基于AI预测的SMN2表达调控SMA治疗策略

基于AI预测的SMN2表达调控SMA治疗策略演讲人引言：SMA治疗的“SMN2密码”与AI的破局可能01临床转化与未来展望：从“实验室”到“病床旁”的跨越02总结：AI预测——开启SMA精准治疗的“新密码”03目录基于AI预测的SMN2表达调控SMA治疗策略01引言：SMA治疗的“SMN2密码”与AI的破局可能引言：SMA治疗的“SMN2密码”与AI的破局可能作为一名长期投身神经遗传性疾病研究的工作者，我见证了脊髓性肌萎缩症（SMA）从“不可治”到“可治”的艰难跨越。SMA作为一种罕见的常染色体隐性遗传病，由SMN1基因缺失或突变导致运动神经元存活蛋白（SMN）不足引发，其临床严重程度与SMN2基因的拷贝数及表达效率密切相关——SMN2作为SMN1的“补偿基因”，其外显子7的剪接异常（约90%的转录本发生跳跃）导致功能性SMN蛋白产量不足，这是SMA发病的核心分子机制。传统治疗策略（如反义寡核苷酸Nusinersen、小分子药物Risdiplam、基因治疗Onasemnogeneabeparvovec）虽通过调控SMN2表达或补充SMN蛋白取得突破，但仍面临诸多局限：患者治疗反应的个体差异大（如SMN2拷贝数相同者预后迥异）、长期疗效的不可预测性、药物递送效率的瓶颈，以及低龄患儿早期干预窗口的紧迫性。这些问题的本质，在于我们对SMN2表达调控网络的认知仍停留在“静态描述”阶段，而缺乏对其动态、个体化调控规律的精准预测。引言：SMA治疗的“SMN2密码”与AI的破局可能正是在这一背景下，人工智能（AI）技术凭借其强大的数据挖掘、模式识别和动态预测能力，为破解SMN2调控的“黑箱”提供了全新工具。本文将从SMA与SMN2调控的生物学基础出发，系统阐述AI技术在SMN2表达预测中的核心应用，进而探讨基于AI预测的精准治疗策略设计，并展望其临床转化与未来方向。作为一名深耕该领域的研究者，我将以“问题-技术-应用”的逻辑主线，结合临床实践中的真实观察与思考，呈现AI如何革新SMA的治疗范式。二、SMA与SMN2调控的生物学基础：从“分子机制”到“治疗靶点”SMA的分子病理：SMN蛋白“量”的失衡与“质”的缺陷SMA的发病根源在于SMN蛋白的绝对不足。SMN蛋白是一种广泛表达的管家蛋白，其核心功能是参与snRNP复合物的组装，介导mRNA的剪接过程——这一功能对运动神经元的存活尤为关键，因其高度依赖活跃的基因表达与蛋白代谢。SMN1基因（位于5q13）是SMN蛋白的主要来源，约94%的SMA患者因SMN1纯合缺失或致病性突变导致SMN蛋白功能丧失；剩余6%的患者为SMN1基因的点突变或微小重排，虽保留部分功能，但仍不足以维持运动神经元正常代谢。值得注意的是，SMN2基因（与SMN1高度同源，仅5个核苷酸差异）的存在使SMA患者并非“零SMN蛋白”。SMN2的外显子7存在一个关键的C→T转换（位于外显子7的6号位，即“C6U”在RNA水平），该突变通过改变剪接因子的结合偏好，导致约90%的SMN2转录本发生外显子7跳跃，SMA的分子病理：SMN蛋白“量”的失衡与“质”的缺陷产生截短、无功能的SMNΔ7蛋白；仅10%的转录本可正确剪接，产生全长功能性SMN蛋白。因此，SMN2的“表达效率”（包括转录活性、剪接准确性、蛋白稳定性）直接决定了SMN蛋白的“产量”，进而影响SMA的临床表型——SMN2拷贝数越高（如2拷贝为重症型，4拷贝为轻型），患者通常发病越晚、症状越轻。（二）SMN2表达调控的“多层次网络”：从“基因到蛋白”的复杂调控SMN2的表达并非由单一因素决定，而是涉及转录、转录后、翻译及翻译后修饰的“多层次、多节点”调控网络，这为治疗干预提供了丰富靶点，也增加了精准调控的难度。SMA的分子病理：SMN蛋白“量”的失衡与“质”的缺陷转录水平的调控：启动子与增强子的“开关”作用SMN2的转录起始受其启动子区（包含TATAbox、GCbox、E-box等元件）和远端增强子（如位于内含子1的增强子元件）的精密调控。转录因子（TF）如Sp1、NF-κB、YB-1等通过结合启动子区的GCbox，激活SMN2转录；而HDAC（组蛋白去乙酰化酶）、HAT（组蛋白乙酰转移酶）等表观遗传修饰酶通过调节染色质开放状态，间接影响转录因子结合效率。例如，HDAC抑制剂（如伏立诺他）可通过增加组蛋白乙酰化，开放SMN2染色质区域，提升其转录活性。