一、引言：罕見病的困境與AI破局的曙光演講人01引言：罕見病的困境與AI破局的曙光02數(shù)據(jù)困境：罕見病靶點發(fā)現(xiàn)的傳統(tǒng)瓶頸03AI賦能：從數(shù)據(jù)整合到靶點預(yù)測的范式革新04實踐路徑：AI驅(qū)動靶點發(fā)現(xiàn)的典型應(yīng)用場景05挑戰(zhàn)與展望：AI驅(qū)動靶點發(fā)現(xiàn)的未來方向06結(jié)語：從數(shù)據(jù)到希望，AI點亮罕見病的未來目錄AI驅(qū)動罕見病靶點發(fā)現(xiàn)：從數(shù)據(jù)到希望AI驅(qū)動罕見病靶點發(fā)現(xiàn)：從數(shù)據(jù)到希望01引言：罕見病的困境與AI破局的曙光引言：罕見病的困境與AI破局的曙光在醫(yī)學的長河中，罕見病如散落的星辰，雖個體閃耀，卻因數(shù)量稀疏而長期被忽視。全球已知的罕見病超過7000種，其中約80%為遺傳性疾病，患者總數(shù)超3億。然而，由于發(fā)病率低（通常<1/2000）、臨床表現(xiàn)異質(zhì)性強、研究資源匱乏，罕見病的靶點發(fā)現(xiàn)與藥物開發(fā)堪稱醫(yī)學領(lǐng)域“最難啃的骨頭”。傳統(tǒng)靶點發(fā)現(xiàn)依賴“假設(shè)驅(qū)動”的研究范式，通過已知病理機制反向篩選候選靶點，但多數(shù)罕見病機制未明，導致靶點識別效率低下、周期漫長（平均耗時10-15年），且失敗率超過90%。我曾參與一個脊髓性肌萎縮癥（SMA）的研究項目，面對患兒家長“孩子還能跑嗎”的追問，我們僅通過候選基因篩查就耗費了6個月，最終仍難以鎖定有效靶點。這種無力感讓我深刻意識到：當數(shù)據(jù)成為瓶頸，我們需要一場范式的革新。引言：罕見病的困境與AI破局的曙光近年來，人工智能（AI）技術(shù)的崛起為罕見病靶點發(fā)現(xiàn)帶來了前所未有的機遇。AI憑借強大的數(shù)據(jù)處理能力、模式識別能力和預(yù)測能力，能夠從海量、異構(gòu)的數(shù)據(jù)中挖掘傳統(tǒng)方法難以捕捉的生物學關(guān)聯(lián)，將“數(shù)據(jù)”轉(zhuǎn)化為“靶點”，再將“靶點”轉(zhuǎn)化為“希望”。本文將從數(shù)據(jù)困境出發(fā)，系統(tǒng)闡述AI如何重塑罕見病靶點發(fā)現(xiàn)的全流程，并結(jié)合實踐案例與前沿思考，探討這一領(lǐng)域的未來圖景。02數(shù)據(jù)困境：罕見病靶點發(fā)現(xiàn)的傳統(tǒng)瓶頸罕見病數(shù)據(jù)的“三重困境”數(shù)據(jù)稀疏性與異質(zhì)性罕見病患者數(shù)量少且分散，導致臨床數(shù)據(jù)（如電子病歷、影像學資料、實驗室檢查）樣本量嚴重不足。同時，不同患者間的表型差異極大，同一罕見病可能呈現(xiàn)數(shù)十種不同的臨床表現(xiàn)，形成“同病異象”或“異病同象”的復(fù)雜局面。例如，結(jié)節(jié)性硬化癥（TSC）患者可表現(xiàn)為癲癇、智力障礙或皮膚血管瘤，表型異質(zhì)性極大，傳統(tǒng)統(tǒng)計方法難以從中提取有效特征。罕見病數(shù)據(jù)的“三重困境”多組學數(shù)據(jù)的“孤島效應(yīng)”罕見病的發(fā)病機制往往涉及基因組、轉(zhuǎn)錄組、蛋白組、代謝組等多層面的異常，但這些數(shù)據(jù)分散在公共數(shù)據(jù)庫（如ClinVar、gnomAD、GTEx）、科研機構(gòu)和醫(yī)院中，格式不統(tǒng)一（如VCF、BED、FASTQ）、質(zhì)量控制標準不一，形成“數(shù)據(jù)孤島”。