博文
从中医术语\'风\'的困惑到AI for Science的真正使命
||
从中医术语'风'的困惑到AI for Science的真正使命
一、困惑的起点：中医的"风"究竟是什么？每一个认真思考过医学基础问题的研究者，或早或晚都会遇到一个共同的困惑：中医说的"风"，到底是什么？
如果"风"指的就是自然界流动的空气，那它如何能成为一种病因？空气流动本身既不致病也不治病，将"风"列为"六淫"之首（风、寒、暑、湿、燥、火），在物理学的意义上说不通。
如果在显微镜下找不到"风"的实体，是否意味着中医理论是"不科学"的？这个问题困扰了中医界和现代医学界至少一个世纪。双方的争论往往陷入非此即彼的僵局：一方坚持"风"是真实存在的病因，另一方认为这只是古人对病原体的朴素想象。
然而，当我们暂时放下"风是不是一个实体"这个问题，转而问另一个问题——"风"这个概念在中医临床实践中究竟是如何被使用的？——答案就变得清晰起来。
中医理论对风邪的描述，核心集中在它的"致病特点"：风性主动，善行数变；风为阳邪，其性开泄。这些描述都不是在刻画"风"本身的物理或化学属性，而是在刻画人体在面对特定环境扰动时所表现出的响应模式：症状来去迅速、位置不固定、容易导致体表开泄——这些是人体的反应特征，不是风本身的内在属性。
中医学对病因的认识，是在整体观念的指导下，撇开了复杂的、只有借用微观手段才能看到的病原体，着重把握由病原体所引起的机体的特定反应状态。通过对机体特定反应状态的抽象，认识疾病的病因及其致病的性质和特点——即所谓的"审证求因"或"辨证求因"。
"风"不是物理学的对象，而是人体的响应模式。
这个认知转换至关重要。它意味着，中医的"风"不是在命名一个"东西"，而是在命名一个"状态"。它不是病原学意义上的病因，而是系统响应意义上的表征。
而一旦我们从"风"出发开始追问，就会进一步发现：中医的"风寒暑湿燥火"六淫，本质上都可以被理解为人体面对不同环境扰动时的典型响应模式分类；中医的"气血阴阳、虚实寒热"，更是直接描述系统状态而非命名对象。更根本地说，整个中医理论体系的核心，不是一套对象描述语言，而是一套响应描述语言。
这不只是一个关于中医的发现。当我们用同样的视角审视现代医学的术语体系时，会发现一个被长期忽视的结构性事实：现代医学虽然以对象描述著称，但它的术语体系中也客观存在着一类响应描述概念。 肠易激综合征、慢性疲劳综合征、纤维肌痛，这些功能性诊断没有明确的器质性病变或单一分子标志物，本质上是对系统响应模式异常的聚类描述。心功能不全的"代偿期"与"失代偿期"，描述的也不是某个零件的损坏，而是系统维持稳态的能力状态。全身性炎症反应综合征（SIRS）、多器官功能障碍综合征（MODS），则是整个系统对严重打击的响应模式的命名。
医学知识的术语体系，从来就不是单一的。
它在深层结构上一直存在着两种范式——对象描述与响应映射。前一种范式擅长把世界切分成对象，追问病原体是什么、病灶在哪里、哪个基因突变；后一种范式擅长把世界组织成状态，追问系统当前处于什么模式、面对扰动时如何响应。现代医学的历史演化，使前者被不断强化，后者则长期缺乏形式化语言，因此常常被误解为模糊、经验，甚至被直接排除在"硬知识"之外。
正是这个发现，催生了我们提出"响应映射假说"的初心。
二、从第一性原理推演：为什么必须引入"响应"视角？要判断响应映射假说是否成立，不能仅凭直觉或经验。我们需要从第一性原理出发，用演绎法推演它的逻辑必然性。
第一步：确立起点。
生命是什么？如果我们试图给出一个最基础、最少预设的回答，那就是：生命是生命与环境相互作用的结果。 一个细胞、一个器官、一个完整的人，都必须持续地与外界进行物质、能量和信息的交换。没有环境，就没有生命；没有对环境变化的持续响应，生命就无法维持其有序状态。因此，生命的本质可以理解为一个持续与环境相互作用以维持自身有序状态的开放系统。
第二步：推导疾病的本质。
如果生命的本质是"与环境持续相互作用"，那么疾病是什么？疾病的本质不能仅仅理解为某个零件的损坏。零件损坏——如外伤、感染、单基因突变——当然是疾病的重要形式，但不是唯一形式。更普遍的情况是：系统与环境的相互作用出现了问题——系统对环境扰动的响应方式偏离了健康的轨道，表现为适应能力的下降、调节范围的收窄、稳态的偏移。
