药物发现：药物重定位

可视化演示

展示转录组相似性、网络拓扑与知识图谱药物重定位方法，支持置信度调节。

概念与价值

整理药箱的第一步，永远是先搞明白“箱子里的药能不能翻新”。药物重定位（Drug Repositioning）指的就是：针对已经批准上市或进入临床研究的药物，寻找它们在原有适应症之外的新治疗用途。这和药箱整理师翻出降压药治罕见病的逻辑一模一样——药的分子结构早已被验证是安全的，我们只是在寻找它“隐形的第二职业”。

传统新药研发为什么那么昂贵？因为它像“从零开垦一片荒地”：先要发现先导化合物、做动物毒理试验、走完三期临床试验，每一步都可能让项目夭折。而药物重定位是“二手房改造”：房子结构（安全性）已经通过质检，你只需要重新装修（验证新靶点的有效性），自然省时省钱。据统计，传统新药研发平均耗时 10-15 年、耗资超过 10 亿美元，而药物重定位可以将研发周期缩短到 3-5 年，成本降至原来的 60% 以下。

从技术角度看，药物重定位的核心公式是一个条件概率问题——我们想找到药物 $d$ 与疾病 $t$ 之间“存在治疗关系”的概率。用数学语言描述：

回到药箱的比喻：我们不需要重新验证“这盒药吃下去安不安全”（已经上市说明安全），只需要评估“这盒药能不能管住新病”。这正是药物重定位在研发链条中最迷人的地方——用最小的时间成本，挖掘最大的治疗价值。

数据基础

整理药箱时，光知道“有盒药”是不够的，你得知道药的成分、性状、适用人群。同样，药物重定位的起点是高质量的结构化数据。这就像给每一盒“老药”和每一种“新病”分别建立档案，再寻找档案之间的关联线索。

第一类数据是药物分子指纹（Molecular Fingerprint）。分子指纹是把药物的化学结构编码成二进制向量：某一位是 1 表示分子中存在某个特定子结构，0 表示不存在。类比来说，就像给一种药画了一张“化学结构素描”，骨架、侧链、官能团都在上面。常见的指纹包括 Morgan 指纹、MACCS 指纹等，它们是药物相似性计算的基础。

第二类是疾病靶点蛋白数据。疾病的发生往往与某些蛋白质的功能异常有关，这些蛋白质叫“靶点”。药物通过与靶点结合来发挥疗效，所以我们需要知道每个疾病对应哪些靶点、靶点的三维结构和序列是什么。这就像药箱整理师要知道“每种病是哪个零件（器官/蛋白）出了问题”。

第三类是药物-疾病关联数据，最著名的是 CTD（Comparative Toxicogenomics Database）。它整理了大量药物-基因-疾病之间的已知关系，相当于药箱里那本“祖传笔记本”，记录了谁治过谁、谁和谁有间接关系。把这些关联作为训练标签，模型就能学到“什么样的配对暗示存在治疗关系”。

可以说，没有数据，“老药新用”就只是凭运气翻药箱；有了药物分子指纹、靶点信息和 CTD 关联数据，我们才有了系统性的“药箱目录”，让算法可以按图索骥。

机器学习方法

有了药箱目录，接下来就要设计“找药规则”。最朴实的一类规则就是机器学习方法：从配对数据中提取特征，训练一个分类器，判断“这盒药适不适合这种病”。

第一步是特征工程构建。对于药物-疾病配对 $(d, t)$，我们需要构造一个联合特征向量。药物的分子指纹是一个向量，疾病的基因表达谱也是一个向量，将两者拼接、再补充一些交互特征（如药物靶点是否覆盖疾病关键基因），就形成了分类器的输入。这就像药箱整理师给每对“药-病”打分时，会综合看“药有没有相关成分”“病是什么机理”以及“药靶和病基因有没有交集”。

