想象你是一位星探，在练习生堆里发现一个年轻人：台风稳健、形象独特。但签不签，你得先弄清几件事——他和已出道的顶流是不是撞了人设？他的舞台表现力够不够？观众会不会买单？他有没有黑历史？他是不是早就签了竞品公司？药物靶点评估，就是制药界的星探尽职调查。AI制药时代，计算科学家用数据为成千上万个候选靶点画像，把直觉变成分数，把风险摊在台面上，最终选出真正值得开发的“明日之星”。

岗位关联

对AI从业者而言，掌握这套评估策略等于掌握了药物发现中“选对方向”的硬技能：既能读懂药企立项逻辑，也能用数据工具独立构建可解释的靶点评分系统。

目录
  1. 可视化演示
  2. 靶点评估起点
  3. 新颖性核心指标
  4. 可成药性评估
  5. 生物学合理性
  6. 安全性评估
  7. 数据证据链
  8. 知识产权分析
  9. 工具链与实战
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

展示靶点新颖性多维评分、知识图谱全景分析和风险收益权衡决策，理解AI驱动的药物靶点评估核心方法。

本节配有交互动效（进入视口后自动加载，约 3KB）。

靶点新颖性多维评分 文献密度：评估靶点在已发表文献中的研究热度 专利布局：分析靶点相关专利的竞争密度 N = Σ(w_i × s_i) 加权综合评分

靶点评估起点

选秀节目的星探在签约前，心里会快速过一遍清单：这位新人有没有辨识度、上不上镜、观众缘好不好、有没有黑历史、是否已经签了竞品公司。药物靶点评估，就是制药行业的“星探清单”。所谓药物靶点，是疾病通路里“牵一发动全身”的关键分子，通常是一个蛋白或基因——药物想要治病，得先精准地“握住”它。

在AI制药的语境里，星探的直觉被翻译成可计算的五维分数：新颖性对应辨识度，可成药性对应镜头感，生物学合理性对应观众缘，安全性对应黑历史，知识产权空间对应竞品合同。五个维度分别打分，再用权重合成一个综合潜力分。综合分的公式非常直白：

最后的决策永远不是“数学公式自动拍板”，而是评分员结合证据与风险做的“星探签字”。清单列清楚了，后面的环节就是一项项把感受变成数字。

Stotal=w1N+w2D+w3B+w4A+w5R\displaystyle S_{\text{total}} = w_1N + w_2D + w_3B + w_4A + w_5R
这个公式是说：把五个维度的分数乘上各自权重再相加，就是靶点总得分。
  1. 五个维度得分N是新颖性、D是可成药性、B是生物学合理性、A是安全性、R是知识产权空间，各维先压缩到0到1之间。
    N,D,B,A,RN, D, B, A, R
  2. 设定权重w1到w5是项目团队按风险偏好配置的权重，权重之和为1。想主攻新靶点，就把新颖性权重调高。
    w1+w2+w3+w4+w5=1w_1 + w_2 + w_3 + w_4 + w_5 = 1
  3. 加权求和每个维度分数乘对应权重，逐项相加得到综合潜力分。
    Stotal=∑i=15wixiS_{\text{total}} = \sum_{i=1}^{5} w_i x_i
  4. 阈值放行总分超过项目预设的阈值λ，才进入下一阶段筛选。
    Stotal≥λS_{\text{total}} \ge \lambda

新颖性核心指标

节目组最怕听到的词是“我们找到了一位顶流2.0”——撞脸等于没有辨识度，观众不会为复制品买单。靶点新颖性评估，就是在回答同一个问题：这个新靶点，跟已经进入临床甚至上市的药靶，到底有多像？

要量化“像不像”，先得把蛋白序列变成特征集合：把序列切成固定长度的k-mer片段，就像把一张人脸照片切成鼻子、眼睛、嘴的特征碎片。这个算法叫Tanimoto系数，你可以把它理解成特征重叠率的标准化——候选靶点与已知靶点共享的特征越多，相似度越高：