高血压、2型糖尿病、抑郁症、衰老，都属于这一类。它们没有单一的"病灶"，也没有唯一的"病因"。它们是一个系统在多重环境压力下长期运行的轨迹偏移。
第三步：识别认知盲区。
沿着这个推演，我们可以发现现代医学的一个结构性盲区。
现代医学在描述"环境"方面已经非常发达——病原体库、营养学、毒理学、环境流行病学，都提供了详尽的环境变量词典。在描述"人体系统本身"方面，现代医学也取得了巨大成就——基因组学、蛋白质组学、解剖学、病理学，建立了精细的对象描述体系。
但在描述 "环境对人体产生了什么响应" 这个中间环节上，我们缺乏一套系统的、可计算的语言。
网络医学已经将疾病基因映射到蛋白质互作（PPI）网络拓扑上，Barabási等人指出复杂疾病本质上是网络模块的扰动，而非单一基因的异常。但这仍然是对"故障位置"的描述。真正缺少的，是对 "故障模式" 的描述——不是"哪个节点坏了"，而是"这个网络的响应方式发生了什么变化"。
比如，面对长期心理应激，关键问题不是NF-κB这个节点是否存在（它当然存在），而是NF-κB网络的响应模式发生了什么改变——它的激活阈值是否降低、负反馈回路是否失效、与其他信号通路的耦合强度是否变化。
第四步：论证响应映射的必要性。
如果要描述"响应模式"，就必须将"响应"映射到一个合适的描述空间。
环境对人体的影响是全方位的——从基因表达、蛋白质修饰、代谢产物到细胞行为、器官功能、整体表现——信息分布在多个尺度、多个维度上。直接处理这些高维、稀疏、噪声大的原始数据是不可行的。因此，必须将"响应"映射到一个维数适宜且具备生物学因果约束的状态空间中。 这个映射过程本身，就是对原始信息的压缩、提炼和意义赋予。
第五步：用例子验证推演。
理论的推演需要用具体例子来检验。回到"风"的困惑。
2025年，杨子峰教授团队与东南大学合作，将中医"风寒"概念转化为可量化的环境变量——温度与气流参数的组合（"人工风寒"），通过动物模型系统探究了风寒暴露对呼吸道免疫防御的影响。研究发现，在持续性冷气流暴露条件下，机体"卫气"防御系统呈现出从"卫阳被郁—卫气受损—气血两燔"的三阶段病理演变过程（Yang et al., 2025）。
这项研究的意义在于：它证明了"风寒"确实不是命名一个实体，而是命名人体面对温度与气流耦合扰动时的阶段性响应模式。有学者进一步指出，"风邪"与肿瘤坏死因子-α（TNF-α）、白介素-6（IL-6）等免疫分子存在显著关联（廖燕等，2022），这为将"风"的响应模式映射到分子网络提供了初步证据。
再举一个完全不同的例子：发热。发热不是一个"损坏"，而是一个响应模式。面对细菌感染，下丘脑体温调定点上移，外周血管收缩减少散热，肌肉颤抖增加产热，免疫细胞释放炎症因子。医生面对发热时，核心判断不是"要不要退烧"，而是"这个发热的响应模式是恰当的（对感染的正常防御），还是失控的（如脓毒症休克中的体温调节崩溃）？"
从"风"的困惑出发，经过第一性原理的推演，我们到达了同一个结论：医学需要一套专门的术语体系来描述"响应"，而不仅仅是描述"对象"。
三、人类概念的局限性：mTOR命名的教训在论证了响应描述的必要性之后，我们需要追问一个更深层次的问题：即使我们意识到了响应描述的重要性，我们能够靠人类的经验归纳来完成这套术语体系的构建吗？
mTOR基因的命名史，给出了一个警示性的答案。
TOR最初是"Target of Rapamycin"（雷帕霉素的靶点）的缩写，因为它被发现在酵母中是免疫抑制剂雷帕霉素的作用靶点。后来发现哺乳动物中也有这个基因的同源物，于是命名为mTOR（mammalian Target of Rapamycin）。
但随着研究深入，人们发现这个蛋白的功能远不止"被雷帕霉素抑制"这么简单——它是细胞生长、代谢、自噬、衰老的核心调控枢纽，涉及癌症、糖尿病、神经退行性病变等几十种疾病过程。把它叫"雷帕霉素的靶点"，就像把爱因斯坦称为"专利局职员"——虽然这是发现他的线索，但远远无法概括他的本质。
2009年，HUGO基因命名委员会试图修正这个问题，将mTOR的正式名称改为"mechanistic Target of Rapamycin"（机制性雷帕霉素靶点），但首字母缩写仍然是mTOR。2013年，TOR领域的奠基人之一Michael Hall专门撰文讨论这一命名问题，指出新旧名称的混用正在造成不必要的混淆（Hall, 2013）。