第二步是相似性评分。一种更直观的思路是：如果药物 $d_1$ 与已知能治疗疾病 $t$ 的药物 $d_2$ 高度相似，那 $d_1$ 也可能治疗 $t$。这称为“基于相似性的药物重定位”，常用 Jaccard 系数或余弦相似度计算药物间相似度。在药箱比喻里，就是“这盒新药和那盒特效药长得像亲兄弟，也许功效也类似”。

第三步是分类器预测。把特征向量输入逻辑回归、随机森林或支持向量机，输出该配对是否存在治疗关系的概率。训练时，我们使用 CTD 等数据库中的已知治疗关系作为正样本，随机采样的无关配对作为负样本。训练完成后，模型就可以对整个药-病配对矩阵打分，得分最高的配对就是重定位候选。

这类方法简单可解释，适合作为重定位任务的基线（Baseline）。药箱整理师如果时间紧，可以先按“相似药治相似病”的规则快速筛一轮，机器学习模型本质上是把这条规则量化成了千千万万个特征维度上的加权判断。

图神经网络

药箱整理师如果只按“药长得像不像”找药，会漏掉很多机会。现实中，药物、靶点、疾病之间往往通过复杂的网络相互关联：A 药作用于 B 靶点，B 靶点在 C 疾病的通路中高表达，那么 A 药可能与 C 疾病存在潜在关系。这种多跳关系，正是图神经网络（GNN）的用武之地。

分子图构建：首先将每个药物分子表示成一张图——原子是节点，化学键是边。一张分子图天然携带了原子类型、键类型和空间结构信息。类似地，把药物-靶点-疾病关系网络也构造成一个大图。于是我们有了两类图：微观的分子图，和宏观的知识关系图。

节点信息传递（Message Passing）：GNN 的核心操作是让每个节点不断聚合邻居节点的信息，更新自身表示。比如某个药物节点向邻居靶点节点“打听”：你被哪些疾病牵涉？经过 K 轮消息传递后，药物节点就掌握了多跳范围的信息。这就像药箱整理师托朋友打听：“这盒药认识的蛋白，还认识哪些病？”一轮打听不够，多问几轮信息越全。

图池化输出：经过多层消息传递后，整张分子图或子图会被汇聚（池化）成一个固定长度的向量，再送入分类层预测配对关系。图池化的方式包括平均池化（Mean Pooling）、注意力池化（Attention Pooling）等。

GNN 的强大之处在于它天然支持“多跳推理”：药物和疾病之间哪怕隔了三层关系，消息传递也能打通信息通路。药箱整理师的直觉再丰富，也不可能记住所有药物的社交网络；而 GNN 把这张巨大的“关系网”变成了可以高效计算的消息流。

深度学习进阶

如果 GNN 是“进阶版药箱整理师”，那么深度学习进阶方法就是“配备了大模型大脑的智能药箱系统”。这一层方法不再局限于图结构，而是把药物文本、蛋白质序列、知识图谱等多种模态统一融合，逼近人类专家综合判断的能力。

序列模型编码：药物小分子可以用 SMILES 字符串表示（一种用 ASCII 字符描述分子结构的线形符号），蛋白质靶点可以用氨基酸序列表示。这些本质上都是“序列数据”，可以用 RNN、Transformer 等序列模型编码成向量。就像药箱整理师不仅看药盒上的分子图，还读懂了说明书里的文字描述。

多模态融合：单一模态信息往往有局限，于是我们把分子指纹、分子图、SMILES 文本、蛋白质序列、疾病表型描述等不同来源的特征对齐到统一向量空间，再用注意力机制融合。这相当于把药的外形、气味、说明书、临床记录放在同一张工作台上综合判断。

知识图谱推理：构建包含药物、疾病、靶点、通路、副作用等实体及其关系的知识图谱，使用 TransE、RotatE 等知识图谱嵌入方法，把三元组（头实体、关系、尾实体）映射为向量计算，预测缺失的“药物-疾病”边。这就像药箱整理师不仅翻自己的笔记，还调用了一个全行业共享的“老药剂师百科”。