实践中，新颖度低于0.1基本是“撞脸”，大于0.3才值得作为新方向立项。如果一个靶点在数据库里查不到任何已知功能注释，往往暗示它是一块未被开发的处女地。等级上一般分成高中低三档：高新颖度优先推进，中等持续跟踪，低新颖度暂缓投入。不过思路要开放：有些靶点序列不相似，但三维结构高度相似，照样会“撞脸”——所以“撞脸”检测还要补上结构比对和通路归属分析。辨识度是入场券，但只有入场券还不能出道。

N=1−max⁡i(ca+b−c)\displaystyle N = 1 - \max_i \left( \frac{c}{a + b - c} \right)
先算出候选靶点与每一个已知靶点的相似度，找到那个“最像”的已知靶点，再用1减掉它，得到新颖度。
  1. 抽取特征集合把蛋白序列切成k-mer片段，候选靶点和已知靶点都转成集合。
    T={k1,k2,…,ka}T = \{k_1, k_2, \dots, k_a\}
  2. 交集与总数c是两个集合共有的k-mer数，a与b分别是两个集合的元素总数。
    c=∣Tcand∩Tknown,i∣c = |T_{\text{cand}} \cap T_{\text{known}, i}|
  3. 求相似度用Tanimoto公式计算候选与第i个已知靶点的相似度。
    ca+b−c\frac{c}{a + b - c}
  4. 取反得新颖度遍历全部已知靶点，取最大相似度，再用1减去，就得到新颖性分数。
    N=1−max⁡ica+b−cN = 1 - \max_i \frac{c}{a + b - c}

可成药性评估

有辨识度不等于能出道。有些新人五官立体，一上镜就僵硬；靶点也一样，蛋白三维结构上必须有一个“适合镜头特写的口袋”——能容纳药物分子，并且有足够的结合位点。这个口袋就叫可成药结合口袋。

AI时代的可成药性评估，先由AlphaFold等工具预测蛋白结构，再用口袋检测算法找出空腔，计算口袋体积、疏水性、氢键供体数量等几何化学属性。口袋体积是经验上最敏感的信号，用小分子的“镜头感”做成一个Sigmoid打分：

除了体积，口袋的疏水核心、芳香环朝向、溶剂可及表面积等指标也被纳入SiteMap等多工具综合打分。可成药性决定的是“能不能做”，它不是新颖性的替代品，而是彼此的互补条件——一张脸再独特，不上镜也白搭。

D=11+e−k(V−V0)\displaystyle D = \frac{1}{1 + e^{-k(V - V_0)}}
口袋体积V越大，越容易容纳药物分子；这个公式把它平滑地映射到0到1的可成药性分数。
  1. 计算口袋体积从蛋白结构里识别出结合口袋并计算体积V，单位常用立方埃。
    V=pocket volume (A˚3)V = \text{pocket volume}\ (\text{Å}^3)
  2. 设定经验阈值大量药物复合物统计显示，口袋体积大约在三百立方埃以上才“够用”。
    V0≈300V_0 \approx 300
  3. Sigmoid归一化用Sigmoid函数将V压缩到0到1之间，V越小分数越接近0。
    D=11+e−k(V−V0)D = \frac{1}{1 + e^{-k(V - V_0)}}
  4. 陡峭系数调节k控制从“不可成药”到“可成药”的过渡速度，k越大越像一刀切的阈值。
    k>0k > 0

生物学合理性

辨识度和镜头感都有了，星探还要回答最后一个商业问题：观众真的会为这个人付费吗？对应到靶点，就是“这个靶点真的跟疾病有因果关联吗？”生物学合理性，是靶点评估里最容易出错的一环：很多人把“在疾病组织中表达高”当成靶点有效，但表达高可能只是炎症的“路人”，不是惹事的“主谋”。

最常用的量化工具是病例对照的比值比。以某个基因变异为例，把人群分成患病和健康两组，再统计携带与不携带该变异的人数，组成四格表：

此外，还要看靶点在信号通路里的位置：处在枢纽位置的分子，干预效果往往更显著；基因敲除小鼠的表型、人群遗传学的孟德尔随机化证据，都能为“观众缘”提供背书。一句话：表达量是热度，因果关联才是真金白银。