这就是人类概念的典型困境：概念在发现初期凭经验命名，随着认知深入，旧名字越来越不能反映对象的本质，但它已经被写进教材、数据库、诊断标准，改不掉了。
从响应映射的视角重新审视mTOR，可以获得一个更深层的洞察：mTOR本质上就是响应映射的一个极端案例。
mTOR之所以被发现、被命名，是因为它是雷帕霉素的"靶点"——即系统对雷帕霉素这种化学物质的响应被锚定到了这一个基因上。研究者关注的不是mTOR这个基因本身的全部功能，而是它作为"雷帕霉素响应"的承载者。只不过，这种响应被极端地压缩到了单个基因节点上，而非描述为一个网络的状态变化。
如果把"靶基因"的概念从单个节点扩展到一个基因网络模块，描述雷帕霉素如何选择性地重塑这个模块的拓扑结构和信息传递效率——这就是响应映射。 mTOR的命名史告诉我们，即使是在最纯粹的对象描述范式（分子靶点）中，响应的逻辑也从未真正缺席，只是被过度压缩了。
mTOR的教训还揭示了人类经验归纳在定义概念时的两个系统性局限。第一，命名的路径依赖——概念一旦命名就被锁定，即使它后来被证明是不准确的。第二，归纳能力的边界——面对多组学时代的海量数据，人类大脑无法靠经验识别出所有有意义的模式组合。我们能识别出"发热"这种宏观模式，但无法识别出PPI网络中数千个节点之间那无数种可能的"响应模式变体"。
这正是AI for Science需要介入的根本原因。
四、SEMO算法：AI定义概念的工程化实例如果说mTOR的教训展示了人类概念生成方式的局限，那么SEMO算法则展示了AI介入概念生成的一种工程化路径。
SEMO（Selective Remodeling of Protein Networks by Chemicals）的核心逻辑是：一个化学物质对生物系统的影响，不是单点作用，而是对蛋白互作（PPI）网络特定子网的选择性重塑。相关方法已在预印本和专利中公开（Xiong, 2023；熊江辉等，2023）。
关键的操作在于：SEMO不是只计算化学物质的全局靶标集合，而是将全局靶标与不同的PPI子网络取交集。 这个"交集"操作的意义在于——它解决了概念颗粒度的问题。
以姜黄素为例。姜黄素已知有上百个靶点，涉及NF-κB、COX-2、STAT3、p53等多个通路。如果只用全局靶标集合来描述"姜黄素的响应特征"，会得到一个过于宽泛的概念——抗炎、抗氧化、促凋亡、调节自噬等所有可能的效应混在一起，无法区分姜黄素在特定情境下究竟在做什么。
但通过SEMO的"交集"操作，我们可以生成一系列颗粒度精细的局部概念：
SEMO-姜黄素-NFκB核心模块：姜黄素靶标与NF-κB核心信号转导子网络的交集。这个局部概念描述的是"姜黄素对NF-κB经典通路的直接干预能力"。
SEMO-姜黄素-炎症小体模块：姜黄素靶标与NLRP3炎症小体相关子网络的交集。这个局部概念描述的是"姜黄素对炎症小体活化的调控能力"。
SEMO-姜黄素-氧化应激模块：姜黄素靶标与NRF2-ARE抗氧化通路的交集。这个局部概念描述的是"姜黄素增强内源性抗氧化防御的能力"。
这三个局部概念虽然都源自同一个化合物，但对应的是不同的生物学子网络，因此可以独立地被测量、被验证、被匹配到不同的个体状态。如果患者A的主要问题是NF-κB过度活化，那么SEMO-姜黄素-NFκB核心模块的高分可能意味着姜黄素对他有效；如果患者B的问题是氧化还原失衡，那么SEMO-姜黄素-氧化应激模块的高分才是关键。
SEMO算法的本质，是一种"概念细化工程"。 如果说人类定义"炎症"是一张1:100万的地图，SEMO就是在生成1:10万甚至1:1万的高精度局部地图。这些局部地图并不否定全局地图，但在特定的应用场景下具有更高的实用价值。
更重要的是，SEMO算法指向了一种AI生成新概念的方法论：不是凭空创造，而是在已有概念的边界上进行"交集"和"组合"，从而产生颗粒度更细、情境化更强的概念变体。人类专家可以定义"姜黄素"和"炎症"，但无法手动枚举姜黄素与每一个生物学子网络的交集，并评估这些交集在不同疾病情境下的相对重要性——这需要AI的计算能力来完成。
五、"标志工程"的意义：从生成可量化标志到概念生成如果说SEMO展示了AI如何在已有概念框架内生成更精细的概念变体，那么"标志工程"（Hallmarks Engineering）则向AI自主发现新概念迈出了一步。
