Andrographolide

——点击上方，关注我们—— 摘要背景：中药以多成分、多靶点干预为独特治疗范式，但其复杂性阻碍了作用机制阐释与标准化研究。尽管人工智能已应用于中药研究的部分领域，但在覆盖中药固有层级结构（从单一化合物药理作用，到中药材、中药方剂的复杂协同机制）的整合研究方面，仍存在关键空白。综述目的：本文旨在提出一种全新的、人工智能驱动的框架，通过系统性跨尺度数据流，统一中药多尺度靶点分析体系，将人工智能作为核心驱动力，实现对单一化合物、中药材、中药方剂全层级的整体解析。综述核心科学理念：该框架阐明，单一化合物层面预测的分子靶点可作为基础输入，用于解析中药材内多化合物协同网络；这些模块化网络进一步整合，可揭示中药方剂复杂的多靶点协同机制，为中药方剂智能推荐与精准定量剂量预测奠定基础。此外，本文批判性探讨了中药抽象理论与分子数据间的 “语义鸿沟” 等核心挑战，强烈倡导构建 “计算 - 实验” 闭环以验证计算机模拟预测结果。最后，本文提出变革性未来方向，包括研发中药专用大语言模型，以解码中药药理逻辑，为中药的科学验证与全球融合明确路径。 1、引言 随着传统医学被纳入世界卫生组织《国际疾病分类》第十一次修订本，中药迎来了全球认可的空前机遇。中药的独特治疗优势在于多成分、多靶点、整体调节的治疗模式，可通过系统调控实现复杂疾病的个性化诊疗。要全面阐明这些作用机制，对单一化合物的研究至关重要。单一化合物是解析中药材内部复杂相互作用的关键，也是现代药物研发的重要先导化合物。值得注意的是，1981 至 2019 年，美国食品药品监督管理局批准的小分子药物中，超半数来源于天然产物，典型案例包括抗疟疾的青蒿素、抗细菌感染的小檗碱、治疗心力衰竭的洋地黄毒苷。 尽管中药具有良好的治疗前景，但其固有的多成分、多通路复杂性对传统作用机制研究构成挑战。这种复杂性阻碍了药理标准化研究（中药国际化的前提），同时全球严格的监管规则进一步增加了临床转化难度。此外，解析中药方剂复杂的网络作用机制仍面临困难，其整体治疗效应难以明确。传统研究方法效率不足，无法覆盖所需的广泛靶点研究。因此，要充分发挥中药价值，亟需先进方法科学解析其复杂作用机制。 近年来，人工智能为中药研究带来了空前机遇。机器学习等技术在靶点预测、药物研发、网络药理学等领域展现出巨大潜力。人工智能擅长处理海量异构数据、挖掘传统方法难以解析的非线性关联，完美适配中药多靶点特性。例如，AlphaFold 3 深度学习模型可精准预测蛋白质三维结构与复杂生物分子相互作用，突破传统物理模拟的计算瓶颈，显著提升靶点成药性评估效率；Insilico Medicine 公司借助人工智能，仅用 18 个月就完成了 TNIK 抑制剂从靶点发现到临床前提名的研发流程；图神经网络通过构建 “疾病 - 基因 - 药物” 多维网络，成功解析了阿莫沙平等药物的作用机制；同时，人工智能通过化学结构分析与多源数据整合预测毒性，强化药物安全性评价。这些突破为中药多尺度靶点分析构建了全新研究框架，实现单一化合物分子机制到方剂整体网络效应的无缝衔接。 目前，人工智能已深度融入中药多个关键领域。现有综述系统梳理了人工智能在中药质量控制、中药材加工、靶点预测、网络药理学、新药研发与活性化合物筛选、毒性预测、整体物质基础研究、中医诊断、针灸等方面的多样应用，以及宏观技术前景。这些研究虽具价值，但大多围绕单一技术或孤立层级展开，碎片化视角无法串联人工智能在中药生物层级中的全链条作用，缺乏从单一化合物到中药材、方剂的系统性梳理。为明确本综述框架的创新性，表 1 从定量与概念层面对比了本文与既往代表性综述。结果显示，既往综述虽在细分领域表现突出，但将人工智能应用视为独立模块，普遍缺乏 “跨尺度数据流”（分子靶点如何层级化指导协同网络）的系统分析，且完全未涉及精准定量剂量预测。 为填补这一空白，本文提出自下而上的数据框架，实现不同尺度下中药理论与计算模型的衔接。该框架并非简单罗列人工智能独立应用，而是将 “单一化合物 - 中药材 - 方剂” 体系视为递进式数据流程，前一尺度的输出是后一尺度不可或缺的输入。人工智能通过三个连贯阶段弥合中药抽象概念与现代科学间的 “语义鸿沟”： 数字化（单一化合物层面）：人工智能提取特征生成高可信度化合物 - 靶点配对，将化学信息转化为可用数据节点； 网络化（中药材层面）：人工智能利用这些节点构建局部图嵌入，分析单味药材中多化合物的协同作用； 系统化（方剂层面）：通过集成中药材网络模块，人工智能借助知识图谱推理，数学化重构中药 “君臣佐使” 配伍原则与 “辨证论治” 理论，最终实现精准组方与剂量预测。 本文通过呈现这一整合体系，为中药现代化提供实用路线图。 2、单一化合物：分子基础 —— 人工智能驱动下从化学空间到生物靶点的数字化 在自下而上的数据流框架中，单一化合物分析是基础 “数字化” 阶段。该层面人工智能的核心任务，是将中药庞大未知的化学空间转化为明确可计算的 “化合物 - 靶点配对”。复杂方剂的整体药效源于这些基础相互作用，可靠的化合物数据是网络层面分析的必要前提。为实现数字化，本文从三个连续支柱系统探讨人工智能应用： 数据驱动的数据库构建，整理优质结构化 “原材料”； 靶点预测，将结构特征映射至潜在受体，生成关键生物学假说； 智能虚拟筛选，严格筛选并计算验证假说，优先筛选真正活性的单一化合物。 人工智能驱动的上述步骤解码中药微观物质基础，为构建中药材协同网络提供高保真 “节点输入”。 基于人工智能构建全面的单一化合物数据库 作为化合物数字化的第一支柱，稳健的人工智能驱动多尺度分析依赖于精细化构建全面的单一化合物数据库。