AI辅助药物重定位的发现策略

202XLOGOAI辅助药物重定位的发现策略演讲人2025-12-0701AI辅助药物重定位的数据基础：多模态数据的整合与价值挖掘02AI辅助药物重定位的核心算法：从关联预测到机制推理03AI辅助药物重定位的验证与转化：从预测到临床的桥梁04AI辅助药物重定位的挑战与未来方向目录AI辅助药物重定位的发现策略引言：药物重定位的价值与AI赋能的时代必然在药物研发领域，一个公认的事实是：新药研发的“双十”难题——耗时十年、耗资十亿美元——已成为制约医疗创新的关键瓶颈。与此同时，全球已有超过1.8万种上市药物，其中90%的药物在适应症外仍存在未被挖掘的治疗潜力。药物重定位（DrugRepurposing），即将已知药物应用于新的适应症，因其“老药新用”的特性，显著降低了研发风险、缩短了周期（通常3-5年），且安全性数据更为完善，成为破解新药研发困境的重要路径。然而，传统药物重定位高度依赖科研人员的经验积累和偶然发现（如沙利度胺治疗多发性骨髓瘤的“意外”），效率低下且覆盖范围有限。随着人工智能（AI）技术的爆发式发展，其强大的数据处理能力、模式识别能力和推理能力，为系统化、规模化挖掘药物重定位机会提供了革命性工具。作为一名深耕医药信息学与AI交叉领域的研究者，我深刻体会到：AI不仅是药物重定位的“加速器”，更是从“经验驱动”向“数据驱动”范式转变的核心引擎。本文将结合行业实践与研究前沿，系统阐述AI辅助药物重定位的发现策略，从数据基础、算法模型、验证流程到挑战应对，构建全链条技术框架，为行业提供可落地的思路参考。01AI辅助药物重定位的数据基础：多模态数据的整合与价值挖掘AI辅助药物重定位的数据基础：多模态数据的整合与价值挖掘AI模型的性能上限取决于数据的质量与广度。药物重定位涉及药物分子、靶点、疾病、临床表型等多维度信息的交叉，因此构建“多源异构、高质量、标准化”的数据集是AI策略的基石。在实践中，我们通常整合以下四类核心数据，并通过预处理技术构建“药物-疾病”关联的证据网络。1结构化生物医学数据库：构建关联的“骨架”结构化数据是AI模型学习的“基础食材”，其特点是格式规范、语义明确，主要包括：-药物相关数据库：如DrugBank（收录药物化学结构、靶点、代谢途径等详细信息）、ChEMBL（整合药物活性数据，如IC50、Ki值）、KEGGDRUG（药物与代谢通路的映射关系）。这些数据库为药物提供了“身份标签”，包括分子描述符（如分子量、脂水分配系数）、靶点谱（一个药物可能作用于多个靶点）、药代动力学参数等，是AI判断药物成药性的核心依据。-疾病相关数据库：如OMIM（人类孟德尔遗传病数据库，收录疾病基因型与表型关联）、DisGeNET（整合疾病-基因关联证据，如GWAS结果、文献挖掘）、GeneCards（基因功能注释与疾病关联）。这些数据库为疾病提供了“病理画像”，包括致病基因、异常通路、临床表型特征等，是AI寻找药物作用“切入点”的关键。1结构化生物医学数据库：构建关联的“骨架”-药物-疾病关联数据库：如DrugBank中的“DrugIndications”字段、Offsides（收录药物超说明书使用案例）、THERAPEUTICSTARGETDATABASE（TTD，药物靶点与疾病关联）。这类数据为AI提供了“已知的正样本”，是监督学习模型训练的“教师信号”。在我的团队早期的一个阿尔茨海默病（AD）药物重定位项目中，我们首先从DrugBank提取了所有作用于中枢神经系统的药物（共523种），从DisGeNET提取了AD的核心致病基因（如APP、PSEN1、MAPT）及关联通路（如Aβ生成、tau蛋白磷酸化），初步构建了“药物-靶点-疾病”的关联骨架。这一步看似基础，却直接决定了后续挖掘的上限——数据覆盖不全，再先进的算法也可能遗漏关键线索。2非结构化文本数据：挖掘隐藏关联的“金矿”生物医学文献、临床试验报告、电子病历（EMR）等非结构化数据中，蕴含了大量未被结构化数据库收录的“隐性关联”。