2024年，熊江辉团队在bioRxiv发表了题为"AI-Generated Hallmarks of Aging and Cancer"的预印本论文，提出了"标志工程"这一计算方法（Xiong, 2024）。
这项工作最引人注目的发现是：通过因果涌现分析生成的标志级特征，与疾病的关联强度比单个基因高出了高达9.7个数量级。这意味着，在"标志"这个系统级维度上表征疾病，比在单个基因的微观维度上表征疾病，具有压倒性的优势。这是因为宏观的"标志"过滤掉了底层海量的分子随机噪声，直接捕捉到了系统稳态偏移的真实动力学轨迹。 就像看股市，看宏观的大盘指数往往比盯着某支股票的毫秒级波动更能说明经济的真相。
在具体的研究方法上，"标志工程"采用了一种自上而下的建模策略——利用全基因组DNA甲基化数据，对现有的衰老和癌症标志特征（如基因组不稳定性、端粒损耗、表观遗传改变等）进行量化重构，并在十种年龄相关疾病的数据集中评估其预测性能。研究发现，标志级特征在疾病预测中具有更强的信号强度，且与常规的基于通路的模型相比，基于标志的模型以更少的预测变量实现了可比的预测性能。
需要审慎地指出的是，这项研究目前的工作重点是生成现有衰老和癌症标志的可量化版本，并将其与已知的生物通路和本体进行比较。它是一个"概念验证"——证明了AI可以在系统级维度上生成具有强预测力的特征表示，并建立中西医概念之间的量化映射。它尚未声称已经产生了全新的、人类从未命名过的标志。但从方法论上看，它已经展示了一条清晰的路径：随着数据规模的增长和算法能力的提升，AI完全有可能在海量数据中自主发现那些人类尚未命名、但具有强因果解释力的响应模式，并将其固化为新的术语、新的概念、新的本体节点。
Hoel等人提出的"宏观因果涌现"理论为这一方向提供了深层的理论基础：在复杂系统中，宏观尺度的特征——如系统级响应模式、高阶状态标签——往往比微观孤点具有更强的因果解释力（Hoel et al., 2013）。这与"标志工程"研究中的发现形成了理论与实证的呼应。
这一理论呼应还引出了一个更深层的推论：既然微观特征的优势在于颗粒度，宏观特征的优势在于因果解释力，那么在微观与宏观之间，必然存在着一个广阔的"中间地带"——这个中间地带正是响应映射假说最核心的用武之地。 我们可以在这个中间地带系统性地发掘一系列新概念：比单个基因更宏观（因而更具解释力），比经典Hallmarks更精细（因而更具操作性）。这些新概念的最终形式，可能就是新的Ontology Term——它们既不是对旧概念的修修补补，也不是完全推倒重来，而是在微观与宏观之间的广阔空间中，找到那些最具有生物学意义和临床价值的"概念栖息地"。
这让我们可以将AI生成概念的能力划分为三个层次：
第一层：概念映射。 将自然语言描述对应到已有的标准化术语上。这是当前医学AI的主流应用。
第二层：概念生成。 在已有的本体框架内，自动生成新的叶子节点。比如在Gene Ontology框架下，自动为新的基因功能命名。
第三层：概念框架重构。 发现现有本体体系的盲区，建立新的概念维度，改变我们分类疾病和健康状态的基本方式。这是响应映射假说真正指向的目标——不仅是在旧框架内添加新节点，而是发现一套全新的概念维度（响应描述），并将其系统性地构建为可计算的Ontology。
在更广泛的AI for Science领域，这一方向已经有了令人振奋的进展。2025年提出的Spacer系统，通过"刻意去情境化"方法，从18万篇生物学论文构建的关键词图谱中自动提取具有高创新潜力的关键词组合，并通过验证管线将其转化为原创的科学概念（Lee et al., 2025）。同年，AI-Newton系统展示了另一种路径——从原始实验数据中自主推导物理定律，其核心创新之一正是"提出可解释的物理概念来构建定律"（Fang et al., 2025）。这些工作表明，AI从数据中自主发现新概念，已经从理论设想走向了工程实现。
六、响应映射假说的提出：命名一个认知框架至此，我们已经完成了从困惑出发到框架构建的完整推演：
从"风"的困惑出发，我们发现中医的核心术语本质上都是响应描述语言，而非对象描述语言。
从第一性原理推演，我们论证了疾病本质上是系统响应模式的偏移，而现代医学在响应描述维度上存在系统性的盲区。