OR=a×db×c\displaystyle \text{OR} = \frac{a \times d}{b \times c}
这个公式比较了患病者与健康者携带变异的相对密度。OR大于1说明变异与疾病正相关，小于1是保护因素，等于1是无关。
  1. 构造四格表a是患病且携带变异的人数，b是健康且携带的人数，c是患病未携带，d是健康未携带。
    casecontrolcarrierabnon-carriercd\begin{array}{c|cc} & \text{case} & \text{control} \\ \hline \text{carrier} & a & b \\ \text{non-carrier} & c & d \end{array}
  2. 计算患病组暴露比患病组中携带者与未携带者的比值为a/c。
    ac\frac{a}{c}
  3. 计算健康组暴露比健康组中携带者与未携带者的比值为b/d。
    bd\frac{b}{d}
  4. 两者相除两个比值再相除，化简得到ad/(bc)，即为比值比OR。
    OR=a/cb/d=adbc\text{OR} = \frac{a / c}{b / d} = \frac{ad}{bc}

安全性评估

星探签约前必做背调：翻聊天记录、问前经纪人、查有没有被粉丝“切片”的黑历史。靶点的背调叫安全性评估——一个靶点即使新颖、可成药、与疾病相关，如果干预它会引起严重毒副作用，项目照样会被一票否决。

安全性评估包含两层：一是脱靶效应预测——候选药物会不会因为跟靶点结构相似，误伤了其他蛋白；二是组织表达风险——靶点在正常组织中的表达范围决定了药物会造成多大面积的“误伤”。把两者浓缩成一个数字，就是安全窗口：

还要留意神经系统靶点——神经元损伤不可逆，表达谱中一旦出现大脑富集信号，筛查标准会被自动收紧。背调不能只看一页纸，安全性永远是“红线”而非“加分项”。

SW=IC50off-targetIC50on-target\displaystyle \text{SW} = \frac{\text{IC}_{50}^{\text{off-target}}}{\text{IC}_{50}^{\text{on-target}}}
安全窗口等于“误伤其他蛋白所需的剂量”除以“抑制目标所需的剂量”。这个比值越大，越有把握在有效剂量下不产生脱靶毒性。
  1. 测定主靶点效力用体外实验测出药物抑制目标靶点的半数抑制浓度。
    IC50on-target\text{IC}_{50}^{\text{on-target}}
  2. 测定脱靶活性在脱靶安全panel上测出抑制其他蛋白的浓度。
    IC50off-target\text{IC}_{50}^{\text{off-target}}
  3. 计算比值脱靶浓度除以靶点浓度，得到安全窗口。
    SW=IC50off-targetIC50on-target\text{SW} = \frac{\text{IC}_{50}^{\text{off-target}}}{\text{IC}_{50}^{\text{on-target}}}
  4. 经验判读SW大于10通常可以接受，小于3则需要重新评估项目风险。
    SW>10⇒worth pushing\text{SW} > 10 \Rightarrow \text{worth pushing}

数据证据链

开一场选秀节目，星探不会只听一位评委的话。基因组学、转录组学、蛋白组学、临床样本，相当于小学老师、舞蹈教练、前经纪人和街坊邻居——每人提供一段独立证词，合在一起才能交叉验证这个靶点“真的行”。这就是数据证据链。

真正的风险在于：单一组学的“证词”可能撒谎。基因突变多不代表蛋白表达高，蛋白表达高不代表在疾病通路中起作用。于是评估系统把每层证据单独打分，再按证据强度加权平均：