TCMSP、TCMID、SymMap、SuperTCM、TCMKD 等平台不仅是存储工具，更提供化学结构、生物活性、基因表达谱等结构化数据，是训练复杂人工智能模型解析中药机制的基础。但早期数据库面临数据异构、注释标准不统一、古籍与实验信息碎片化等难题，降低人工智能模型保真度，阻碍真正多尺度分析所需的数据无缝整合。 突破这些瓶颈需要人工智能推动数据管理范式革新：人工智能自动化完成数据清洗、标准化与智能整合，将原始异构信息转化为高质量结构化数据集。例如，生物医学自然语言处理可有效解析海量生物医学文献与中药古籍的非结构化数据，将模糊定性描述转化为机器可读格式。Xu 等人研发的 LTM-TCM 平台，利用生物医学自然语言处理从 3000 余万篇文献中提取并精准校准中药方剂、药材、化合物、靶点的多源互作信息，显著提升化合物数据准确性；TCMBank 则采用智能文本识别模块，通过先进文本挖掘技术动态收集更新化合物 - 靶点关联，确保数据库在科研快速发展中保持时效性。 人工智能驱动的数据库构建最终形成高保真中药知识库的基础支柱，提供精心整理、动态更新的化合物数据，为精准的人工智能靶点预测与活性化合物筛选奠定基础。这些高质量化合物数据是解析中药材内多化合物相互作用、进而阐明方剂协同机制的必备输入，因此智能数据库构建并非初步步骤，而是实现中药真正整合多尺度分析的关键支撑。 采用先进人工智能模型实现单一化合物精准靶点预测 作为数字化第二支柱，全面的化合物数据库建成后，人工智能驱动的靶点预测具备高度可行性。单一化合物（中药纯化活性成分）是解析治疗物质基础的核心，靶点预测提供关键生物学线索，这些预测靶点可作为后续中药材网络构建的输入。人工智能通过将结构特征映射至潜在受体，提供初步分子见解，最终解释中药材协同作用与方剂整体效应。但绝大多数化合物缺乏明确靶点，严重阻碍临床转化；传统方法难以应对化合物数据稀疏、结构复杂、多靶点的特性。因此，人工智能强大的模式识别能力至关重要，其可分析化合物结构与生物靶点间的非线性相互作用，高效预测新型相互作用。这一 “特征提取 - 模型训练 - 交叉验证” 流程确保预测结果可靠，推动基于化合物的创新药物临床前优化与研发。 当前，人工智能驱动的化合物靶点预测沿两条互补方向推进：研发稳健预测工具、应用工具探索特异性生物学见解。 创新人工智能工具提升靶点预测效果 药物 - 靶点相互作用预测方法主要包括基于特征、机器学习、深度学习三类。为提升易用性，多数方法已封装为便捷的计算工具或网络服务器，聚焦提取化合物结构特征、映射其与靶点的关联，直接解决化合物结构多样、靶点数据稀缺的难题。 基于特征的方法（如 SwissTargetPrediction、PharmMapper）采用已知化学描述子构建特征向量，计算高效，适合快速初步筛选，但依赖预设特征，对新型结构或复杂相互作用的预测能力有限。整合机器学习的工具（如 TargetNet、定量构效关系模型）采用朴素贝叶斯、随机森林等算法学习统计模式，模式识别能力优于简单相似性搜索，但仍依赖人工设计的分子指纹，难以应对中药化学空间中典型的高度非线性构效关系。深度学习是当前最先进技术，DeepConv-DTI、CL-GNN 等模型采用卷积神经网络、图神经网络，从原始分子表示（如 SMILES 字符串、分子图）中自动提取特征，这种自动化层级学习可捕捉复杂非线性药物 - 靶点相互作用，突破传统机器学习与基于特征方法的局限。但深度学习模型需海量数据，且存在 “黑箱” 不可解释性问题。 为进一步提升可扩展性与准确性，研究者正研发整合多种预测算法的混合模型；研究前沿正转向多模态、情境感知框架。研究认识到药物作用具有情境依赖性，HIDTI、DTINet 等工具整合蛋白质 - 蛋白质互作网络、疾病表型、基因表达谱等异构数据，从生物学层面情境化解析药物 - 靶点相互作用，可提示更具生物学意义的靶点，但需更高计算资源。表 2 按核心原理分类概述了这些代表性工具。 具体应用实践探索 基于预测工具的技术突破，人工智能在中药靶点鉴定与活性化合物优化中的应用已从理论预测走向实验验证，获得高可信度机制见解。这些应用普遍遵循 “预测 - 验证” 闭环范式，是保障人工智能模型可靠性的关键。 基于配体相似性的 SPiDER、TIGER 等方法已取得显著成果。例如，采用 SPiDER 计算框架分析中药荜茇的活性生物碱荜茇明碱，模型将离子通道 TRPV2 列为潜在靶点，经电生理实验与冷冻电镜结构分析验证，确认荜茇明碱是 TRPV2 特异性变构拮抗剂；体内实验进一步证实，荜茇明碱通过调控 TRPV2 活性，显著延缓原位胶质母细胞瘤异种移植模型的肿瘤进展。又如，采用 TIGER 模型预测虎杖中活性酚类物质白藜芦醇的主要靶点为雌激素受体（α、β），经生物学实验验证，为其植物雌激素活性提供分子基础。 近期研究证实，人工智能可系统解析经典化合物的新型靶点：研究者采用集成机器学习模型与虚拟筛选，鉴定原小檗碱类生物碱为视黄酸受体相关孤儿受体 γt 抑制剂；表面等离子共振实验证实，黄连碱、小檗碱可直接结合 RORγt，强效抑制 Th17 细胞分化；体内实验进一步显示，黄连碱显著改善银屑病样小鼠皮肤炎症。 综上，人工智能不仅是高通量筛选工具，更推动化合物靶点研究范式从 “盲目经验探索” 转向 “数据驱动、理性验证”。但该能力仍受关键局限制约：当前成果（尤其是基于配体方法）易偏向与现有训练数据中化合物相似的分子，对中药中常见的结构新颖或高度复杂化合物预测难度大；同时，先进人工智能模型虽能有效识别潜在靶点（“是什么”），但多数仍为 “黑箱”，若不经过大量下游实验验证，难以从本质上阐释药理作用机制（“如何作用、为何作用”）。