例如，一篇临床研究可能提到“某降压药在老年患者中观察到认知功能改善”，这类“偶然发现”正是药物重定位的重要线索。AI技术（尤其是自然语言处理，NLP）是解锁这些数据价值的关键工具。-文献挖掘：我们采用基于BERT等预训练语言模型的NLP工具，从PubMed、ClinicalT等平台提取药物-疾病关联的文本证据。例如，通过识别“药物X改善疾病Y症状”“药物Z抑制疾病W相关通路”等表述，并抽取其中的药物名称和疾病名称，构建“文本关联对”。同时，通过关系抽取技术（如远程监督、少样本学习），进一步区分“正关联”（可能有效）、“负关联”（可能无效）和“中性关联”（无明确结论），提升数据质量。2非结构化文本数据：挖掘隐藏关联的“金矿”-电子病历挖掘：真实世界数据（RWD）中的用药记录和临床结局是验证药物重定位价值的重要依据。我们与多家医院合作，通过自然语言处理技术从EMR中提取患者诊断（ICD编码）、用药（ATC编码）、实验室检查、结局指标（如生存率、症状评分）等信息，构建“患者-药物-疾病”队列。例如，在分析2型糖尿病患者的EMR时，我们发现服用二甲双胍的患者中，帕金森病的发病率显著低于未服用者，这一现象为二甲双胍治疗帕金森病提供了真实世界证据。需要强调的是，非结构化数据的预处理需格外谨慎。文献中可能存在“动物实验有效但人体无效”的误导性信息，EMR中可能存在“混杂因素”（如患者合并用药、疾病严重程度差异）。因此，我们通常引入“证据权重”评分体系，根据数据来源（如RCT研究vs.病例报告）、样本量、研究质量等，对每条关联证据赋予0-1分的权重，供后续模型参考。3多组学数据：揭示作用机制的“分子显微镜”药物重定位的核心逻辑是“药物通过某种机制干预疾病”，而多组学数据（基因组、转录组、蛋白质组、代谢组）能从分子层面揭示这一逻辑，为AI提供“机制可解释性”的证据。-转录组数据：通过比较药物处理前后细胞/组织的基因表达谱变化，可识别药物的“基因表达签名”（GeneExpressionSignature）。例如，某抗癌药可能通过上调抑癌基因、下调癌基因发挥作用，若某神经退行性疾病的患者脑组织基因表达谱与该药物的“签名”相似，则提示该药物可能具有治疗潜力。我们常用的工具包括GSEA（基因集富集分析）和ssGSEA（单样本基因集富集分析），用于量化药物与疾病在通路层面的相似性。3多组学数据：揭示作用机制的“分子显微镜”-蛋白质组与代谢组数据：通过质谱等技术检测药物对蛋白质表达、代谢物浓度的影响，可挖掘药物的非靶点作用机制。例如，某降脂药可能通过调节胆固醇代谢通路改善线粒体功能，而线粒体功能障碍是多种神经退行性疾病的共同特征。这类数据能帮助AI突破“单一靶点”的局限，发现药物的多维度作用网络。在一个针对纤维化的药物重定位项目中，我们整合了1000+例患者的肝组织转录组数据，通过机器学习筛选出“纤维化核心通路”（如TGF-β/Smad通路），然后从ConnectivityMap（CMap）数据库中寻找能逆转该通路激活状态的药物。最终发现某抗抑郁药（氟西汀）可通过抑制TGF-β1表达，显著减轻肝星状细胞的活化，这一发现后续在动物模型中得到验证。4数据整合与标准化：构建“可计算”的知识网络异构数据的整合是AI辅助药物重定位的最大挑战之一——不同数据库的命名规则不统一（如药物名称有通用名、商品名、化学名）、数据维度不匹配（如基因组数据有数万个基因，临床数据仅有十几个指标）、语义歧义（如“缓解”在文献中可能指症状改善，也可能指指标下降）。为此，我们采用以下标准化策略：-实体识别与标准化：使用生物医学命名实体识别（Bio-NER）工具，统一药物（映射到DrugBankID）、疾病（映射到DOID）、基因（映射到EntrezGeneID）等实体的标识符，消除“一词多义”和“一义多词”的问题。