长期以来，还原论范式主导着生物医学研究，人们习惯把复杂疾病归因于个别突变基因或单一分子靶点。然而肿瘤、代谢综合征、神经退行性疾病等大量复杂病症，并非孤立分子故障所致，而是分子互作网络发生扰动、疾病模块整体失衡带来的系统性紊乱。疾病网络生物学（网络医学）将基因、蛋白、代谢物映射至分子相互作用图谱之上，从网络拓扑特征与疾病模块扰动视角解析病理进程，为破解共病底层机制、挖掘潜在药物靶点、开展老药重定位研究提供了全新范式^[1]。正如Barabási等人在网络医学奠基综述中指出，疾病表型很少来源于单个效应分子的异常，更多是复杂生物网络内部多条病理通路相互扰动后的综合结果^[1]。传统网络分析手段面对高维多组学、高度异质性的临床样本时，抗噪声能力有限、深层非线性关联挖掘不足，以图深度学习（Graph Deep Learning, GDL）、可解释AI（Explainable AI）为代表的人工智能技术，正从方法层面重塑疾病网络生物学的研究范式。

人工智能赋能疾病网络生物学，主要体现在三大技术路径。其一是图神经网络（GNN）系列模型，将蛋白质互作网络、基因调控网络抽象为图结构，融合基因组、转录组、蛋白质组多组学特征，完成疾病基因优先级排序、致病模块识别、药物—靶点—疾病关联预测，相较于传统网络算法能够捕捉多层生物网络的非线性交互，显著提升预测性能^[2]。其二是生物大模型驱动的知识图谱构建，从海量科研文献中自动抽取分子互作、疾病通路等实体关系，补充传统数据库缺失的隐性关联，拓展疾病网络边界，缓解人工知识库构建成本高昂的现实困境。其三是可解释人工智能，破解深度学习黑盒难题，对网络扰动开展归因解析，区分驱动性网络节点与伴随性分子变化，把计算预测转化为可供湿实验验证的科学假说，弥合计算模拟与生物学实验之间的鸿沟。

在实际应用层面，AI增强的疾病网络生物学已在多个医学场景落地。肿瘤研究领域，多层生物网络图模型被用于挖掘癌症驱动基因、解析肿瘤微环境调控模块，支撑联合用药方案筛选；神经退行性疾病研究中，多组学数据联合电子病历在疾病网络框架下开展药物重定位，为阿尔茨海默病等难治性疾病筛选候选干预线索；面对重大公共卫生事件，网络医学结合人工智能解析病毒—宿主互作模块，快速完成老药重定位筛选，为应急药物研发提供参考。2025—2026年间兴起的异构图Transformer、多模态图融合模型进一步拓展技术边界，可同时兼容基因、蛋白、临床表型等多类实体，推动网络医学从单纯分子网络向分子—临床一体化网络演进^[3,4]。

当然，该领域仍存在若干亟待解决的现实挑战。其一，生物网络数据库普遍存在注释偏倚，热门研究分子注释完备，大量基因、蛋白缺乏互作记录，会造成模型训练固有偏差；其二，多数AI模型侧重预测效果，而机制解释能力不足，大量网络层面的计算发现缺少体内、体外实验的闭环验证；其三，不同数据集的批次效应与临床样本异质性，限制模型跨队列泛化能力。Greener等强调，面向生物场景的机器学习工作不能仅追求算法指标提升，生物学可解释性与实验验证环节不可或缺^[5]。近两年的最新综述也反复警示，生物医药图模型须高度重视数据集偏倚与域偏移问题，不能单纯依靠基准集指标评判实际转化价值^{[4, 6]}。因此，科研工作者不应止步于算法性能调优，而应坚持“网络建模—AI预测—实验校验”的完整研究链条，推动计算发现向转化医学落地。

展望未来，人工智能与疾病网络生物学的深度融合，正推动医学认知由“单点靶点思维”转向“系统扰动视角”。伴随知识图谱持续迭代、可解释图模型不断完善、多模态数据融合能力持续增强，网络医学有望在疾病精准分层、复杂疾病新药研发领域释放更大潜力。生物基础大模型、异构知识图谱与传统网络医学的交叉，将成为未来核心发展方向，也对国内交叉学科团队提出更高要求，需要生物学、临床医学、计算科学多方协同，打通从生命大数据到生命机制解析的完整链路^[6]。

#网络医学#疾病网络#图神经网络#多组学#AI for Science

参考文献

[1] Barabási A‑L, Gulbahce N, Loscalzo J. Network medicine: a network‑based approach to human disease[J]. Nature Reviews Genetics, 2011, 12(1): 56‑68.https://www.nature.com/articles/nrg2918

[2] Li M M, Huang K, Zitnik M. Graph representation learning in biomedicine and healthcare[J]. Nature Biomedical Engineering, 2022, 6(12): 1353‑1369.https://doi.org/10.1038/s41551-022-00942-x

[3] Altucci L, Badimon L, Balligand J‑L, et al. Artificial Intelligence and Network Medicine: Path to Precision Medicine[J]. NEJM AI, 2025, 2(2).https://ai.nejm.org/doi/10.1056/AIra2401229

[4] Vaida M, Huang Z. Multimodal graph neural networks in healthcare: a review of fusion strategies across biomedical domains[J]. Frontiers in Artificial Intelligence, 2025, 8: 1716706.https://pmc.ncbi.nlm.nih.gov/articles/PMC12827511/

[5] Greener J G, Kandathil S M, Moffat L, Jones D T. A guide to machine learning for biologists[J]. Nature Reviews Molecular Cell Biology, 2022, 23: 40‑55.https://doi.org/10.1038/s41580-021-00407-0

[6] Branda F, Ahmed M M, Ciccozzi M, et al. The next paradigm in bioinformatics: a review of multi‑agent systems and foundational models for end‑to‑end scientific discovery[J]. Briefings in Bioinformatics, 2026, 27(3): bbag245.https://academic.oup.com/bib/article/27/3/bbag245/7760437

支持单位：