这些挑战凸显研发更具可解释性人工智能模型的必要性；同时，从单一靶点走向解析深层系统机制，对后续中药材、方剂的多化合物协同分析提出更高要求，下文将详细阐述。 单一活性化合物智能筛选 作为数字化第三且互补的支柱，将庞大化学库转化为有前景的药物候选物需要系统筛选。人工智能靶点预测为中药材层面提供大量潜在节点，而智能虚拟筛选则提供高度验证、高亲和力的节点，在昂贵的湿实验前对假说进行计算测试、验证、排序与优先筛选。这一人工智能驱动的验证引擎显著加速研发流程，依托两大基础支柱：基于结构的虚拟筛选与基于配体的虚拟筛选。 人工智能增强的基于结构的虚拟筛选 基于结构的虚拟筛选利用靶蛋白三维结构预测化合物结合亲和力。传统上，其准确性依赖计算成本高昂的物理评分函数，虽可直接利用三维数据，但疾病相关蛋白的快速扩增与构象复杂性构成重大挑战。 人工智能从三方面革新性突破这些难题： 解决靶点结构缺失问题：AlphaFold 3 等模型可从氨基酸序列精准预测蛋白质三维结构，对中药研究尤为关键，将基于结构的虚拟筛选拓展至大量缺乏清晰晶体结构的潜在靶点，加速其药理作用发现； 提升评分准确性：数据驱动评分函数（如 NNScore、ID-Score）从海量实验数据中学习复杂结合模式，亲和力预测效果 often 优于纯物理模型； 大幅加速对接过程：DeepVS、KarmaDock 等端到端深度学习工具直接提取蛋白 - 配体互作特征，通过层级表示优化对接，速度优于传统方法且保持竞争力精度，实现前所未有的大规模筛选。 近期基准测试显示，尽管人工智能模型在预测物理完美构象方面仍有提升空间，但其虚拟筛选潜力巨大。因此研究者提出平衡人工智能速度与物理精度的层级策略。随着这些人工智能驱动的基于结构的虚拟筛选应用成熟，有望彻底革新活性化合物筛选。 针对靶点数据有限的单一化合物的基于配体的筛选 与依赖结构的基于结构的虚拟筛选不同，基于配体的虚拟筛选基于与已知活性 / 非活性化合物的理化相似性鉴定新型活性配体，高度适配中药领域 —— 活性化合物的经验认知往往先于结构靶点数据。为此研究者研发了 LS-align、ChemGenerator、VSFlow 等多种基于配体的虚拟筛选工具。 人工智能驱动的基于配体的虚拟筛选已成功鉴定多种疾病的强效化合物抑制剂，包括癌症、阿尔茨海默病、新冠病毒等感染性疾病，以及环氧合酶、α- 葡萄糖苷酶等特异性靶点。为提升预测准确性，研究者采用投票、堆叠等模型融合策略整合多种机器学习输出。例如，Yang 等人整合支持向量机、随机森林、人工神经网络模型，高效筛选 c-Jun 氨基末端激酶 1 抑制剂；深度学习进一步提升基于配体的虚拟筛选能力，消息传递神经网络从蓝藻代谢产物中发现抗 HIV-1 化合物，卷积神经网络从海洋天然产物中精准预测 EGLN1 抑制剂。 整合基于结构与基于配体的虚拟筛选实现化合物优化筛选 基于结构与基于配体的虚拟筛选优势互补，可无缝整合为强大的多阶段筛选流程。最常用策略是 “先基于配体、后基于结构” 的漏斗式筛选：计算成本低的基于配体的虚拟筛选快速大范围剔除无活性化合物，得到的有前景子集进入计算密集的基于结构的虚拟筛选，开展详细结合构象分析与评分。该高效策略已成功鉴定新冠病毒主蛋白酶、磷酸二酯酶 5 等靶点的化合物抑制剂。反向 “基于结构粗筛 + 基于配体精筛” 策略同样可行，例如 He 等人采用基于结构的虚拟筛选鉴定多种蛋白的多靶点化合物候选，再通过基于配体的人工智能预测优化筛选结果。 综上，人工智能驱动的基于结构与基于配体的虚拟筛选融合，构建了理性中药药物研发的强大引擎，标志着从偶然筛选到系统范式的转变。重要的是，DeepPurpose、KNIME 等便捷平台让无深厚计算专业背景的研究者也能使用这些先进功能，人工智能通过普及智能筛选，为解锁化合物治疗潜力、阐明药理机制提供实用工具。 上述三大支柱（数据库构建、靶点预测、虚拟筛选）形成完整的人工智能驱动流程，成功完成化合物 “数字化”（图 1）。但鉴定这些离散化合物靶点仅获得中药的 “分子字母表”，中医的真正治疗 “语言” 由相互作用书写 —— 单味药材绝非孤立分子的简单加和。要理解这些验证后的化合物靶点在单味药材复杂内部环境中如何相互作用、协同或拮抗，需将人工智能方法从分子特征分类转向复杂图嵌入，将数据流提升至中药材层面。 3、中药材：协同桥梁 —— 从离散节点到局部网络，解码多化合物协同作用 中药材是连接化合物与方剂的关键桥梁。在本数据流中间阶段，人工智能任务从单分子 “数字化” 转向混合物 “网络化”。中药材的治疗效果依赖无数化合物的协同相互作用，因此解析这种多化合物、多靶点协同作用是中药研究的核心，连接单个化合物与更广泛的药理效应。 中药材复杂的化合物相互作用虽支撑药效，但从根本上挑战传统还原论方法。人工智能通过从高维数据中学习涌现行为突破这一瓶颈，整合化学组学、生物活性、基因表达谱等异构数据，构建动态 “中药材 - 化合物 - 靶点 - 通路” 关联网络。方法学上，从化合物到中药材的转变依赖连续的计算数据流：化合物层面预测的靶点与结合亲和力并非静态终点，而是作为基础 “输入”（图算法的初始节点特征或分子过滤器），优化中药材层面多化合物网络的构建。下文将阐述这一转变的两个关键方面：中药材的多化合物特性、人工智能驱动的协同靶点网络构建。 中药材的多化合物特性 中药材的多化合物特性驱动其宏观治疗效果，但引入微观复杂性。这种复杂性要求将简单化合物节点转化为复杂局部网络，为人工智能建模提供丰富数据，同时在多个关键维度构成分析挑战。 化学多样性极高：单味药材常含数百种活性化合物，包括生物碱、黄酮类、皂苷类等。例如黄连产生小檗碱等多种生物碱，人参含 270 余种人参皂苷（如人参皂苷 Rb1、Rg1）；但结构与含量的高度变异常导致数据稀疏，影响预测模型泛化能力。 