可以这样理解：如果只有一组转录组数据，哪怕差异倍数非常显著，也只能算“一面之词”。多组学交叉验证后再定级，数据的含金量才配得上开发管线的烧钱速度。

E=∑iwiei∑iwi\displaystyle E = \frac{\sum_{i} w_i e_i}{\sum_i w_i}
每种组学证据先打一个0到1的可信分，再乘上各自的权重求平均，得到靶点的数据支撑强度。
  1. 分层打分各组学证据独立处理，比如基因组学给e1分、蛋白组学给e2分。
    ei∈[0,1]e_i \in [0, 1]
  2. 设定证据权重功能验证类证据权重最高，间接关联类权重低。
    wi≥0w_i \geq 0
  3. 加权平均每层分数乘以权重后求和，再除以权重总和，避免权重和不为1时出错。
    E=∑iwiei∑iwiE = \frac{\sum_i w_i e_i}{\sum_i w_i}
  4. 质量控制样本量小、可信度低的证据会被降权，防止“孤证”拉高总分。

知识产权分析

选秀行业有一条红线：新人如果已经签了竞品公司的合约，再优秀也不能碰。药物靶点领域对应着同一件事——知识产权空间。你的靶点再新颖，如果别人早就用分子专利把这片海域圈了起来，开发就意味着侵权诉讼。

知识产权分析的第一步是做“专利空间扫描”：把靶点相关的专利族全部捞出来，逐件看权利要求覆盖范围。每件专利对目标分子的覆盖度记作C_i，单项专利覆盖度越高，“圈地”越严重。用1减去最大覆盖度，得到自由开发空间FTO：

需要特别当心“同族专利”：同一核心专利在全球各国都注册了，逐国分析才算数。有些公司故意在早期用占坑专利布局，比创新还快。所以FTO分析常常和靶点评估同步进行——等到立项后再发现“海域已被占”，性价比就太低了。

FTO=1−max⁡iCi(T)\displaystyle \text{FTO} = 1 - \max_i C_i(T)
FTO是“Freedom to Operate”的缩写，意思是商业上能自由操作的空间。这个值越接近1，专利障碍越小。
  1. 收集专利族检索并去重，得到与靶点T相关的m件专利或专利族。
    {P1,P2,…,Pm}\{P_1, P_2, \dots, P_m\}
  2. 逐件计算覆盖度读权利要求，估计该专利对候选分子的覆盖比例。
    Ci(T)∈[0,1]C_i(T) \in [0,1]
  3. 取最大覆盖找最危险的那件专利，它的覆盖度记录为max。
    max⁡iCi(T)\max_i C_i(T)
  4. 换算自由度1减去最大覆盖度，得到FTO。
    FTO=1−max⁡iCi(T)\text{FTO} = 1 - \max_i C_i(T)

工具链与实战

当星探把清单、背调、试镜流程固化下来，形成一套标准选秀工具包，评估就从“个人经验”变成了“工业流程”。靶点评估的工具链包括三部分：Open Targets、DisGeNET等数据库负责提供“档案”；AlphaFold、SiteMap、ChEMBL等平台负责算“镜头感”；最终由自动化管线把各组分数打包成决策建议。

决策建议的规则往往长这样：

回顾整个流程：先看辨识度，再量上镜能力，然后考察观众缘，做完背调，核实履历，查合同——最后签字还是放弃，每一步都有据可查。这种系统化打法，正是AI制药从“明星个案”走向“工业化造星”的关键。

Accept iff Stotal≥λ and N≥Nmin⁡ and A≥Amin⁡\displaystyle \text{Accept iff } S_{\text{total}} \ge \lambda \ \text{and} \ N \ge N_{\min} \ \text{and} \ A \ge A_{\min}
这句话的意思是：综合分、新颖度、安全性三个门槛同时通过，靶点才进入下一阶段。
  1. 总分门槛综合潜力分不低于λ，保证整体质量达标。
    Stotal≥λS_{\text{total}} \ge \lambda
  2. 新颖性门槛新颖度不低于N_min，保证差异化，避免同质化内卷。
    N≥Nmin⁡N \ge N_{\min}
  3. 安全性门槛安全窗口不低于A_min，把风险提前挡在临床前。
    A≥Amin⁡A \ge A_{\min}
  4. 逻辑与三个条件用“and”连接，任何一个不满足都暂时搁置。
    Accept iff Stotal≥λ and N≥Nmin⁡ and A≥Amin⁡\text{Accept iff } S_{\text{total}} \ge \lambda \ \text{and} \ N \ge N_{\min} \ \text{and} \ A \ge A_{\min}