-数据对齐与融合：通过“药物-靶点-疾病”三元组构建知识图谱（KnowledgeGraph），将结构化数据、文本挖掘证据、多组学数据映射到统一的图结构中。例如，将“二甲双胍→AMPK激活→改善胰岛素抵抗→可能治疗AD”这一机制表示为“（二甲双胍，激活，AMPK）-（AMPK，改善，胰岛素抵抗）-（胰岛素抵抗，相关，AD）”的路径，便于图神经网络（GNN）等模型进行推理。4数据整合与标准化：构建“可计算”的知识网络-数据质量控制：通过缺失值分析（如删除缺失率>30%的特征）、异常值检测（如箱线图法、Z-score法）、批次效应校正（如ComBat算法）等步骤，确保数据的一致性和可靠性。经过整合与标准化，我们通常能构建包含数万种药物、数千种疾病、数百万条关联证据的知识网络，为AI模型提供“全局视角”的学习基础。02AI辅助药物重定位的核心算法：从关联预测到机制推理AI辅助药物重定位的核心算法：从关联预测到机制推理有了高质量的数据基础，AI算法的核心任务是从“药物-疾病”关联网络中挖掘潜在的重定位机会。根据不同的技术原理和应用场景，我们将算法分为四类：监督学习、无监督学习、深度学习和知识图谱推理，这些算法并非互斥，而是常通过“集成学习”策略提升预测性能。1监督学习：基于历史数据的“经验学习”监督学习的核心是利用已知的“药物-疾病”正负样本训练模型，预测未知药物的潜在适应症。其优势在于目标明确、可解释性较强，适用于有较多已知关联的场景。-特征工程与模型选择：首先需要构建“药物-疾病”对的联合特征，包括：①药物特征（分子描述符、靶点相似性、药代动力学参数）；②疾病特征（基因表达相似性、通路富集分数、临床表型特征）；③药物-疾病交互特征（如靶点与致病基因的相互作用分数、文献共现频率）。常用的模型包括：-逻辑回归与随机森林：适用于特征维度相对较低（<1000）的场景，能输出特征重要性（如随机森林的Gini系数），帮助识别关键影响因素。例如，在预测某药物是否可能治疗高血压时，模型可能发现“靶点与肾素-血管紧张素系统的相关性”是最重要的特征。1监督学习：基于历史数据的“经验学习”-支持向量机（SVM）与XGBoost：适用于高维稀疏数据（如文本挖掘得到的“词袋”特征），XGBoost还能通过SHAP值（SHapleyAdditiveexPlanations）解释单条预测的依据。例如，在分析某抗生素治疗哮喘的预测结果时，SHAP值可能显示“该药物抑制了哮喘患者中高表达的炎症因子IL-6”是关键驱动因素。-挑战与应对：监督学习的最大瓶颈是“正样本稀疏性”——已知的药物-疾病关联仅占所有可能组合的极小部分（<1%）。为解决这一问题，我们常采用“难例挖掘”（HardNegativeMining）策略，从海量未关联对中筛选“难负样本”（如药理结构相似但治疗领域不同的药物），提升模型的判别能力。例如，在训练糖尿病药物重定位模型时，我们会将“二甲双胍（治疗糖尿病）”作为正样本，将“格列本脲（同为糖尿病药物）”作为易分样本，将“阿司匹林（抗血小板药）”作为难负样本，让模型学习“真正区分治疗潜力的特征”。2无监督学习：无标签数据的“自主探索”当已知关联数据较少时，无监督学习能通过数据内在的相似性结构发现潜在的重定位机会，无需人工标注标签，适用于“从零开始”的探索性研究。-聚类分析：通过算法将药物或疾病划分为不同的簇，簇内成员具有高度相似性，从而推断“同一簇的药物可能具有相似的适应症”。例如：-药物聚类：基于分子指纹（如ECFP4）和靶点谱，使用K-means或层次聚类将药物分组。我们发现，某抗肿瘤药（多西他赛）与某抗炎药（地塞米松）被分到同一簇，进一步分析显示二者均能“抑制微管蛋白聚合”和“调节NF-κB通路”，这一线索提示地塞米松可能具有抗肿瘤潜力（后续研究证实其可辅助治疗多发性骨髓瘤）。2无监督学习：无标签数据的“自主探索”-疾病聚类：基于基因表达谱和临床表型，使用共识聚类（ConsensusClustering）将疾病分组。