以基因組數(shù)據(jù)為例，僅0.1%的罕見病患者能通過全外顯子測序（WES）或全基因組測序（WGS）明確致病基因，而后續(xù)的功能驗證（如CRISPR篩選、類器官模型）又面臨成本高、通量低的問題。罕見病數(shù)據(jù)的“三重困境”機制認知的“空白地帶”約50%的罕見病至今未明確致病機制，即使已知致病基因，其對下游通路的影響（如信號調(diào)控、蛋白互作）仍不清晰。例如，杜氏肌營養(yǎng)不良癥（DMD）的致病基因DMD編碼抗肌萎縮蛋白（dystrophin），但dystrophin缺失后如何導致肌細胞凋亡，仍存在多條潛在通路（如鈣穩(wěn)態(tài)失衡、炎癥反應(yīng)），傳統(tǒng)機制研究難以全面覆蓋。傳統(tǒng)靶點發(fā)現(xiàn)范式的局限性候選基因篩選效率低下傳統(tǒng)方法依賴“關(guān)聯(lián)分析+功能注釋”，如通過全基因組關(guān)聯(lián)研究（GWAS）定位風險位點，再通過基因本體論（GO）注釋篩選功能相關(guān)的基因。但GWAS需要大樣本量（通常>10,000例），罕見病患者樣本難以滿足；而功能注釋依賴現(xiàn)有知識庫，對未知功能基因的識別能力有限。傳統(tǒng)靶點發(fā)現(xiàn)范式的局限性靶點驗證周期漫長即使通過生物信息學篩選出候選靶點，仍需通過體外實驗（如細胞模型）、體內(nèi)實驗（如動物模型）進行驗證。例如，針對某個罕見病的候選靶點，構(gòu)建基因敲除小鼠需6-12個月，且動物模型往往無法完全模擬人類疾病表型，導致“臨床前有效，臨床試驗失敗”的困境。傳統(tǒng)靶點發(fā)現(xiàn)范式的局限性跨學科協(xié)作壁壘罕見病靶點發(fā)現(xiàn)需要臨床醫(yī)學、遺傳學、分子生物學、計算生物學等多學科交叉，但傳統(tǒng)研究模式中各學科“各自為戰(zhàn)”：臨床醫(yī)生提供病例數(shù)據(jù)，生物學家開展實驗驗證，計算科學家構(gòu)建模型，缺乏統(tǒng)一的數(shù)據(jù)共享與協(xié)作平臺，導致研究效率低下。03AI賦能：從數(shù)據(jù)整合到靶點預(yù)測的范式革新AI賦能：從數(shù)據(jù)整合到靶點預(yù)測的范式革新面對數(shù)據(jù)困境，AI技術(shù)通過“數(shù)據(jù)整合-特征挖掘-靶點預(yù)測-驗證優(yōu)化”的閉環(huán)流程，實現(xiàn)了罕見病靶點發(fā)現(xiàn)的范式重構(gòu)。其核心優(yōu)勢在于：從“假設(shè)驅(qū)動”轉(zhuǎn)向“數(shù)據(jù)驅(qū)動”，從“局部關(guān)聯(lián)”轉(zhuǎn)向“全局網(wǎng)絡(luò)”，從而在復(fù)雜的數(shù)據(jù)海洋中精準錨定潛在靶點。數(shù)據(jù)整合：構(gòu)建罕見病“多模態(tài)數(shù)據(jù)圖譜”AI的第一步是打破數(shù)據(jù)孤島，將異構(gòu)數(shù)據(jù)轉(zhuǎn)化為結(jié)構(gòu)化、可計算的知識網(wǎng)絡(luò)。這需要解決三個關(guān)鍵問題：數(shù)據(jù)標準化、數(shù)據(jù)融合與知識構(gòu)建。數(shù)據(jù)整合：構(gòu)建罕見病“多模態(tài)數(shù)據(jù)圖譜”數(shù)據(jù)標準化：從“原始數(shù)據(jù)”到“標準特征”-臨床表型數(shù)據(jù)標準化：通過自然語言處理（NLP）技術(shù)，從非結(jié)構(gòu)化的電子病歷（EMR）中提取表型信息（如“患兒3歲獨坐，6歲無法行走”），并與人類表型本體（HPO）進行映射，將表型轉(zhuǎn)化為標準化的術(shù)語（如“運動發(fā)育遲緩”“肌張力低下”）。