化合物间存在复杂协同 / 拮抗作用：例如淫羊藿苷 Ⅱ 与穿心莲内酯联用可协同诱导肿瘤程序性坏死与免疫原性细胞死亡，有效将 “冷肿瘤” 转化为 “热肿瘤”，延长癌症模型生存期。 化合物通过多通路实现整体调控：例如黄芪中黄芪皂苷抗炎、异黄酮调节免疫、多糖促进代谢。 化合物动态互作直接决定药理结果：例如降低芦丁含量会完全消除贯叶连翘提取物的抗抑郁活性，补充芦丁后活性恢复，捕捉这种动态变化需严格的数据标准化以保障人工智能建模可靠性。 传统炮制显著改变化合物谱：蒸制地黄使环烯醚萜苷分解，生成 5 - 羟甲基糠醛等新化合物，从根本上改变治疗效果。 产地、采收季节、患者个体反应等外部变量进一步加剧分析复杂性。 综上，这些动态高维特性需要先进人工智能解析复杂协同模式；中药材层面的相互作用在组成方剂后进一步放大，凸显下文所述人工智能驱动网络建模的必要性。 多化合物协同靶点网络挖掘 将中药材视为复杂化学混合物仅是第一步，解析其整体生物作用是核心挑战。中药 “整体调控” 核心理念强调整体大于部分之和，人工智能方法（尤其是图嵌入）与这一理念高度契合。人工智能摄入前一阶段生成的大量化合物 - 靶点节点，将整个中药材 - 靶点网络嵌入低维向量空间，计算捕捉多成分系统的 “涌现特性”—— 整体治疗效果绝非单个成分效果的简单线性叠加，而是复杂的系统响应。这种以网络为核心的范式对阐明药效、优化药物研发、衔接传统理论与现代科学至关重要。 通过整合多源数据，人工智能模型开创了挖掘这些协同网络的新路径。本文按递进框架综述中药材分析的人工智能最新进展：预测中药材 - 靶点基础互作、解析成分化合物协同作用、中药材与特定疾病关联、预测整体功效。这一递进思路展示人工智能如何深化中药材药理认知，为理性方剂设计奠定坚实基础。 中药材 - 靶点相互作用预测 解析中药材首先需鉴定其互作蛋白。网络药理学整合网络生物学与多药理学，最初基于已知化合物 - 靶点关系构建互作网络，但传统网络药理学受现有知识局限，无法捕捉中药材中未表征化合物的整体影响。为突破这一局限，早期人工智能模型采用网络传播算法，后续被复杂机器学习与深度学习框架超越。这些模型将中药材视为单一实体，从大规模数据中学习直接的中药材 - 靶点关联，虽计算高效，但 “黑箱” 模式牺牲机制清晰度，单个化合物的具体贡献模糊。 当前前沿通过整合多层级知识解决这一困境，建立从化合物到中药材的严谨数据流。NP-TCMtarget 平台是这一预测驱动数据流的典型案例：该平台并非盲目分析中药材，而是先采用深度学习预测单个化合物的特异性结合靶点，为保障生物学相关性，将化合物层面预测结果直接作为 “输入”，与疾病模型体内转录组谱（如微阵列数据）交叉分析，以人工智能预测的化合物靶点为基础分子过滤器，成功区分直接互作靶点与下游间接靶点。 作为补充，其他前沿框架利用现有化合物组成知识作为基础节点特征。例如 HTINet2 构建连接中药材、成分化合物、靶点的大规模知识图谱，通过图嵌入将包含化合物的结构知识压缩为低维向量，输入残差式图卷积网络后，这些含化合物信息的嵌入使模型在预测中药材靶点时，能隐性考虑化合物的联合作用。为提升拓扑预测的可解释性，模型对宏观中药材靶点预测结果进行下游分子对接，从结构上验证特定化合物（如小檗碱）与预测靶点的结合亲和力。这些先进方法衔接 “中药材 - 化合物 - 靶点” 连续体，提供更丰富、更具机制性的认知，为阐明中药材整体作用奠定基础。 协同化合物组合鉴定 通过化合物层面输入建立中药材 - 靶点互作谱是基础，但中药材的真正治疗潜力源于其成分化合物间涌现的协同相互作用。解析这些协同作用为研发比单药疗法更高效、低毒的治疗方案提供独特机遇。因此，下一步关键是利用人工智能解码这些复杂组合机制。 人工智能有效解码这些协同网络，从计算上实现中药 “七情配伍” 理论，尤其是成分间 “相须”“相使” 理念。例如 COCONUT 数据库采用关联规则挖掘，系统梳理天然产物中常见协同模式，提供有价值的回顾性基线；但预测性机器学习通过建立从分子特征到协同表型的清晰数据流，实现真正突破。Sun 等人开发极端梯度提升回归模型，明确将化合物层面靶点谱与癌细胞系转录组作为基础输入特征，通过深度机器学习捕捉成分间高度非线性相互作用，精准输出协同组合指数 —— 对 “相须 / 相使” 的直接数学量化。后续体外实验证实，人工智能优先筛选的化合物组合（如丹皮酚 + 没食子酸乙酯）在 MCF-7 乳腺癌细胞中表现出显著协同抗增殖活性（组合指数 < 1）。该流程证明人工智能推动中药研究从经验筛选走向生物学验证的假说生成。但此类协同模型的可靠性仍依赖高通量实验训练数据，这是中药材广泛研究的持续瓶颈。 中药材与疾病关联分析 完成中药材靶点与内部协同作用的映射（由底层化合物数据流驱动）后，下一步逻辑是将这些机制与临床结局关联：治疗特定疾病。人工智能正革新中药材 - 疾病关联预测，将经验实践转化为数据驱动科学。 早期方法依赖网络邻近度指标，核心原理是：若中药材靶点在人类互作组中与疾病相关蛋白拓扑 “接近”，则治疗关联极有可能成立。例如 Gu 等人采用相似性集成方法，Wang 等人通过加权平均最短路径长度量化这种邻近度，虽适合生成假说，但受底层网络静态拓扑局限。后续机器学习模型整合多源数据突破这一局限，例如 Chen 等人采用多核学习与网络一致性投影量化中药材 - 疾病关联强度，融合中药材与疾病的多维度 “视图”，提升预测准确性。 当前图深度学习主导前沿领域，图卷积网络、超图卷积网络等模型通过从基础化合物 - 靶点 - 疾病互作构建多维超边，自动提取高阶拓扑特征，无需人工特征工程，捕捉生物系统典型的复杂关联，但可扩展性仍受高质量多组学数据可用性限制。 