新模型革新药物研发范式
在细胞层面精准识别疾病驱动基因并预测逆转疗法的人工智能工具诞生。该工具由哈佛医学院研发的PDGrapher模型实现，其突破传统单靶点药物研发思路，聚焦多因素疾病机制，为开发个体化治疗方案奠定基础。
核心进展
这项发表于《自然-生物医学工程》的研究显示，PDGrapher通过联邦资金支持研发的图神经网络技术，可同步解析细胞内基因、蛋白及信号通路的复杂关联，预测最优治疗组合。相较于传统从庞大药物库筛选的方式，该模型直接聚焦最可能逆转疾病的组合方案。
"传统研发犹如品尝数百道菜寻找完美味道，而PDGrapher就像掌握配方逻辑的主厨"，项目负责人Marinka Zitnik教授用烹饪类比技术突破。该技术已成功识别非小细胞肺癌的KDR（VEGFR2）靶点和TOP2A酶治疗靶点，后者作为化疗靶点的潜力获临床证据支持。
技术原理解析
PDGrapher采用图神经网络架构，突破性地建立数据点间的动态关联模型。在生物医学场景中，该工具能：
- 绘制疾病驱动的细胞元件图谱
- 模拟靶点干预后的细胞状态变化
- 预测逆转疾病表型的最佳组合方案
通过训练19个涵盖11类癌症的疾病细胞数据集，该模型展现出显著优势：
- 准确率提升35%
- 运算速度达现有工具25倍
- 发现TOP2A抑制剂可抑制肺癌转移的潜在机制
临床应用前景
当前团队正将技术拓展至神经退行性疾病研究：
- 帕金森病与阿尔茨海默症的脑细胞修复方案
- 与麻省总医院合作研发X-连锁肌张力障碍-帕金森综合征的靶向治疗
- 建立个体化治疗组合的"细胞逆转路线图"
Zitnik强调，该工具不仅能预测有效治疗方案，更重要的是揭示药物组合起效的因果机制，为生物医学发现提供新洞察。
研究支持
项目获得NIH、NSF等联邦机构及多家药企资助，部分研究成果已进入临床验证阶段。研究团队包含Guadalupe Gonzalez（现就职于基因泰克）等跨学科专家。
【全文结束】