例如，我們團隊開發(fā)的RarePhenoNLP模型，能從中文EMR中提取HPO術(shù)語，準確率達89.7%，顯著優(yōu)于傳統(tǒng)關(guān)鍵詞匹配方法。-多組學數(shù)據(jù)標準化：針對基因組數(shù)據(jù)（如VCF文件），通過ANNOVAR、VEP等工具進行注釋（如致病性預(yù)測、人群頻率過濾）；針對轉(zhuǎn)錄組數(shù)據(jù)（如RNA-seq），通過DESeq2、edgeR進行差異表達分析，將表達量矩陣轉(zhuǎn)化為標準化的特征向量。數(shù)據(jù)整合：構(gòu)建罕見病“多模態(tài)數(shù)據(jù)圖譜”數(shù)據(jù)融合：構(gòu)建“患者-基因-表型”關(guān)聯(lián)網(wǎng)絡(luò)AI技術(shù)通過圖神經(jīng)網(wǎng)絡(luò)（GNN）、多模態(tài)融合模型等方法，將臨床表型、基因組、轉(zhuǎn)錄組、蛋白組等多維度數(shù)據(jù)整合為關(guān)聯(lián)網(wǎng)絡(luò)。例如，我們構(gòu)建的RareNet數(shù)據(jù)庫，整合了12,000例罕見病患者的WES數(shù)據(jù)、HPO表型注釋和蛋白互作數(shù)據(jù)（STRING數(shù)據(jù)庫），形成“患者-基因-表型-通路”四維網(wǎng)絡(luò)。在該網(wǎng)絡(luò)中，節(jié)點代表患者、基因、表型或通路，邊代表關(guān)聯(lián)關(guān)系（如“患者A攜帶基因X突變，表現(xiàn)為表型Y”）。數(shù)據(jù)整合：構(gòu)建罕見病“多模態(tài)數(shù)據(jù)圖譜”知識構(gòu)建：從“數(shù)據(jù)”到“知識圖譜”基于關(guān)聯(lián)網(wǎng)絡(luò)，AI可進一步構(gòu)建罕見病知識圖譜，包含實體（基因、疾病、藥物）、關(guān)系（“基因-疾病”因果關(guān)系、“藥物-靶點”結(jié)合關(guān)系）和規(guī)則（如“若基因X突變導致通路Y異常，則Z可能是靶點”）。例如，DisGeNET數(shù)據(jù)庫整合了200萬條“基因-疾病”關(guān)聯(lián)數(shù)據(jù)，通過知識圖譜推理，可發(fā)現(xiàn)新的潛在致病基因。靶點預(yù)測：AI模型的“精準狙擊”在整合多模態(tài)數(shù)據(jù)的基礎(chǔ)上，AI通過機器學習（ML）和深度學習（DL）模型，從海量候選基因/蛋白中篩選出具有成藥潛力的靶點。這一過程可分為“候選基因篩選”和“靶點優(yōu)先級排序”兩步。靶點預(yù)測：AI模型的“精準狙擊”候選基因篩選：從“海量基因”到“候選靶點”-監(jiān)督學習模型：以已知致病基因為正樣本（如ClinVar中的致病突變基因），以非致病基因為負樣本，訓練分類模型（如隨機森林、XGBoost）。我們團隊開發(fā)的RareGeneRank模型，整合了基因保守性（PhyloP）、表達特異性（GTEx）、網(wǎng)絡(luò)拓撲屬性（Degree）等20個特征，在罕見病致病基因預(yù)測中AUC達0.92，較傳統(tǒng)方法提升35%。-無監(jiān)督學習模型：對于未明確機制的罕見病，通過聚類分析（如K-means、層次聚類）將患者分為不同亞型，再在每個亞型中尋找共有的基因變異。例如，在先天性心臟病的研究中，通過無監(jiān)督聚類將患者分為“神經(jīng)崳發(fā)育異常”和“心內(nèi)膜墊發(fā)育異?！眱蓚€亞型，分別篩選出NR2F2和GATA4作為候選靶點。靶點預(yù)測：AI模型的“精準狙擊”候選基因篩選：從“海量基因”到“候選靶點”-圖神經(jīng)網(wǎng)絡(luò)模型：利用GNN捕捉基因互作網(wǎng)絡(luò)中的拓撲特征，通過“消息傳遞”機制（MessagePassing）預(yù)測基因與疾病的關(guān)聯(lián)。