我们将200+种神经退行性疾病聚类为“tau蛋白病变组”“Aβ沉积组”“线粒体功能障碍组”，然后分析“同一组疾病的治疗药物是否可跨病种使用”，发现某帕金森病药物（普拉克索）对“线粒体功能障碍组”中的另一种罕见病（共济失调毛细血管扩张症）也有效。-降维与可视化：通过t-SNE、UMAP等算法将高维数据映射到二维空间，直观展示药物与疾病的相似性分布。例如，我们在分析“老药新用”案例时发现，成功重定位的药物在低维空间中往往与原适应症疾病和新适应症疾病“距离较近”，这一规律可指导后续候选药物的筛选。2无监督学习：无标签数据的“自主探索”-矩阵补全：将“药物-疾病”关联矩阵视为一个“缺失值众多的矩阵”，通过矩阵分解（如SVD、NMF）或深度学习模型（如Autoencoder）预测缺失值。例如，我们构建了一个5000种药物×3000种疾病的矩阵，其中已知关联仅占0.1%，通过DeepMatrix模型预测后，筛选出Top100的高概率关联，其中已有20%在后续实验中得到验证。3深度学习：复杂模式的“端到端学习”深度学习（DL）通过多层神经网络自动提取数据特征，能捕捉传统方法难以发现的非线性、高阶关联，适用于多模态数据的融合分析。-卷积神经网络（CNN）：擅长处理网格化数据（如图像、序列），在药物重定位中主要用于：-分子结构分析：将药物分子SMILES字符串转换为“分子图”或“二维指纹图像”，用CNN提取结构片段特征，预测其与特定疾病靶点的结合能力。例如，我们训练了一个CNN模型，输入分子结构图像，输出“是否可能抑制新冠病毒3CL蛋白酶”的概率，成功从FDA批准药物中筛选出依度沙班（原抗凝药）作为候选药物。-医学影像分析：通过分析药物干预前后的影像学变化（如肿瘤大小、脑萎缩程度），反向推断药物的潜在适应症。例如，在AD研究中，我们用CNN处理MRI影像，发现某降压药（厄贝沙坦）能显著减少海马体萎缩，提示其可能具有神经保护作用。3深度学习：复杂模式的“端到端学习”-循环神经网络（RNN）与Transformer：擅长处理序列数据（如文本、时间序列），主要用于：-文献挖掘与推理：用BiLSTM提取文献中的上下文语义，判断“药物-疾病”关联的确定性（如“显著有效”“可能有效”“无效”）；或用Transformer生成“药物-疾病”关联的“自然语言解释”，辅助研究人员理解预测依据。-真实世界数据分析：用LSTM模型分析患者用药时间序列（如“先服用A药，后出现B病改善”），捕捉药物与结局的时序关联，排除混杂因素的干扰。例如，我们通过分析EMR中10万+糖尿病患者的用药记录，发现服用SGLT2抑制剂的患者，心衰住院风险降低18%，这一时序关联为该类药物治疗心衰提供了关键证据。3深度学习：复杂模式的“端到端学习”-图神经网络（GNN）：当前药物重定位领域最前沿的DL技术，专为图结构数据（如知识图谱）设计，能同时学习节点（药物/疾病）的特征和边（关联）的关系。例如，我们构建了一个包含“药物-靶点-疾病-通路”的异质图，使用R-GCN（关系图卷积网络）进行推理，发现“药物A→抑制靶点B→调节通路C→改善疾病D”的隐含路径，从而预测药物A可能治疗疾病D。相比传统方法，GNN的优势在于能利用“远距离关联”（如药物通过间接通路影响疾病），且可解释性更强——通过可视化“子图路径”展示推理过程。4知识图谱推理：基于符号逻辑的“可解释推理”知识图谱（KG）将生物医学实体和关系表示为“节点-边”结构，结合符号逻辑推理（如规则推理、路径推理），能提供AI预测的“解释链”，增强临床医生的信任度。-规则推理：通过专家经验或数据挖掘定义“关联规则”，让KG自动匹配规则并生成结论。例如，定义规则：“如果药物X抑制靶点Y，且靶点Y与疾病Z显著相关（P<0.01），则药物X可能治疗疾病Z”。在我们的AD药物重定位项目中，我们定义了50+条规则，成功从KG中筛选出120+个候选药物，其中30%在体外实验中显示对Aβ分泌的抑制作用。