在药物研发领域的一项突破性进展中，哈佛医学院研究人员开发出名为PDGrapher的人工智能模型。该工具能够识别可逆转细胞病理状态的治疗干预靶点，通过锁定疾病驱动网络而非单一分子靶点，为复杂疾病的治疗开辟新路径。
传统药物研发通常聚焦单一蛋白质靶点的疗效验证，而PDGrapher采用整合策略，通过分析基因互作网络和信号通路的整体关联，发现纠正细胞功能障碍的最佳单药或联用靶点。该工具基于图神经网络（GNN）架构，通过模拟细胞内基因、蛋白和信号通路的复杂关系网，超越线性靶点识别模式，能预测哪些治疗干预可有效恢复细胞正常功能。
PDGrapher的核心在于：首先定位影响疾病表型的关键基因簇或通路，随后通过计算机模拟调控这些驱动区域。通过"关闭"或减弱这些驱动节点的活性，模型可预测细胞病变状态是否会被逆转。这种整体化治疗理念犹如经验丰富的厨师精准调配食材，而非随机试验。
在验证过程中，该模型通过包含治疗前后病变细胞的多样化数据集训练，成功在19个独立数据集（涵盖11种癌症）中预测有效治疗靶点。其不仅重现了故意排除的已知靶点，还发现新靶点——KDR（VEGFR2）被证实对非小细胞肺癌有效，TOP2A酶则成为某些肿瘤的关键靶点。
性能测试显示，PDGrapher在预测准确率提升最高达35%，数据处理速度提升25倍。其因果建模框架可解析组合药物效应的机制，为多因素疾病（如易产生耐药性的癌症）提供解决方案。研究团队正将其拓展至帕金森病等神经退行性疾病，并计划开发个体化医疗应用。
该成果由联邦机构、慈善组织和行业伙伴联合资助，PDGrapher的开源发布将推动全球科研界优化这一平台。作为融合因果生物学与图建模的范式革新，该技术有望加速复杂疾病治疗方案的研发进程。
【全文结束】