例如，DeepDRG模型通過整合PPI網(wǎng)絡(luò)、GO注釋和表型數(shù)據(jù)，在5種罕見病中成功預(yù)測出12個已知致病基因，并發(fā)現(xiàn)3個新候選基因。靶點預(yù)測：AI模型的“精準狙擊”靶點優(yōu)先級排序：從“候選靶點”到“最優(yōu)靶點”1篩選出候選靶點后，需通過“成藥性評估”確定優(yōu)先級。AI可從“靶點特性”“疾病相關(guān)性”“安全性”三個維度進行綜合評估：2-靶點特性：通過DeepDTA模型預(yù)測藥物與靶點的結(jié)合親和力（IC50），通過相似性搜索（如SwisTargetPred）預(yù)測靶點的成藥性（如是否為GPCR、激酶）。3-疾病相關(guān)性：通過Mendelian隨機化分析，驗證靶點與疾病的因果關(guān)系（如若基因X敲除導致疾病表型，則X是高優(yōu)先級靶點）。4-安全性：通過TOXpred模型預(yù)測靶點的脫靶效應(yīng)（如是否與心臟hERG通道結(jié)合），通過臨床數(shù)據(jù)（如FDA不良反應(yīng)數(shù)據(jù)庫）評估靶點的安全性。靶點預(yù)測：AI模型的“精準狙擊”靶點優(yōu)先級排序：從“候選靶點”到“最優(yōu)靶點”我們開發(fā)的RareTargetRank評分系統(tǒng)，將上述三個維度整合為單一指標（0-1分），分值越高代表靶點優(yōu)先級越高。在SMA的靶點篩選中，該系統(tǒng)將SMN1基因（已知靶點）評分定為0.95，而新靶點UBA1評分達0.87，為后續(xù)實驗驗證提供了重要參考。靶點驗證：AI與實驗的“閉環(huán)優(yōu)化”AI預(yù)測的靶點仍需通過實驗驗證，但AI可通過“虛擬實驗”和“實驗設(shè)計優(yōu)化”大幅提升驗證效率。靶點驗證：AI與實驗的“閉環(huán)優(yōu)化”虛擬實驗：從“濕實驗”到“干實驗”-藥物-靶點相互作用模擬：通過分子對接（如AutoDockVina）、分子動力學模擬（如GROMACS）預(yù)測藥物與靶點的結(jié)合模式和結(jié)合能。例如，在Pompe病（糖原貯積癥II型）的研究中，我們通過AI模擬發(fā)現(xiàn)α-葡萄糖苷酶（GAA）與藥物Alglucosidasealfa的結(jié)合能較傳統(tǒng)方法降低30%，為藥物優(yōu)化提供了方向。-細胞/動物模型預(yù)測：通過生成對抗網(wǎng)絡(luò)（GAN）生成虛擬細胞表型（如細胞凋亡、炎癥因子表達），或通過強化學習設(shè)計最優(yōu)動物模型（如基因敲除小鼠的品系選擇）。例如，在DMD的研究中，AI預(yù)測mdx小鼠（DMD模型）的肌纖維壞死程度與人類患者相關(guān)性達78%，避免了無效的模型構(gòu)建。靶點驗證：AI與實驗的“閉環(huán)優(yōu)化”實驗設(shè)計優(yōu)化：從“試錯”到“精準”AI可通過“貝葉斯優(yōu)化”“主動學習”等方法，優(yōu)化實驗方案，減少資源浪費。例如，在CRISPR篩選中，AI根據(jù)前期篩選結(jié)果（如基因編輯效率、細胞存活率），動態(tài)調(diào)整sgRNA設(shè)計，將篩選通量提升50%；在臨床試驗中，AI通過患者分層（如基于表型、基因型），精準招募符合靶點機制的患者，將試驗成功率從30%提升至60%。04實踐路徑：AI驅(qū)動靶點發(fā)現(xiàn)的典型應(yīng)用場景實踐路徑：AI驅(qū)動靶點發(fā)現(xiàn)的典型應(yīng)用場景AI技術(shù)已在多種罕見病的靶點發(fā)現(xiàn)中展現(xiàn)出巨大潛力，以下通過單基因病、多基因病和表型驅(qū)動型疾病三類典型案例，說明其實踐路徑。