-路径推理：在KG中寻找“药物→靶点→通路→疾病”的最短路径或高权重路径，作为重定位的“机制证据”。例如，KG中存在“二甲双胍→激活AMPK→抑制mTOR→改善线粒体功能→缓解AD病理”的路径，路径上每一步均有文献或实验数据支持，这一路径的完整性显著提升了预测的可信度。4知识图谱推理：基于符号逻辑的“可解释推理”-嵌入推理：将KG中的节点和关系映射为低维向量（如TransE、RotatE模型），通过向量运算（如“向量(药物A)+向量(治疗)-向量(原适应症B)≈向量(新适应症C)”）预测潜在关联。这种方法结合了神经网络的模式捕捉能力和符号逻辑的可解释性，是目前KG推理的主流方向。在实践项目中，我们常将GNN与知识图谱结合：先用GNN学习KG中节点的表示向量，再用规则推理生成可解释的路径，最后用监督学习模型对路径进行打分排序。这种“混合推理”策略既提升了预测的准确性，又提供了机制解释，深受药企合作方的认可。03AI辅助药物重定位的验证与转化：从预测到临床的桥梁AI辅助药物重定位的验证与转化：从预测到临床的桥梁AI模型的预测结果仅是“候选药物”的起点，药物重定位的最终价值在于临床应用。因此，构建“体外-体内-临床”的阶梯式验证体系，是实现AI发现策略落地的关键。1体外实验验证：快速筛选“苗头化合物”体外实验是验证药物活性的第一步，成本相对较低、周期较短，主要用于筛选AI预测的“苗头化合物”（Hit）。根据药物重定位的机制假设，我们通常设计以下两类实验：-靶点验证：若AI预测基于“药物-靶点-疾病”的直接关联（如“药物X抑制疾病Y的靶点Z”），则采用酶联免疫吸附试验（ELISA）、表面等离子体共振（SPR）等方法，检测药物对靶点蛋白的抑制/激活能力。例如，我们预测某抗真菌药（特比萘芬）可能通过抑制LRRK2激酶治疗帕金森病，通过SPR实验证实特比萘芬对LRRK2的IC50值为1.2μM，达到“苗头化合物”标准（通常IC50<10μM）。-细胞模型验证：在疾病相关的细胞系中，检测药物对病理表型的改善作用。例如：-肿瘤细胞：用MTT法检测药物对肿瘤细胞增殖的抑制作用，分析IC50值和凋亡率；1体外实验验证：快速筛选“苗头化合物”-神经元细胞：用Aβ诱导的PC12细胞模型，检测药物对细胞存活率和tau蛋白磷酸化的影响；-原代细胞：从患者组织中分离原代细胞（如肝星状细胞、成纤维细胞），更接近体内病理状态。体外实验的阳性率通常较低（约10%-20%），因此需采用“高通量筛选”策略。我们与CRO公司合作，利用自动化液体处理系统和机器人操作平台，实现96孔板、384孔板规模的药物测试，单次可筛选数百个候选药物，将验证周期从传统的3-6个月缩短至1-2个月。2体内实验验证：评估药效与安全性体外实验通过后，需在动物模型中进一步验证药物的药效、药代动力学（PK）和安全性（Tox），这是进入临床试验前不可或缺的环节。-动物模型选择：根据疾病类型选择合适的模型，例如：-肿瘤模型：移植瘤模型（如皮下移植瘤、原位移植瘤）、基因工程模型（如KRAS突变肺癌模型）；-神经退行性疾病模型：转基因模型（如AD的APP/PS1小鼠、PD的α-synuclein转基因小鼠）、化学诱导模型（如MPTP诱导的PD小鼠）；-代谢性疾病模型：db/db糖尿病小鼠、高脂饮食诱导的NAFLD模型。模型的选择需兼顾“病理相似性”和“临床转化价值”，例如，在AD药物重定位中，我们优先选择5xFAD模型（模拟Aβ沉积）而非单纯Tau模型，因为Aβ沉积是AD的早期病理特征。2体内实验验证：评估药效与安全性-药效评价指标：根据疾病特点设定终点指标，例如：-肿瘤模型：肿瘤体积抑制率（T/C值）、生存期延长率；-AD模型：Morris水迷宫行为学评分（评估学习记忆能力）、脑组织Aβ斑块面积、神经炎症因子水平（如IL-6、TNF-α）；-糖尿病模型：空腹血糖水平、糖耐量试验（OGTT）曲线下面积、胰岛β细胞数量。