从mTOR命名的教训，我们看到了人类经验归纳在概念生成上的结构性局限——而mTOR本身，正是响应映射被过度压缩到单基因节点的极端案例。
从SEMO算法，我们看到AI通过"交集"操作可以在已有概念边界上生成颗粒度更细的概念变体。
从"标志工程"和AI概念生成的前沿研究，我们看到AI自主发现新概念的技术路径正在成熟。
所有这些推演，汇聚成一个统一的认知框架。我们将其命名为**"响应映射假说"**。
之所以用"假说"而非"理论"，是基于科学哲学的审慎。当前响应映射尚处于从第一性原理出发的逻辑构建与初步数据验证阶段。将其称为"假说"，明确了当前工作的性质是提出一种新的科学问题——即"是否存在一个普适的响应映射空间？"——而非宣布已找到最终答案。
响应映射假说的核心主张是：医学需要建立一套专门的、可计算的术语体系来描述"系统如何响应环境扰动"，而不仅仅是描述"系统有什么损坏"。 这套术语体系的构建，不能仅依靠人类的经验归纳，而需要借助AI的计算能力，在多组学数据中自动发现和定义新的响应模式概念。
七、AI for Science的真正使命：重新发明医学的语言如果响应映射假说成立，那么它对AI for Science的启示是深远的。
今天的AI在生物医学领域的应用，绝大多数是在既有概念体系内做优化。AI预测蛋白质结构，用的是人类已定义好的概念体系；AI辅助诊断，学的是人类医生标注好的疾病类别；AI筛选药物靶点，用的是已有的知识图谱。
这当然有价值。但它本质上是在既有概念体系内做运算，而不是重构概念体系本身。
对于衰老、慢病、亚健康这些复杂问题，现有概念体系本身就有结构性的缺陷——它太重对象描述而太轻响应描述。不修补这个结构性的缺陷，AI再强大也只是在旧地图上跑得更快，无法绘制新的地图。
因此，AI for Science的真正使命，不仅是用AI在旧框架内做优化，更应该包括：用AI发现新概念、建立新框架、重构我们对健康和疾病的理解方式。
响应映射假说是这个方向的一个具体切入点。它指出当前医学概念体系中"响应描述"维度的系统性缺失，并提出了一个可计算的框架，让AI能够在PPI网络、代谢通量、表观遗传等状态空间中，自动发现和定义新的响应模式术语。这不仅是"用AI分析数据"，而是用AI重新发明医学的语言本身。
八、展望：AI驱动的"特征工程"与"概念生成"如果响应映射假说成立，那么一个自然的问题就是：AI具体能做什么？它会产生怎样的新概念？ 以下用问答的形式展开讨论。
问：AI会提出全新的Aging Hallmarks吗？答：会的。 这并非替代人类专家的共识流程，而是开辟一条全新的、数据驱动的路径。
当前，AI已能从海量数据中识别出与衰老相关的隐藏模式。例如，有AI模型预测出特定基因的激活会导致细胞出现心律不齐和炎症相关基因活动等衰老标志。这证明AI有能力从数据中"看到"新的特征。
未来，AI可通过对大规模衰老队列（结合基因组、表观组、蛋白组、甚至可穿戴设备数据）的无监督学习，自主定义出人类尚未命名的、代表衰老的新型系统级特征。举例来说，AI可能发现**"线粒体-内质网通信效能衰减"是一个独立的衰老标志——它涉及两个细胞器之间的物理接触位点数量减少、钙信号传递效率下降、脂质交换紊乱。这个标志无法被简单归入现有的任何一个Hallmark（它既不是纯粹的"线粒体功能障碍"，也不是纯粹的"蛋白质稳态丧失"），但它对解释特定组织（如骨骼肌、神经元）的衰老轨迹具有独特的因果解释力。另一个可能的例子是"组织微环境稳态韧性丧失"**——AI可能从单细胞测序数据中发现，随着年龄增长，组织中不同细胞类型之间的旁分泌信号网络的鲁棒性下降，表现为信号梯度变平、反馈回路迟钝。这是一个高度系统级的特征，人类专家很难凭经验归纳出来，但AI可以通过分析细胞间通讯网络的拓扑变化来自动识别。
问：AI能对已有的Aging Hallmarks进行"升级"和"合并同类项"吗？答：是的，这甚至是AI目前最擅长的领域。
先说升级（概念细化）。现有的Hallmarks是高度浓缩的宏观描述。AI可以将一个宏观的标志"降维"到更精确的分子层面。以"细胞间通讯改变"这个标志为例——它目前是一个相对笼统的描述。利用单细胞测序数据，AI可以将其细化为**"特定免疫细胞亚群与基质细胞间特定信号轴的功能失衡"**。比如，AI可能发现衰老组织中的CD8+ T细胞与成纤维细胞之间的CXCL12-CXCR4信号轴发生了特定的改变，而这种改变与纤维化程度高度相关。这就把一个宏观标志升级成了一个可靶向的、细胞类型特异的局部响应模式。