综上，这些预测框架旨在整合多组学与临床数据，从分子层面解释治疗结局，指导临床实践。活动性溃疡性结肠炎的多模态流程是这一跨尺度数据流的典型案例：流程起始，通过加权基因共表达网络分析从临床患者转录组中提取疾病特异性基因模块，与基础化合物 - 靶点数据库明确交叉；将整合的多组学输入输入支持向量机 - 递归特征消除、随机森林、最小绝对收缩与选择算子等集成机器学习算法，框架成功优先筛选核心疾病靶点，定位有效中药材（如黄连）。重要的是，该流程通过 100 纳秒分子动力学模拟验证人工智能优先筛选的化合物 - 靶点互作结构稳定性，完成计算闭环。类似集成学习策略也成功预测代谢疾病中药材，预测结果经下游分子对接严格证实。这些框架证明人工智能有能力将异构数据流（从化合物靶点谱到患者转录组）合成为验证可行的临床治疗方案。 中药材功效与药性预测 人工智能最具前瞻性的前沿领域，是衔接现代科学与中医经典理论：利用人工智能预测中药材针对特定中医 “证” 的整体功效，及其核心药性（如 “四气五味”）。本质上，人工智能将这些抽象概念转化为基于底层多化合物网络的宏观算法特征。 开创性研究将这些传统概念转化为科学指标：Gan 等人证实，针对特定证型的中药材，其靶点在人类互作组中与证型相关蛋白模块拓扑邻近，首次为 “辨证论治” 核心原则提供定量解释；GraphHSA 模型采用带注意力机制的图神经网络预测中药材 - 症状关联，但依赖预设静态互作网络，可能限制情境特异性动态的发现。 同时，人工智能正积极量化抽象药性以完善中药理论。为系统衔接宏观药性与临床治疗功效，靶点解析策略愈发关键。HPGCN（中药材药性图卷积网络）是这一跨尺度转化的典范：框架起始整合基础化合物靶点映射与蛋白质 - 蛋白质互作，通过机器学习提炼 30 个关键靶点基因作为核心输入特征；将这些分子输入经图卷积网络架构处理，模型精准分类 “寒热” 药性；闭环验证后，这些预测结果成功解决特定药材（如赤芍）药性的历史争议，为传统临床用药提供数据依据。 但这些尝试也暴露深刻的方法学局限：中医现象学知识与结构化分子数据间存在 “语义鸿沟”。“归经”“四气” 等中医概念是人体反应的宏观、动态总结，将这些模糊整体概念强行塞入图神经网络或知识图谱所需的刚性离散节点（如将整体 “寒性” 简化为仅 30 个基因节点），可能导致严重信息丢失。正如后续挑战部分详述，弥合这一语义鸿沟且不过度简化中药丰富的生物学内涵，是未来人工智能框架的关键瓶颈。表 3 汇总了近期人工智能在解析中药材协同靶点网络各分析维度的应用。 综上，解析单味中药材的内部协同与抽象属性，是 “网络化” 计算的重要里程碑。人工智能成功将离散分子数据转化为连贯的局部网络模块。但真实临床实践中，中药核心依赖方剂而非单味药材，局部中药材网络仅是治疗构建模块。要真正理解中药的系统干预作用，需探究：这些独立中药材模块如何数学化组装，实现 “君臣佐使” 等高级配伍原则？解答这一问题，需将数据流提升至框架顶端，人工智能整合这些局部嵌入，重构方剂的系统智能。 4、中药方剂：系统整合 —— 集成中药材模块以解析作用机制与智能方剂推荐 在自下而上的数据流框架中，方剂是 “系统化” 的顶点，也是中药临床应用的巅峰。方剂药效源于深刻的协同机制，放大单味中药材的局部网络效应。超越孤立中药材分析，本阶段摄入前期生成的局部网络嵌入，采用先进人工智能（异构知识图谱、推理算法）将其组装为宏观调控系统。传统方法难以应对这种组合爆炸，而人工智能系统映射化合物、靶点、通路间的互作，解析真正协同作用。重要的是，如下文详述，该框架从根本上超越纯计算生物学，数学化实现并重构中药核心哲学 —— 将整体调控、配伍原则等抽象概念转化为可量化的图目标。 本文从两方面阐述这一前沿：协同机制分析、临床组方推荐。前者数学解析方剂作用模式，后者将机制知识转化为智能临床决策支持与精准剂量预测，二者共同形成完整的 “从实验室到病床” 转化闭环。 方剂协同作用机制分析 基于化合物与中药材研究成果，人工智能驱动的方剂分析聚焦解析中药材间协同作用。方法学上，通过严格自下而上的数据流，采用多层异构网络实现：分子层面数据（活性化合物及其优化靶点）作为基础节点特征，计算聚合形成中药材层面嵌入（代表单味药材整体药理谱）；最终，异构图神经网络等先进人工智能模型整合这些中药材嵌入，计算组装并解析方剂整体协同网络。 重要的是，这一人工智能驱动的连续体不仅是计算流程，更数学化重构中药核心哲学。中药材层面分析已通过局部图嵌入与拓扑邻近度捕捉 “整体调控”“辨证论治” 理念，而方剂层面独特实现 “君臣佐使” 复杂配伍原则。在现代计算框架中，这一传统层级通过定量网络特征全新表达：例如，配备注意力机制的先进图神经网络模型，在聚合过程中自动为不同药材节点分配差异化权重；有趣的是，注意力权重或度中心性最高的药材，往往与经典方剂核心 “君” 药一致，为传统智慧提供数据驱动解读。同时，在现代分子配伍理论指导下，“臣 / 佐” 药的辅助、减毒作用，可通过计算模型分析协同网络鲁棒性、多通路交叉调控或预测脱毒效应，从计算层面探究。将这些哲学概念转化为结构化人工智能特征，为衔接中药智慧提供极具前景的计算桥梁。 将这一理论转化落地，实际计算分析涉及三个关键维度：鉴定对联合效应至关重要的核心靶点、定位驱动协同的跨药材化合物组合、整合多模态数据，实现方剂作用的可量化全景解析。下文详述这三个维度。 核心靶点筛选 核心方剂靶点筛选深化中药材嵌入的整合。与中药材分析（映射单味药材内化合物到靶点）不同，方剂层面分析解析多中药材模块复杂互作产生的整体治疗效果，揭示这些模块如何通过汇聚关键共享靶点实现宏观协同。 