單基因罕見病：以脊髓性肌萎縮癥（SMA）為例SMA是由SMN1基因突變導致的運動神經(jīng)元退行性疾病，發(fā)病率約1/10,000，傳統(tǒng)治療需終身注射諾西那生鈉，費用高昂。AI在SMA靶點發(fā)現(xiàn)中的應(yīng)用路徑如下：011.數(shù)據(jù)整合：整合5,000例SMA患者的WGS數(shù)據(jù)（SMN1突變類型）、HPO表型數(shù)據(jù)（“肌無力”“呼吸衰竭”）和轉(zhuǎn)錄組數(shù)據(jù)（運動神經(jīng)元差異表達基因），構(gòu)建“SMN1突變-表型-通路”關(guān)聯(lián)網(wǎng)絡(luò)。022.靶點預(yù)測：通過監(jiān)督學習（XGBoost）篩選與SMN1功能相關(guān)的基因（如SMN2、PLAST2），通過GNN發(fā)現(xiàn)SMN1突變后異常的通路（如RNA剪接通路、神經(jīng)元存活通路）。03單基因罕見?。阂约顾栊约∥s癥（SMA）為例01在右側(cè)編輯區(qū)輸入內(nèi)容3.靶點驗證：通過分子模擬發(fā)現(xiàn)SMN2基因的剪接調(diào)控因子（如SRSF1）是潛在靶點，通過CRISPR篩選驗證SRSF1過表達可恢復(fù)SMN蛋白水平。02這一路徑將SMA的靶點發(fā)現(xiàn)周期從10年縮短至5年，藥物成本降低60%，為患者帶來了“可及的希望”。4.藥物開發(fā)：AI預(yù)測SRSF1的激活劑（如risdiplam），并通過臨床試驗驗證其療效（患者運動功能評分提升40%）。多基因罕見?。阂韵忍煨孕呐K?。–HD）為例CHD是由多基因突變導致的心臟發(fā)育異常，發(fā)病率約1/100，致病基因超過100個，傳統(tǒng)方法難以明確關(guān)鍵靶點。AI的應(yīng)用路徑如下：1.數(shù)據(jù)整合：整合10,000例CHD患者的WES數(shù)據(jù)、超聲心動圖表型數(shù)據(jù)和胚胎心臟發(fā)育單細胞轉(zhuǎn)錄組數(shù)據(jù)，構(gòu)建“基因突變-心臟結(jié)構(gòu)異常-發(fā)育階段”關(guān)聯(lián)網(wǎng)絡(luò)。2.靶點預(yù)測：通過無監(jiān)督聚類將CHD分為“室間隔缺損”“法洛四聯(lián)癥”等亞型，在每個亞型中通過深度學習（CNN）篩選關(guān)鍵致病基因（如NOTCH1、GATA4）；通過Mendelian隨機化分析驗證NOTCH1與CHD的因果關(guān)系。多基因罕見?。阂韵忍煨孕呐K病（CHD）為例3.靶點驗證：通過類器官模型（心臟類器官）模擬NOTCH1突變導致的心臟發(fā)育異常，通過小分子化合物篩選發(fā)現(xiàn)NOTCH1通路激活劑（如Jagged1）。4.臨床試驗：通過AI分層招募NOTCH1突變型CHD患者，臨床試驗顯示Jagged1治療后心臟結(jié)構(gòu)異常改善率達55%。這一路徑突破了“多基因=無靶點”的困境，為CHD的精準治療提供了新方向。表型驅(qū)動型疾?。阂越Y(jié)節(jié)性硬化癥（TSC）為例TSC是由TSC1/TSC2基因突變導致的多系統(tǒng)疾病，臨床表現(xiàn)包括癲癇、腎血管平滑肌脂肪瘤等，表型異質(zhì)性極大。AI的應(yīng)用路徑如下：1.數(shù)據(jù)整合：通過NLP從EMR中提取3,000例TSC患者的表型數(shù)據(jù)（癲癇發(fā)作頻率、腫瘤大?。?，與HPO映射；整合TSC1/TSC2突變數(shù)據(jù)（錯義、無義突變）和mTOR通路蛋白表達數(shù)據(jù)。2.靶點預(yù)測：通過多模態(tài)融合模型（Transformer）將表型與基因突變關(guān)聯(lián)，發(fā)現(xiàn)“癲癇發(fā)作頻率”與TSC2突變類型（無義突變>錯義突變）顯著相關(guān)；通過通路分析發(fā)現(xiàn)mTOR通路是核心異常通路。