再说合并（概念关联）。现有的Hallmarks并非完全独立，它们之间存在复杂的耦合关系。AI能够发现不同Hallmarks之间的协同变化规律。例如，通过分析多组学数据，AI可能发现"基因组不稳定性"和"端粒损耗"在DNA损伤响应通路的特定分支下是强关联的——它们本质上是同一个上游机制（核纤层结构紊乱）的两个下游表现。基于这一发现，AI可以将它们归入一个更上层的概念，如**"核结构稳态失调"**。这种"合并同类项"不是简单的语义归纳，而是基于数据驱动的因果涌现分析，发现那些在更高层次上具有统一解释力的特征组合。
问：AI会产生中医与西医融合的Hallmarks吗？答：这不仅是可能的，而且是AI驱动的"响应映射"假说最具潜力的应用场景。
中西医融合的最大障碍，是两套概念体系在本体论上的差异——一个侧重对象描述，一个侧重响应描述。AI可以在两者之间建立可量化的映射桥梁。
具体来说，AI可以在中医的"证候"和西医的分子网络之间建立关联。通过将宏观的证候描述映射到具体的基因表达或代谢通路变化上，创造出**"气虚-能量代谢网络低动力模式"**这样的融合概念。这就好比 AI 为每一种传统的中医证候，在三维的分子网络空间中，精准地圈出了它的"势力范围"（Attractor Basin / 吸引域）。 这个融合概念既保留了中医"气虚"的响应描述内涵（系统动力不足、恢复能力下降），又赋予了它可计算的分子定义（线粒体氧化磷酸化效率下降、AMPK信号通路活性改变、特定代谢物通量降低）。
在实践中，已有研究团队在开展类似工作。清华大学李梢教授团队正利用多模态AI，整合临床表型、中医证候与多组学数据，用于识别癌症极早期的关键标志物。南京中医药大学程海波教授团队也提出，未来中西医融合的关键方向之一，就是利用AI将传统中医诊疗转化为数字指标。
可以设想，未来的AI系统可能自主发现这样一个融合Hallmark："肝郁-慢性炎症耦合状态"。它描述的是长期心理应激（肝郁）导致的特定炎症网络（NF-κB长期低度活化、糖皮质激素受体敏感性下降、迷走神经抗炎反射减弱）的响应模式。这个融合概念既解释了为什么"疏肝解郁"类方剂对某些慢性炎症性疾病有效，也为开发针对这一特定响应模式的新药提供了靶点网络。
九、从零件观到生态观：医学认知的范式迁移响应映射假说并非对现代医学的否定。现代医学在对象描述上取得的成就——从病原体的发现到基因的定位，从靶向药到基因编辑——是人类文明的瑰宝，也是未来医学不可或缺的基础。
响应映射假说试图做的，是补齐医学认知拼图中那块长期缺失的板块。它源于一个朴素的第一性原理——生命在于响应。如果承认这一点，那么医学认知的重心就必须从 "发生了什么损坏" 向 "系统还能否正确响应" 迁移。
这一迁移将带来三个层面的认知升维：
第一，复杂疾病的重新理解。 代谢综合征、多病共存、衰老，不再被理解为多个独立疾病的简单叠加，而是同一个系统响应网络失衡的不同外显。干预的靶点不再是单个"零件"，而是整个"响应网络"的重塑。
第二，亚健康的数学化。 传统体检看的是指标是否"超标"；响应映射看的是多个指标之间的协变结构——网络连接是否松散、调节回路是否迟钝。这种"网络健康度"的测量，能够在代偿期提前数年发出预警，使"治未病"从经验理念走向可量化的科学实践。
第三，药物研发的范式变革。 不再只问"这个分子是否命中那个靶点"，而是问"这个干预能否将疾病状态下的异常响应子网拉回到健康态的吸引域中"。这为天然产物开发、老药新用和个体化干预提供了全新的计算框架。
这是从零件观向生态观的演进，也是精准医学走向精密医学（从精准定位靶点到精密调控网络状态）的必经之路。
十、结语：为"风"找到它的坐标... 阅读全文...参考文献Xiong, J. AI-Generated Hallmarks of Aging and Cancer: A Computational Approach Using Causal Emergence and Dependency Networks. bioRxiv 2024.08.28.610200 (2024).
