多模态数据与人工智能时代的计算药物重定位
提交状态：开放
提交截止日期：2027年4月30日
药物重定位——为已批准药物或临床阶段候选药物识别新的治疗适应症——为向患者提供新治疗方法提供了最有效的策略之一。通过利用现有的安全性、药代动力学和制造数据，与传统的从头药物发现相比，药物重定位可以显著缩短研发时间并降低成本。然而，在当前的环境下，由于人类疾病生物学的复杂性和单一模态方法的局限性，药物重定位的全部潜力仍未得到充分发挥。
多模态生物医学数据（基因组学、转录组学、蛋白质组学、代谢组学、临床记录、真实世界证据、影像学、数字表型和不良事件报告）与先进的人工智能（AI）和机器学习方法的融合正在变革计算药物重定位。大型语言模型、图神经网络、多模态转换器、知识图谱嵌入和生成式AI现在能够以前所未有的规模和分辨率整合异构数据源。这些进展正在揭示隐藏的生物学联系，预测新的药物-疾病关联，并生成可在临床环境中快速测试的机制性假设。
npj Digital Medicine的这一特刊旨在展示计算药物重定位、多模态数据科学和人工智能交叉领域的尖端研究和思想领导力。我们欢迎针对这一快速发展领域中的方法学创新、验证策略、临床转化、伦理考量和现实影响的原创研究文章、综合评论和观点文章。
感兴趣的主题包括（但不限于）：
- 多模态组学、电子健康记录、不良反应报告和数字传感器数据在药物重定位中的整合
- 人工智能驱动的方法，包括用于适应症扩展的深度学习、强化学习和生成模型
- 用于药物-靶点-疾病网络的知识图谱构建、嵌入和推理
- 药物重定位预测中的因果推断和反事实建模
- 用于临床接受和转化的可解释AI和模型可解释性
- 人工智能赋能的药物重定位中的法律和监管考量
- 展示从计算预测成功转化为临床结果的案例研究
- 用于计算药物发现社区的基准测试数据集、平台和开源工具
我们特别鼓励提交那些展示临床相关性、解决健康差异或应对复杂多因素疾病（例如神经退行性疾病、癌症、罕见疾病、传染病或免疫介导疾病）的研究，在这些领域中，药物重定位可能产生巨大影响。
该特刊将为寻求利用多模态数据和人工智能力量加速治疗创新的研究人员、临床医生、数据科学家、制药开发商和政策制定者提供及时的资源。通过强调基于生物学和临床现实的严格计算方法，我们旨在推动该领域向更可预测、更高效和更公平的药物重定位迈进。
编辑：
- 胡浩，博士（中国澳门大学）
- 李明远，博士（中国香港理工大学）
【全文结束】