监管机构可以"附条件批准"——先让病人用上，再继续积累数据，这不是走后门，是制度设计。中国叫附条件批准，美国叫加速批准，本质上都是"边用边验证"。很多肿瘤药就是通过这条路径，提前几年到了患者手里。 所以II期积极意味着这个药有了入围的资格——你可以开始留意它的III期招募信息，也可以关注它是否申请了附条件批准。 第三，AI加速的是前半程，你的等待主要在后半程。 理解了这一点，就不会被"AI造药很快"的新闻误导，也不会因为新药"怎么还没到"而焦虑。AI让更多药更快跑到验证关，但验证本身需要时间——这个时间，是在保护你。 萤火有光与你 · AI新药愈见希望