AI 应用场景

AI制药公司的靶点立项评估

阶段：靶点发现与项目立项

解决的问题：传统靶点评估靠专家手工检索文献和数据库，一个靶点要花费数周，结论还常随专家偏好漂移。AI评估把五维打分与证据链自动化，把评估周期压缩到数小时，并且输出可复核的解释报告。

具体案例：某AI制药公司评估一个新亚型激酶靶点。Tanimoto新颖度0.41，AlphaFold预测口袋体积达标，病例对照OR=2.3，安全窗口大于100，专利覆盖度0.2。综合分0.78，系统输出“B级，进入临床前验证”，并自动生成“需要补充动物模型敲除数据”的下一步建议。

CRO提供靶点评级报告服务

阶段：跨团队评估服务

解决的问题：生物初创公司各有零散的数据和结论，CRO需要统一评估口径。AI工具链让“评估标准”变成可复用的服务产品，一批次就能跑完数百个候选靶点。

具体案例：某CRO在48小时内完成从序列输入到五维评分报告的自动生成，输出A/B/C三级靶点清单。A级靶点被多家企业授权推进，评估模型本身也成为公司核心资产。

Python 演示

python80 行
#!/usr/bin/env python3# -*- coding: utf-8 -*-"""Drug target novelty and comprehensive scoring demo.""" KNOWN_TARGETS = {    "EGFR": "MIPGTNKLSEDRAQCSLLPIVTQHLFG",    "HER2": "MLPSKRTASVCGLLPFLVQGSSVQIM",    "PD1": "MAGVLQIPYAWPFVSLAVFFFFATVVH",    "VEGFA": "MNFLLSWVHWSLALLLYLHHAKWSQA",    "BRAF": "MIENGSPTPQRRASVNTFMGHLQSSEG",} CANDIDATE = {    "CDK4": "MDLAFQVPPRPNIQKVSGNTMADILK",} WEIGHTS = {    "novelty": 0.35,    "druggability": 0.25,    "biology": 0.20,    "safety": 0.20,}  def kmerize(seq, k=3):    return {seq[i:i + k] for i in range(len(seq) - k + 1)}  def tanimoto(seq_a, seq_b, k=3):    set_a = kmerize(seq_a, k)    set_b = kmerize(seq_b, k)    inter = len(set_a & set_b)    union = len(set_a | set_b)    return inter / union if union else 0.0  def evaluate_target(name, seq, known_targets, weights):    sims = [tanimoto(seq, k) for k in known_targets.values()]    max_sim = max(sims)    novelty = 1.0 - max_sim     druggability = 0.82    biology = 0.67    safety = 0.75     total = 0.0    total += weights["novelty"] * novelty    total += weights["druggability"] * druggability    total += weights["biology"] * biology    total += weights["safety"] * safety    return max_sim, novelty, druggability, biology, safety, total  def main():    name, seq = list(CANDIDATE.items())[0]    max_sim, novelty, druggability, biology, safety, total = evaluate_target(        name, seq, KNOWN_TARGETS, WEIGHTS    )     print("=" * 44)    print("candidate target: {}".format(name))    print("=" * 44)    print("max similarity to known targets: {:.2f}".format(max_sim))    print("novelty score: {:.2f}".format(novelty))    print("druggability score: {:.2f}".format(druggability))    print("biology evidence score: {:.2f}".format(biology))    print("safety window score: {:.2f}".format(safety))    print("comprehensive score: {:.2f}".format(total))     if total >= 0.55 and novelty >= 0.30:        print("verdict: enter preclinical development")    elif total >= 0.55:        print("verdict: keep watching, novelty needs polish")    else:        print("verdict: pause, recheck evidence")    print("=" * 44)  if __name__ == "__main__":    main()
目的：演示候选靶点CDK4与已知靶点库逐一比对，用Tanimoto系数计算新颖度，并结合可成药性、生物学证据、安全性加权得到综合评分与立项建议。
  1. return {seq[i:i + k] for i in range(len(seq) - k + 1)}把蛋白序列切成k-mer碎片集合，相当于提取“五官特征”。
  2. inter = len(set_a & set_b)计算两个特征集合的交集大小，即双方共有的特征数c。
  3. union = len(set_a | set_b)计算并集大小，这是Tanimoto分母，能消除序列长度差异。
  4. novelty = 1.0 - max_sim用1减掉与最近已知靶点的最大相似度，得到辨识度。
  5. total += weights["novelty"] * novelty将新颖性按权重累加进总评。
  6. if total >= 0.55 and novelty >= 0.30:总分与新颖度同时过线，才建议进入临床前开发。

