拓宽药物发现边界
传统药物研发通常从单一疾病驱动蛋白入手寻找激活/抑制剂，但多数疾病涉及多通路蛋白网络。哈佛医学院研究团队开发的PDGrapher突破单点思维模式，通过整合因果发现与几何深度学习，构建图神经网络模型，可模拟细胞病变状态干预后的基因表达变化，预测能逆转疾病状态的治疗靶点。
该工具通过分析疾病-治疗样本对数据，掌握细胞病变驱动机制并模拟干预效果。研究显示在19组癌症数据测试中，该模型成功识别训练集排除的已验证药物靶点，如TOP2A酶（现有化疗靶点）被证实对非小细胞肺癌具有新应用潜力，同时发现KDR（VEGFR2）作为潜在靶点，与临床证据吻合。
性能突破
PDGrapher在化学干预数据集的治疗靶点检出率比现有方法提升13.37%，基因干预数据集提升1.09%。其预测靶点在基因相互作用网络中与真实靶点的距离精度提升11.58%，排名准确度提升35%，运行速度达现有AI方法的25倍。哈佛医学院Marinka Zitnik教授比喻称："传统方法像盲试现有菜品，PDGrapher则能主动设计原料组合达到理想状态。"
未来应用
研究团队正将该模型应用于帕金森病和阿尔茨海默症研究，探索细胞健康恢复机制。该工具未来有望通过分析患者细胞特征图谱实现个性化医疗，并解析药物组合疗效机理，为疾病治疗提供新的研究路径。Zitnik教授表示："我们的最终目标是绘制逆转细胞病变的完整路线图。"
【Source】Gonzalez G等，Nature Biomedical Engineering（2025）doi:10.1038/s41551-025-01481-x
【全文结束】