-PK/PD研究：通过检测动物血液、组织中的药物浓度，评估药物的吸收、分布、代谢、排泄（ADME）特征，确定“有效剂量范围”。例如，我们发现某降压药（硝苯地平）在AD模型中的有效剂量（5mg/kg）低于其降压剂量（10mg/kg），且未观察到明显的低血压副作用，提示其“神经保护作用”独立于降压效应。2体内实验验证：评估药效与安全性体内实验的阳性率进一步降低（约5%-10%），但成功率显著高于传统新药研发（约1%-2%）。这得益于AI模型的精准预测，减少了不必要的动物实验，符合“3R原则”（Replacement、Reduction、Refinement）。3.3临床转化：从真实世界证据到随机对照试验临床转化是药物重定位的“最后一公里”，需结合真实世界数据（RWD）分析和随机对照试验（RCT）验证，平衡“证据强度”与“研发效率”。-真实世界证据（RWD）分析：在正式开展RCT前，利用RWD初步评估药物在目标适应症中的疗效和安全性，为试验设计提供依据。常用方法包括：2体内实验验证：评估药效与安全性-回顾性队列研究：从EMR或医保数据库中筛选目标疾病患者，按用药情况分为“暴露组”和“非暴露组”，比较终点事件（如死亡率、住院率）的差异。例如，我们利用英国临床实践研究数据链（CPRD），分析了2万+AD患者的用药记录，发现服用二甲双胡的患者AD进展风险降低19%，这一结果为后续RCT提供了关键假设。-病例交叉研究：适用于罕见结局（如猝死），以患者自身作为对照，比较“事件发生前一段时间”与“对照期”的用药差异。-propensityscorematching（PSM）：通过匹配暴露组和非暴露组的基线特征（如年龄、性别、合并症），控制混杂偏倚，提升结果可靠性。-随机对照试验（RCT）：RWD分析结果阳性后，需通过RCT确证药物的疗效，这是药物获批的“金标准”。针对药物重定位的特点，我们常采用创新的试验设计：2体内实验验证：评估药效与安全性1-适应性设计：根据期中分析结果调整样本量或试验方案，例如，若II期试验显示疗效显著，可提前进入III期并扩大样本量。2-篮式试验（BasketTrial）：同一药物针对多个携带相同分子靶点的不同疾病，例如，PD-1抑制剂在多种肿瘤中的“篮式试验”，可加速药物在多个适应症中的审批。3-平台试验（PlatformTrial）：多个药物/多个剂量组在同一试验框架中比较，如I-SPY2试验（针对乳腺癌新辅助治疗），可高效筛选有潜力的重定位药物。2体内实验验证：评估药效与安全性临床转化是投入最大、风险最高的环节，但AI的价值在于“精准定位”——通过前期数据分析和模型预测，将RCT的成功率从传统新药研发的10%-15%提升至20%-30%。例如，我们与某跨国药企合作的“氟西汀治疗特发性肺纤维化”项目，基于AI预测和RWD分析，II期试验的阳性率达到预设终点（FVC年下降率降低40%），目前已进入III期阶段。04AI辅助药物重定位的挑战与未来方向AI辅助药物重定位的挑战与未来方向尽管AI在药物重定位中展现出巨大潜力，但行业仍面临数据、算法、伦理等多重挑战。作为一线研究者，我认为这些挑战也正是未来技术突破和产业协同的方向。1核心挑战-数据孤岛与质量参差不齐：生物医学数据分散在医院、药企、数据库等不同机构，数据标准不统一，共享机制缺失；同时，临床数据中的噪声（如诊断错误、用药记录不全）、多中心数据的批次效应，均会影响AI模型的泛化能力。-模型可解释性与临床信任度：深度学习模型（尤其是GNN、Transformer）常被视为“黑箱”，临床医生难以理解其预测依据，导致“不敢用、不愿用”。例如，若模型预测“某抗生素可能治疗糖尿病”，但无法给出明确的机制解释，医生可能会选择更熟悉的传统药物。-跨学科人才短缺：药物重定位需要医药、AI、数据科学等多领域人才协作，但既懂药物研发流程又掌握AI技术的复合型人才严重不足，制约了技术的落地应用。1核心挑战-伦理与监管问