网络药理学在该尺度效果显著，拓展中药材预测方法，应对多药材、化合物、通路的组合复杂性，构建复杂 “方剂 - 中药材 - 化合物 - 靶点 - 通路” 网络，鉴定仅通过多中药材互作产生的关键 “枢纽” 靶点，这些枢纽是解析方剂聚焦治疗效果的核心。 人工智能驱动的核心策略采用网络拓扑与邻近度分析：该方法不将靶点视为扁平列表，而是提取结构数据流，量化联合药材如何协同调控邻近疾病蛋白。稳健框架采用带重启随机游走算法，在多层网络上测量聚合方剂靶点与特定冠心病模块的拓扑邻近度，将这些网络衍生的邻近度特征输入机器学习分类器，模型成功解码多种方剂的独特治疗机制，无需先验机制知识即可优先筛选核心协同靶点。 作为拓扑邻近度的补充，对比药理谱计算将方剂聚合分子足迹与已知现代药物对齐。近期分析瘀血痹片的框架，先构建全面多化合物互作网络，再采用无监督层次聚类，揭示其与非甾体抗炎药的药理等效性。重要的是，完成计算 - 实验闭环，人工智能优先筛选的核心调控靶点（如 Sgk1、Shh）经神经病理性疼痛模型体内药理实验严格验证。综上，这些方法将靶点搜索从简单盘点转向战略级网络关键点识别，将计算预测转化为验证的临床机制。 活性化合物 / 化合物组合智能鉴定 鉴定支撑方剂涌现药效的 “物质基础”（关键化学成分）仍是重大挑战。该阶段通过系统聚合前期化合物与中药材数据流，从分子层面计算重构配伍原则。人工智能推动这一发现从经验筛选转向预测建模，聚焦两大目标：定位关键单一组分（“君” 成分）、预测跨药材协同 / 减毒组合（“臣 / 佐” 组合）。 为在方剂复杂环境中鉴定单一高影响化合物，预测流程将系统网络解卷积为关键节点。例如，整合基础成分 - 靶点互作与分子通路分析的数据驱动流程应用于心脉康方剂，以全面化合物靶点启动数据流，采用机器学习算法计算过滤宏观网络，精准定位主要活性化合物；重要的是，完成计算 - 实验闭环，这些计算机预测结果经离体电生理评估（如离体心脏模型）证实，确认其核心抗心律失常作用。 超越单一组分，人工智能通过预测新型协同化合物组合（常跨不同药材成分），强力解码宏观配伍的物质基础。网络靶点多成分协同鉴定、深度学习互作模型等架构是跨药材整合的典范。将疾病特异性生物网络与基础化合物 - 靶点映射输入这些先进算法，研究者可计算评分与筛选庞大组合空间。这些计算机协同预测结果（无论是抗血管生成协同对，还是乳腺癌组合治疗优先筛选）经下游体外、体内表型实验稳健验证，将组合发现的抽象艺术转化为可量化、可预测的科学。 尽管具备先进预测能力，当前方剂分析人工智能方法的独特局限是静态性，难以完全捕捉中药 “整体调控” 理念。临床实践中，“佐” 药仅在特定剂量比例、特定患者 “证型” 背景下，才能减轻 “君” 药毒性。当前算法通常将这些协同互作视为网络中静态、无权重的边，往往无法建模定义真正中药整体配伍的双向、剂量依赖性、情境感知动态互作。 多模态数据融合与全景机制解析 要真正整体理解这些组装后的方剂作用机制，研究需超越静态拓扑预测，整合动态、真实世界生物数据。前沿方向是融合转录组、蛋白质组、大规模临床知识图谱等多模态数据，构建治疗机制的全景系统级蓝图。 先进计算框架具备独特适配能力。Herb-CMap 框架是这一过程的清晰案例：流程起始将药物干扰基因表达谱与蛋白质 - 蛋白质互作网络明确交叉，计算解析苏黄止咳胶囊的系统作用；重要的是，这些多组学见解直接锚定严格的体内生物验证，证实人工智能优先筛选的活性化合物（如槲皮素、木犀草素）通过特异性抑制 IL-17 信号通路，有效缓解大鼠咳嗽变异性哮喘。 将这一全景方法拓展至人群水平临床应用，GraphAI 框架采用可解释图注意力网络，解码 215 首新冠方剂的配伍机制。通过将临床组方模式多维知识图谱与底层分子网络计算融合，模型成功量化核心药对（如黄芪 - 芦根）的精确协同互作，系统映射其汇聚药理作用至宏观神经免疫通路。综上，这些多模态框架标志着深刻范式转变：将碎片化分子数据转化为验证、可量化的中药整体调控叙事。 方剂推荐 本自下而上框架的最终临床输出，是指导精准临床决策。人工智能驱动的方剂推荐将解码的系统机制转化为可执行临床智能，完成 “从实验室到病床” 转化闭环。方剂推荐历史从经验关联挖掘演进至复杂、机制驱动预测，本文追溯这一范式转变，强调人工智能解析分子见解的整合，最终聚焦精准定量剂量算法（图 4）。表 4 全面对比这一演进过程。 5、传统数据驱动方法的演进与局限 早期方剂推荐模型主要依赖临床表型数据（症状、诊断、组方记录），从关联规则挖掘、主题模型、传统机器学习，到卷积神经网络、长短期记忆网络等先进深度学习架构，擅长从历史数据中提取模式。 尽管方法复杂，这些模型存在根本缺陷：作为 “表型 - 组方” 黑箱，仅依赖经验共现，忽略底层生物学原理。因此其推荐缺乏生物学可解释性，且完全无法预测关键剂量信息，严重限制临床实用性。 6、机制驱动的智能方剂推荐 将分子信息融入方剂推荐，标志着从 “基于关联” 到 “机制驱动” 决策的范式转变。FordNet 开创性模型建立这一基线，证实将宏观表型数据与底层分子网络融合可显著提升推荐准确性。 当前研究遵循三大核心策略范式： 网络邻近度与拓扑推理：数据流起始于基础化合物 - 靶点映射，核心原理是若方剂聚合分子靶点与疾病靶点拓扑 “接近”，则方剂有效。采用带重启随机游走、模块式邻近度等算法，成功量化这种空间关系，预测阿尔茨海默病、风湿病的个性化方剂，大幅提升推荐生物学相关性。 知识图谱与深度学习端到端预测：该范式构建连接宏观症状、疾病与微观中药材、化合物、靶点的大规模异构知识图谱。DeepTCM 框架是该方法的典型代表，将多尺度异构网络输入图卷积网络，模型自主学习拓扑嵌入，鉴定连接特定症状与草药干预的底层分子机制。