常见误区

误区作为初学者，我会觉得新颖度0.9的靶点一定比0.3的强，越独特越值得投入重金，毕竟物以稀为贵。

正解新颖性只是入场券。极端新颖往往意味着生物学功能未被探明，实验验证成本高、失败风险大，甚至可能是“长得奇怪但根本治不了病”的靶点。星探挑新人也不会选一个从未上过台、无法沟通的怪人。评估还要同时看可成药性、生物学合理性、安全性，综合评分才是立项依据。

为何常见：人们容易把“差异化”自动等同于“优秀”，却忘了辨识度必须与实力、可验证性配合，才能兑现成商业价值。

误区我以为只要把两条蛋白序列跑一下比对，算出相似度，新颖性评估就完成了，序列越长结果越可信。

正解序列可以完全不同，但三维结构高度相似，照样会“撞脸”；反过来，序列相似但分布在两条不同通路，干扰效果可能天差地别。所以新颖性评估要叠加结构比对、通路归属和功能注释。星探不会只看一张照片，还要看现场表演和生活轨迹。

为何常见：序列比对工具最方便，一键出结果，容易让人产生“算过即懂”的错觉。

误区我看到某个基因在肿瘤组织中表达显著上调，就兴奋地宣布“发现了一个新靶点”，觉得表达差异已经给出了答案。

正解表达变化很多时候是疾病的“伴随者”而非“肇事者”。要确认因果关系，需要病例对照OR、敲除表型、孟德尔随机化等多层次证据。高表达只是“流量”，不能证明“号召力”。星探不会因为练习生人气高就直接签约，还要看实力与品性。

为何常见：转录组数据最容易拿到，差异表达一跑就是一堆显著基因，显著性很容易被误当成因果性。

误区我把FTO理解成“有没有专利”，看到没有专利就高呼安全，看到有专利就直接放弃。

正解专利申请有18个月公开期，表面“干净”不代表地下没有布局；还要看权利要求的具体覆盖度，一件占坑的早期专利可能覆盖整个分子机制。FTO是“1减最大覆盖度”的连续值，需要专业检索与法律尽调。星探查合同，也得找到真合同再看条款。

为何常见：专利检索门槛高，非专业人士只能看到公开数据库的表层，容易把“看不到”当成“不存在”。

误区我觉得只要把靶点数据喂给自动化评估工具，输出综合分，就能直接拍板立项，工具说行就上。

正解综合分是决策辅助，不是决策本身。数据质量、样本代表性、专利策略、监管环境都要人工复核。AI工具是星探的仪表盘，方向盘还是握在资深评委手里。项目立项是多方利益与风险的博弈，不能交给一个黑箱数字。