Hoel, E. P., Albantakis, L., & Tononi, G. Quantifying causal emergence shows that macro can beat micro. Proceedings of the National Academy of Sciences, 110(49), 19790-19795 (2013).
Barabási, A. L., Gulbahce, N., & Loscalzo, J. Network medicine: a network-based approach to human disease. Nature Reviews Genetics, 12(1), 56-68 (2011).
Gan, X., Shu, Z., Wang, X., Yan, D., Li, J., et al. Network medicine framework reveals generic herb-symptom effectiveness of traditional Chinese medicine. Science Advances, 9(43), eadh0215 (2023).
Horvath, S., & Raj, K. DNA methylation-based biomarkers and the epigenetic clock theory of ageing. Nature Reviews Genetics, 19(6), 371-384 (2018).
Noble, D. The principles of systems biology. Experimental Physiology, 102(12), 1599-1606 (2017).
Yang, Z. F., Qian, H., et al. Impact of airflow stimulation: mild cold airflow is more sensitive to influenza virus infection. Journal of Thoracic Disease, 17(6) (2025).
Hall, M. N. On mTOR nomenclature. Biochemical Society Transactions, 41(4), 887-888 (2013).
Lee, M., et al. Spacer: Towards Engineered Scientific Inspiration. arXiv:2508.17661 (2025).
Fang, Y. L., et al. AI-Newton: A Concept-Driven Physical Law Discovery System without Prior Physical Knowledge. arXiv:2504.01538 (2025).
廖燕, 徐浩东等. 正邪论之风湿痰瘀对免疫稳态的影响. 中国医药导报, 19(28), 120-123 (2022).
Xiong, J. Utilizing Pre-trained Network Medicine Models for Generating Biomarkers, Targets, Re-purposing Drugs, and Personalized Therapeutic Regimes: COVID-19 Applications. Cold Spring Harbor Laboratory (2023).
熊江辉, 梁峰吉, 常素华. 基于DNA甲基化的中医概念与证候量化方法及其在抑郁症和癌症筛查中的应用. 中国药理学与毒理学杂志, 37(S1) (2023).
Ruiz, C., Zitnik, M., & Leskovec, J. Identification of disease treatment mechanisms through the multiscale interactome. Nature Communications, 12, 1796 (2021).
https://blog.sciencenet.cn/blog-508476-1531235.html
上一篇：医学知识为什么有两种范式：对象描述 vs 响应映射