重要的是，从计算机推理走向生物现实，DeepTCM 针对冠心病合并抑郁的机制驱动推荐，经体内动物模型严格证实，预测的神经炎症通路调控得到明确验证。后续架构优化整合元学习与外部知识图谱，进一步提升这些基于图预测的适应性与理论对齐度。 混合评分系统：这些实用框架融合多维证据（传统中药配伍规则、网络靶点评分、机器学习分类器），计算筛选最优方剂。TCMFP、Syn-COM 等系统成功优先筛选并实验验证痛风性关节炎、动脉粥样硬化等复杂病症的协同干预方案，验证这一整体数据流。此外，除为已知病症推荐组方，这些拓扑驱动人工智能框架为 “老方新用”（基于共享宏观网络特征，挖掘经典方剂新型临床适应症）开辟高价值路径，大幅降低现代中药研发时间与成本。 7、方剂精准剂量预测 阻碍多数方剂推荐模型临床应用的关键空白，是无法预测剂量。剂量决定药效与安全性，是精准中药治疗的最终、最具挑战性的障碍。PresRecRF 模型开创这一领域，专门解决现有模型缺乏精准性与剂量整合的问题。 PresRecRF 通过三大精简模块创新融合大规模中药语义与分子知识： 知识表示模块：整合药材 - 症状 - 蛋白质知识图谱与先进语言模型（BERT、GPT-3.5），生成兼具分子与中药语义信息的表示； 融合模块：有效合并这些表示； 推荐模块：采用多任务目标损失，可同时预测所需中药材及其对应精准剂量。 完成真实世界临床验证闭环，PresRecRF 在两个真实数据集（中医肺病 14913 例、中医中风 5725 例）上评估，性能达到当前最优，中风患者预测较基线模型最高提升 3.30%（精确率 @5）、4.36%（召回率 @5）；案例研究证实其预测与专家医师处方高度吻合。但精准剂量预测仍因临床实践动态性、基准数据稀疏面临严峻挑战，定量指标凸显剩余差距：PresRecRF 剂量预测平均绝对误差 0.9241、均方误差 8.8179。 这些差异表明当前人工智能模型仍难以达到真实部署所需的绝对精度。但通过承认这些差距、整合多尺度（化合物、中药材）数据，PresRecRF 等模型为人工智能解答 “用什么药材”、更关键的 “用多少剂量” 铺平道路，最终实现个性化中药治疗愿景。挑战与前沿方向 尽管人工智能显著推动中药 “化合物 - 中药材 - 方剂” 多尺度分析，要实现其全部临床与科学潜力，需克服多个相互关联的挑战。这些系统性障碍同时定义了该领域最激动人心的前沿方向。 8、核心挑战与通用解决方案 人工智能在中药多尺度分析的实际应用面临系统性障碍，包括贯穿整个框架的共性挑战，以及相互叠加的尺度专属问题。 数据难题：人工智能依赖高质量数据，但中药研究存在数据异构、碎片化、标准化不一致问题；炮制过程中化学动态变化、真实世界临床记录等关键缺口，阻碍高保真中药知识图谱构建。此外，中药数据库严重缺乏 “阴性数据”，过度偏向阳性活性数据，缺少无效化合物信息，这种偏差影响模型泛化能力，显著抬高虚拟筛选假阳性率。解决这些瓶颈需要先进数据融合模型，整合多组学与临床数据，配合小样本学习技术缓解数据稀缺问题。 建模困境与语义鸿沟：尽管前文阐述了前景广阔的概念映射，模型复杂度、可解释性、本体保真度间仍存在核心矛盾。先进深度学习模型虽成功捕捉复杂多化合物协同，但 “黑箱” 特性往往削弱临床信任，模糊真实机制理解。当前中药人工智能应用仍严格 “数据驱动”，高度依赖统计共现，将现代图方法（图神经网络、知识图谱）应用于中药复杂系统时，暴露深刻 “语义鸿沟”。这些工具虽擅长映射结构化分子关联（如蛋白质 - 蛋白质互作），但难以本体化表示 “气虚”“归经” 等模糊整体概念。将这些歧义宏观中医描述直接强行对应微观基因网络，常产生虚假、无生物学意义的关联，导致严重信息丢失。 为弥合这一鸿沟，未来研究需转向 “基于本体的人工智能”（理论驱动人工智能），结合固有可解释人工智能架构。未来中药知识图谱需明确将 “阴阳平衡”“五行” 等抽象基础概念编码为独立计算实体与动态关联，而非将中药哲学简化为基因标签。最终，实现这种真正多模态对齐，将使人工智能模型能直接采用传统中医逻辑通路结合分子证据推理，保留经典理论语义丰富性，不过度简化为刚性一维节点。 资源瓶颈：模拟庞大中药网络需要大量计算基础设施，同时稀缺兼具人工智能与中药专业背景的跨学科人才。为克服这些局限，研发中药专用大语言模型是变革性前沿，天仪、数字智能本草、岐黄问道等项目为典范。这些模型在海量中药语料上预训练，作为统一知识库与推理引擎，自动化完成从化合物特征提取到方剂推荐的复杂多尺度任务。但实现全部潜力需要解决多模态对齐关键挑战：未来中药大语言模型需弥合非结构化模糊古籍（如归经描述）与高度结构化分子数据（如二维 SMILES 字符串、三维蛋白质结构）间的深刻语义鸿沟，实现现象学中医概念与现代分子图间的精准跨模态投影，仍是高优先级技术难题。 各尺度专属挑战与前沿方向 除系统性障碍外，每个分析尺度存在独特挑战。某一层面的不确定性不可避免向下一层级传递放大，导致跨尺度噪声传播。为缓解这种级联误差，未来人工智能框架需整合不确定性量化算法，动态校准预测置信度，配合鲁棒集成学习策略，在多级数据融合中有效过滤传播噪声。因此，前沿研究正沿整个 “化合物 - 中药材 - 方剂” 连续体打造针对性解决方案。 化合物层面：提升数据可靠性与分子表示。精准化合物表征是框架基础，但化学不确定性（标准描述子难以表征的复杂手性结构）、生物不确定性（多靶点多效性导致假阳性预测）严重降低人工智能模型精度，基于配体方法尤其易受影响。