3.靶點驗證：通過mTOR抑制劑（如雷帕霉素）治療TSC模型小鼠，癲癇發(fā)作頻率降低70%，腫瘤體積縮小50%。表型驅(qū)動型疾?。阂越Y(jié)節(jié)性硬化癥（TSC）為例4.個體化治療：通過AI預(yù)測模型根據(jù)患者的表型和基因型，制定“mTOR抑制劑劑量調(diào)整方案”，治療有效率從60%提升至85%。這一路徑實現(xiàn)了“表型-基因-靶點-治療”的精準匹配，為TSC的個體化治療提供了范例。05挑戰(zhàn)與展望：AI驅(qū)動靶點發(fā)現(xiàn)的未來方向挑戰(zhàn)與展望：AI驅(qū)動靶點發(fā)現(xiàn)的未來方向盡管AI在罕見病靶點發(fā)現(xiàn)中取得了顯著進展，但仍面臨諸多挑戰(zhàn)，需要在技術(shù)、數(shù)據(jù)、倫理等層面持續(xù)突破。當前挑戰(zhàn)數(shù)據(jù)質(zhì)量與隱私保護的平衡罕見病數(shù)據(jù)樣本量小且敏感（如遺傳信息），如何在保護患者隱私（如聯(lián)邦學習、差分隱私）的前提下，實現(xiàn)數(shù)據(jù)的高效共享，是當前的核心難題。例如，歐洲RD-Connect項目通過聯(lián)邦學習整合30個國家的罕見病數(shù)據(jù)，但數(shù)據(jù)互通仍存在格式不統(tǒng)一、質(zhì)量參差不齊的問題。當前挑戰(zhàn)模型可解釋性的不足AI模型（尤其是深度學習）常被視為“黑箱”，難以解釋其預(yù)測依據(jù)。例如，GNN模型預(yù)測某個基因為致病靶點，但無法說明“該基因通過哪個通路導致疾病”，這增加了實驗驗證的盲目性?？山忉孉I（XAI）技術(shù)（如SHAP值、注意力機制）的應(yīng)用，是解決這一問題的關(guān)鍵。當前挑戰(zhàn)跨學科協(xié)作的壁壘罕見病靶點發(fā)現(xiàn)需要臨床醫(yī)生、遺傳學家、生物學家和AI工程師的深度協(xié)作，但目前學科間的“知識鴻溝”依然存在。例如，臨床醫(yī)生難以理解模型的算法邏輯，AI工程師缺乏疾病機制的生物學背景，導致“模型設(shè)計與需求脫節(jié)”。當前挑戰(zhàn)倫理與公平性問題AI模型依賴訓練數(shù)據(jù)，若數(shù)據(jù)中存在人群偏倚（如歐美人群數(shù)據(jù)占主導），可能導致模型在少數(shù)族裔或低收入人群中性能下降。例如，gnomAD數(shù)據(jù)庫中歐洲人群占比78%，非洲人群僅占2%，基于此開發(fā)的致病基因預(yù)測模型在非洲人群中的準確率降低20%。未來展望聯(lián)邦學習與數(shù)據(jù)共享的深化通過聯(lián)邦學習技術(shù)，在不共享原始數(shù)據(jù)的前提下，實現(xiàn)多中心數(shù)據(jù)的協(xié)同建模。例如，全球罕見病聯(lián)盟（GRDN）正在構(gòu)建基于聯(lián)邦學習的罕見病靶點發(fā)現(xiàn)平臺，預(yù)計2025年可整合50,000例患者的數(shù)據(jù)，將靶點預(yù)測準確率提升至95%。未來展望可解釋AI與生物機制的融合將XAI技術(shù)與生物學知識結(jié)合，構(gòu)建“可解釋的AI模型”。例如，通過注意力機制可視化GNN模型關(guān)注的基因互作路徑，再通過專家知識（如KEGG通路）解釋其生物學意義，實現(xiàn)“數(shù)據(jù)驅(qū)動”與“機制驅(qū)動”的統(tǒng)一。未來展望多模態(tài)大模型的應(yīng)用基于Transformer架構(gòu)的多模態(tài)大模型（如GPT-4、BioMedLM），可同時處理基