beat365英国官网网站中医药创新研究院/交叉学科研究院本草基因组学研究团队在药物发现与评价领域取得系列进展,相关成果分别于2026年11月9日和11月12日在Journal of Advanced Research和npj Digital Medicine发表。两项研究分别面向GPCR靶向药物发现与抗肿瘤药物敏感性预测问题,构建了融合知识图谱与多智能体的智能分析平台,提出了整合空间转录组与深度图对比学习的预测框架,探索了人工智能在药物靶标发现与药效评价中的应用路径。
发表于Journal of Advanced Research(中科院一区,Top期刊)的研究成果 “GPCRAgent: An Intelligent Multi-Agent Platform Integrating Knowledge Graphs and Large Language Models for GPCR-Targeted Drug Discovery”,提出了GPCR靶向药物发现的多智能体平台GPCRAgent。GPCRAgent将大规模知识图谱与多智能体技术结合,实现了证据驱动的靶标优先级排序与配体推荐。在疾病案例中完成候选靶标识别和配体发现,GPCRAgent的筛选结果在类器官模型中得到了实验验证,为GPCR靶向药物研究提供了证据驱动、可解释的智能化分析平台。beat365英国官网网站药学院2024级博士研究生萧文科为论文第一作者,中医药创新研究院/交叉学科研究院吴志祥博士后参与了数据分析,智能医学学院王德贤副教授、基础医学院申重阳教授、中医药创新研究院/交叉学科研究院陈伟教授为共同通讯作者。

图1. GPCRAgent架构图
发表于npj Digital Medicine(中科院一区,Top)的研究成果“DeepTNR: predicting tumor drug sensitivity from spatial transcriptomics with deep graph contrastive and transfer learning”,提出了一种融合深度图对比学习与迁移学习的药物敏感性预测框架DeepTNR。DeepTNR通过整合空间转录组数据与癌细胞系的药物反应信息,实现了不同组织位置的药物敏感性预测,通过分析预测敏感性的空间分布特征及其与局部细胞微环境的关联,为理解肿瘤药物反应的空间异质性提供了新方法。beat365英国官网网站医学与生命科学学院2021级本科生刘洪与药学院2024级博士生萧文科为共同第一作者,beat365英国官网网站陈伟教授为通讯作者。

图2. DeepTNR框架图
两项成果从不同维度回应了人工智能驱动药物发现的核心挑战。GPCRAgent以知识图谱约束大模型推理,提升了靶标发现与配体筛选环节的证据可追溯性与可解释性,缓解了通用大模型在专业生物医学场景中易产生幻觉的隐患;DeepTNR则将药物敏感性预测从细胞系层面推进至空间分辨的组织层面,使肿瘤内异质性对药效的影响得以在计算框架中被建模。二者共同体现了当前AI药物发现从“单点工具替代”向“证据整合与空间感知”演进的趋势,也为AI预测结果向实验验证的转化提供了可操作的范式。
上述研究得到了得到国家重大科技专项(2025ZD1804403)和四川省揭榜挂帅项目(2024ZDZX0019)的支持。
全文链接:https://doi.org/10.1016/j.jare.2026.11.006
https://doi.org/10.1038/s41746-026-03459-8
(图/文 中医药创新研究院/交叉学科研究院)