这一层进阶方法的意义在于，重定位决策不再依赖手工特征，而是让模型从海量生物医学数据中自己“悟”出规律。智能药箱系统越用越聪明，因为它见过的药、病、蛋白、文献比任何人类整理师都多几个数量级。

评估与验证

药箱整理师找到候选方案后，最关键的环节是“验证这个方案真的可行吗”？模型预测只是第一步，严谨的评估与实验验证才是闭环的关键。

交叉验证方案：在数据层面，我们将已知的药物-疾病关联随机划分成 k 份，轮流取其中一份作为验证集，剩余 k-1 份训练模型，最终报告平均性能。更严谨的做法是“冷启动”（Cold Start）划分：验证集中药物或疾病不出现在训练集中，模拟真实的新药、新病重定位场景。这就像让整理师考核时不能只考“药箱里见过的药”，还要考“新入箱的药”，才有实战意义。

AUC 评估指标：重定位任务通常存在严重的正负样本不平衡（已知治疗关系很少，无关配对极多）。AUC-ROC 曲线通过设置不同分类阈值，绘制真阳性率与假阳性率的曲线，AUC 值越接近 1，说明模型排序能力越强。AUC = 0.5 相当于随机猜测，0.8 以上在药物重定位任务中已经是很不错的水平。

湿实验验证：计算预测终归是“干实验”（In Silico），最终必须进入实验室，通过细胞实验、动物实验甚至临床试验验证候选药物确实有效。这就像药箱整理师再自信，新药给病人用之前也必须经过医生开具处方和观察期。AI 在这里的角色是“精准的筛选器”，而不是“最终拍板人”。

从交叉验证到 AUC 再到湿实验，药物重定位的评估逻辑和药箱整理师的工作流程如出一辙：先小范围模拟，再量化打分，最后真人试用。只有走完这个闭环，模型产出的“老药新用”候选才有资格进入临床。

AI 应用场景

Python 演示

import numpy as npfrom sklearn.ensemble import RandomForestClassifierfrom sklearn.model_selection import cross_val_score, train_test_splitfrom sklearn.metrics import roc_auc_score # 模拟数据：药物-疾病配对特征 (2000 对, 50 维)# 正样本：已知治疗关系 200 条；负样本：随机配对 1800 条rng = np.random.RandomState(42)  def load_features():    X = rng.rand(2000, 50)    y = np.zeros(2000)    y[:200] = 1  # 前 200 条为正样本    # 给正样本加入一些可学习信号：让后 10 维偏向高值    X[:200, -10:] += 0.8 * rng.rand(200, 10)    return X, y  def main():    X, y = load_features()    model = RandomForestClassifier(        n_estimators=100,        max_depth=8,        random_state=42    )    # 5 折交叉验证    cv_scores = cross_val_score(        model, X, y, cv=5, scoring="roc_auc"    )    print("5-fold CV AUC: %.3f (+/- %.3f)"          % (cv_scores.mean(), cv_scores.std()))    # 训练/测试划分，输出 AUC 指标    X_train, X_test, y_train, y_test = train_test_split(        X, y, test_size=0.2, random_state=42    )    model.fit(X_train, y_train)    pred = model.predict_proba(X_test)[:, 1]    print("Test AUC: %.3f" % roc_auc_score(y_test, pred))  if __name__ == "__main__":    main()

1. X = rng.rand(2000, 50)模拟 2000 条药物-疾病配对，每对 50 维特征（如分子指纹片段、靶点表达量）。
2. y[:200] = 1模拟已知治疗关系的正样本只有 200 条，符合真实场景中正样本稀少的特点。
3. X[:200, -10:] += 0.8 * rng.rand(200, 10)人为给正样本注入区分信号，让模型有规律可学，模拟真实可预测信息。
4. cross_val_score(model, X, y, cv=5, scoring="roc_auc")5 折交叉验证，评估模型对不同数据子集的稳定表现。
5. model.predict_proba(X_test)[:, 1]输出预测概率，再交给 roc_auc_score 计算 AUC，衡量排序能力。

常见误区

面试题