为解决这一问题，研究者正研发高保真分子表示（如基于三维结构的互作指纹）；同时大语言模型革新靶点预测，TransformerCPI2.0 等架构直接从序列数据学习化合物 - 蛋白质互作，GPT-4 等预训练模型用极少数据精准预测分子性质，普及研发。 中药材层面：解析复杂混合物与药材药性。天然化合物组合为中药材形成高度复杂混合物，产地、传统炮制导致化合物含量显著变异。机制上，为 “归经”“药性” 等抽象中药概念建模物质基础极具挑战，因为这些是无数化合物协同作用的涌现效应。解析这些涌现属性需要鲁棒人工智能架构（如 HPGCN），核心前沿是利用人工智能映射传统中药理论的分子基础，模拟药材炮制过程中的化学转化，实现质量标准化与药效优化。 方剂层面：解析协同作用与精准剂量预测。方剂产生远超单味药材总和的治疗效果（如 “君臣” 协同），当前人工智能难以从机制上解释这种系统涌现。终极挑战是量化这些跨中药材协同作用，超越静态网络拓扑，解释方剂作用的具体 “方式” 与 “原因”。此外，患者个体因素（如体质）改变方剂药效，增加个性化治疗难度。关键的是，将抽象网络知识转化为可执行、精准剂量预测仍是临床重大缺口。剂量预测难度极大，原因在于：药材用量 - 协同关系高度非线性；最优 “治疗窗” 随患者体质、特定 “证型” 动态变化；基准数据集缺乏标准化大规模定量剂量记录。克服 “系统涌现” 需要整合多尺度机制数据与患者个体特征（基因、生活方式），提供真正个性化、剂量优化的方剂推荐，同时兼顾数据隐私伦理。 综上，这一人工智能驱动的多尺度连续体，是中药研究迈向科学发现 “第五范式”（科学人工智能）的典范。良性循环正在形成：化合物层面突破提升中药材分析，进而优化方剂建模。但纯计算（干实验）预测对中药现代化仍根本不足，终极范式转变需要稳健的 “计算 - 实验” 闭环。人工智能生成的假说（新型化合物靶点、中药材协同组合、精准方剂剂量）必须经高通量湿实验与临床试验严格验证，这些经验生物学结果需反馈至算法，校准参数，提升生物学相关性。这种计算机模拟与体内 / 体外实验的相互强化，将推动中药从机制探索走向精准临床干预。 9、结论 本文提出统一人工智能框架，无缝衔接中药多尺度分析，从化合物药理作用到方剂协同机制。本文阐明人工智能的变革性作用：预测化合物靶点建立分子基础，解析中药材多化合物协同作为关键桥梁，最终实现机制驱动的方剂推荐与剂量预测。实现这一框架的全部潜力，完全依赖构建严谨的 “计算 - 实验” 闭环。通过湿实验生物学验证持续迭代优化智能干实验预测，本文为中药的科学验证、现代化与全球融合绘制明确、循证路线图。 需要原文PDF，请关注并私信。 💛 感谢阅读，关注我们，一起前行。 关注下方二维码👇，关注后续精彩内容~~~ 往期精彩推荐  Phytomedicine：片仔癀药效物质基础及作用机制研究 —— 基于抑制氧化应激与铁死亡改善酒精相关肝病 Phytomedicine：中药药效物质基础及作用机制研究-基于多模型与植物化学分析揭示天南星最优成分抗阿尔茨海默病作用机制 CEJ（IF=13.2） | 中药苦参碱 - 没食子酸自组装纳米颗粒，实现多靶点心肌保护 ，改写心梗治疗格局 Carbohydr Polym (IF=12.5)|中药自组装-果胶凝胶搭载栀子苷，双靶点攻克胆汁淤积性肝病 Food Hydrocolloids (IF=12.4)| 香菇多糖搭伙淫羊藿次苷，实现抗炎活性与稳定性双突破 J Adv Res（IF=13.0）|药食同源中药成分木犀草素-玉竹-智能纳米组装平台，赋能癌症化学免疫治疗 MTB（IF=10.2）| 泻心汤里的天然 “纳米小药”！精准掐断结肠炎的炎症开关 Phytomedicine（IF=8.3）：中药自组装研究-附子与甘草药对自组装的治疗心衰的药效物质基础表征新思路 Adv Funct Mater（IF=19.0）｜分子自组装新策略：天然中药活性成分苦杏仁苷与甘草酸自组装水凝胶，为创伤性脑损伤术后治疗提供可选策略 Redox Biol（IF=11.9）| 抗癌不损心：破解阿霉素心脏毒性困局，为肿瘤化疗筑起心脏防线 Bioact Mater（IF=20.3）| 传统中药活性成分与智能纳米递送系统强强联合，让心肌梗死治疗更精准、更持久！ APSB（IF 14.6）| 中国药科大学—顶刊突破！中国团队发现肝癌耐药新靶点，金雀花碱衍生物 DC218 精准破局 APSB（IF 14.6）|中医智慧遇上纳米科技！南中医团队用黄芪外泌体，攻克三阴性乳腺癌化疗难题 Phytomedicine（IF 8.3）|灵芝再立新功！灵芝酸 D 精准修复溶酶体，从根源延缓血管衰老 ACS Nano（IF 16）| 基于天然葛根的树蛙足导电性心脏贴片，为心肌梗死治疗开辟中药新材料赛道 AFM（IF=19.0）|中医 “君臣佐使” 指导天然药碳点化，重编程肿瘤死亡、突破胶原屏障并激活抗肿瘤免疫 Adv Sci（IF14.1）重磅：三叶崖爬藤多糖破局三阴性乳腺癌，靶向关键通路阻断肿瘤转移 中风治疗重大突破！协和团队顶刊揭秘：人参皂苷 Rg1 “钓” 出关键靶点，三七护脑机制终于说清 深度解读 | 中国药科大学  藏红花 Crocin II “精准降解” ANGPTL8： 一场天然小分子对 MASLD 美国心脏协会重磅发布｜AHA 2026心血管膳食指南：告别“单一控食”，护心饮食迎来全新革命 本草学术观察 | 祛湿不伤正，健脾不滋腻 —— 茯苓，最温和的本草养生 食药同源的“祛湿圣品”：茯苓，藏在日常里的健脾养身良方 本草学术观察 | 养血调经第一药：当归，藏在岁月里的“女人参” 本草学术观察 | 补气固表第一药：真正的平民补气之王 本草学术观察 | 红枣：补气养血第一果，吃对才养人 跳出 “偏方” 误区，用科学视角解读 3 种常见药食同源食材