为何常见：自动化流程让结果看起来很“客观”，人们容易把数字的精确与判断的正确混为一谈。

面试题

Q1. 靶点新颖性评估最直接回答的问题是？

单选题 · easy

  • A.优化化合物的溶解性
  • B.度量靶点间的相似程度← 正确答案
  • C.降低候选分子的毒性
  • D.缩短临床实验的周期

答案：B。新颖性评估的核心是拿候选靶点与已知靶点从头比一遍，度量相似度再转换成辨识度。溶解性、毒性、周期都属于后续成药优化范畴，不是新颖性要回答的问题。

Q2. Tanimoto相似度公式中的分母表示什么含义？

单选题 · mid

  • A.两个特征集合的并集大小← 正确答案
  • B.两个特征集合的交集大小
  • C.候选特征的集合大小
  • D.已知特征的集合大小

答案：A。Tanimoto系数等于交集大小除以并集大小，分母a加b减c正是并集。它同时归一化了集合规模差异，让相似度落在0到1之间。

Q3. 安全窗口SW的正确计算方式是？

单选题 · mid

  • A.用脱靶IC50除以主靶IC50← 正确答案
  • B.用主靶IC50除以脱靶IC50
  • C.用主靶IC50减去脱靶IC50
  • D.用EC50减去IC50再除以2

答案：A。SW等于脱靶半数抑制浓度除以主靶半数抑制浓度。比值越大，意味着达到有效剂量时离脱靶毒性浓度还很远。B把分子分母写反，C、D是无关运算。

Q4. 靶点可成药性差通常指的是？

单选题 · easy

  • A.靶点与疾病并没有明确关联
  • B.缺失合适的小分子结合位点← 正确答案
  • C.靶点在正常组织中表达过低
  • D.靶点的专利已经被别人占据

答案：B。可成药性关心的就是有没有适合小分子结合的口袋。没有口袋，药物分子无从下口。A属于生物学合理性，C属于表达风险，D属于知识产权空间。

Q5. FTO数值等于1，表示靶点？

单选题 · mid

  • A.被专利保护覆盖程度最高
  • B.拥有完全自由的开发空间← 正确答案
  • C.靶点没有任何临床数据
  • D.靶点在人体中表达很少

答案：B。FTO等于1减最大专利覆盖度，等于1意味着没有专利障碍，可以自由开展研发。A对应FTO等于0，C和D与专利问题无关。

Q6. 靶点综合评估通常包含哪些维度？

多选题 · easy

  • A.新颖性评估得分← 正确答案
  • B.可成药性评估得分← 正确答案
  • C.生物学合理性评估← 正确答案
  • D.市场热度评估得分

答案：ABC。五维框架包括新颖性、可成药性、生物学合理性、安全性、知识产权。市场热度不是评估维度，靶点评估不看“炒作流量”，只看科学证据。

Q7. 病例对照研究算得某变异OR等于1.5，最合理的解读是？

单选题 · hard

  • A.该变异属于保护性因素
  • B.变异与疾病没有相关
  • C.携带变异增加患病风险← 正确答案
  • D.携带变异一定会患病

答案：C。OR大于1表示变异与疾病正相关，携带者患病风险更高。保护性因素应OR小于1，OR等于1才意味着无关。OR等于1.5只是风险提示，不构成“必然患病”。

Q8. 多组学证据链通常包含哪些证据层？

多选题 · mid

  • A.基因组学证据← 正确答案
  • B.转录组学证据← 正确答案
  • C.蛋白质组学证据← 正确答案
  • D.用户反馈收集

答案：ABC。基因组、转录组、蛋白组、临床样本等构成证据链，用于交叉验证靶点与疾病的关联。用户反馈属于商业运营，与生物学证据无关。

Q9. 关于靶点评分计算，下列哪些说法正确？

多选题 · hard

  • A.新颖度等于一减去最大相似度← 正确答案
  • B.自由度等于一减去专利覆盖度← 正确答案
  • C.安全窗口数值越大风险越低← 正确答案
  • D.口袋体积越深可成药性越高

答案：ABC。新颖度、FTO、SW分别对应A、B、C三个定义，方向都是“越大越有利”。可成药性要求口袋足够且形状合理，不是越深越好，D说法过于绝对。

Q10. 评估靶点疾病关联时，置换检验的主要作用是？

单选题 · extreme

  • A.精确计算靶点表达水平
  • B.检验关联是否显著超过随机← 正确答案
  • C.预测靶点蛋白三维结构
  • D.计算靶点间的相似系数

答案：B。置换检验通过随机打乱标签构造零分布，观察真实统计量是否落在分布尾部，以判断关联是否显著。表达水平、结构预测、相似度计算都各有专属算法，不用置换检验。