SMA的分子病理：SMN蛋白“量”的失衡与“质”的缺陷转录后调控：RNA剪接的“核心战场”SMN2外显子7的剪接是调控功能性SMN蛋白产量的关键环节，其受顺式作用元件（ISE、ESS、ISE/ESE）和反式作用因子（RNA结合蛋白，RBP）的动态平衡影响。-顺式作用元件：SMN2外显子7的5'端和3'端分别存在剪接增强子（ISE，如位于内含子6的ISEII、位于外显子7的5'端的ESE）和剪接沉默子（ESS，如外显子7的3'端的ESS）。这些元件通过招募RBP，决定外显子7是否被识别并纳入转录本。-反式作用因子：hnRNPA1/A2、SRSF1、Tra2β等RBP通过结合顺式元件，促进或抑制外显子7的剪接。例如，hnRNPA1结合外显子7的ESS，促进其跳跃；而Tra2β结合ESE，促进外显子7的保留。此外，RNA二级结构（如外显7与内含子6形成的“茎环结构”）也会通过空间位阻影响剪接因子的结合。SMA的分子病理：SMN蛋白“量”的失衡与“质”的缺陷转录后调控：RNA剪接的“核心战场”3.翻译与翻译后修饰：SMN蛋白“质”的保障即使SMN2转录本正确剪接，SMN蛋白的翻译效率（如5'UTR的Kozak序列强度、mRNA稳定性）和翻译后修饰（如泛素化、磷酸化、乙酰化）也影响其功能稳定性。例如，SMN蛋白的泛素化修饰通过泛素-蛋白酶体途径介导其降解，而去泛素化酶（如USP7）可稳定SMN蛋白；磷酸化修饰则影响SMN蛋白与snRNP的组装效率。现有SMN2调控治疗策略的“成就”与“瓶颈”基于上述机制，目前已开发三类针对SMN2的调控策略，但其局限性日益凸显：-反义寡核苷酸（ASO）：如Nusinersen（Spinraza），通过结合SMN2pre-mRNA的ISS-N2位点（内含子1的剪接沉默子），阻断hnRNPA1的结合，促进外显子7的保留。然而，ASO需鞘内注射给药，递送效率有限，且长期治疗可能引发血小板减少、肝肾功能异常等副作用；部分患者因SMN2剪接调控网络“代偿性增强”而出现疗效衰减。-小分子剪接调节剂：如Risdiplam（Evrysdi），通过结合SMN2pre-mRNA的剪接增强子，促进Tra2β等因子的募集，增加外显子7保留率。其优势为口服给药，但生物利用度低（约0.7%），且需终身用药；对于SMN2拷贝数≤2的重症患者，疗效仍不理想。现有SMN2调控治疗策略的“成就”与“瓶颈”-基因治疗：如Onasemnogeneabeparvovec（Zolgensma），通过AAV9载体递送SMN1cDNA，补充SMN蛋白。但治疗费用高昂（约210万美元/例），且可能引发肝毒性、血栓栓塞等严重不良反应；此外，AAV载体无法整合至宿主基因组，长期疗效依赖持续表达，部分患者可能出现“二次衰减”。这些策略的共同局限在于：“一刀切”的治疗方案无法匹配患者的个体差异（如SMN2单核苷酸多态性、表观遗传修饰状态、免疫微环境差异），导致疗效不可预测。而AI技术，正是通过整合多维度、动态化的患者数据，实现对SMN2调控网络的精准预测与干预，为解决这一难题提供了可能。现有SMN2调控治疗策略的“成就”与“瓶颈”三、AI在SMN2表达调控预测中的应用基础：从“数据整合”到“模型构建”AI技术的核心优势在于处理高维度、非线性生物数据的能力，这与SMN2调控网络的复杂性高度契合。近年来，随着组学技术（基因组、转录组、表观基因组、蛋白质组）和临床电子病历数据的爆发式增长，AI已逐步成为SMN2表达调控预测的“智能引擎”。AI技术概述：机器学习与深度学习的“协同作战”在SMN2调控预测中，AI技术主要分为机器学习（ML）和深度学习（DL）两大类：-机器学习：如随机森林（RF）、支持向量机（SVM）、XGBoost等，通过人工提取特征（如SMN2拷贝数、RBP表达水平、表观遗传修饰位点），构建预测模型。其优势在于模型可解释性强，适合处理中小样本数据。-深度学习：如卷积神经网络（CNN）、循环神经网络（RNN）、图神经网络（GNN）、Transformer等，可自动从原始数据中学习特征，尤其适合处理序列数据（如DNA/RNA序列）、时空数据（如基因表达动态变化）和关系数据（如蛋白质互作网络）。例如，CNN可通过识别SMN2外显子7的序列基序，预测剪接效率；RNN可分析患者不同时间点的SMN2表达动态，预测长期疗效。SMN2调控数据的“特征挖掘”与“挑战”AI模型的性能取决于数据的质量与维度。SMN2调控数据具有“多源异构、动态变化、个体差异大”三大特征，为数据整合与特征提取带来挑战：SMN2调控数据的“特征挖掘”与“挑战”多组学数据的“异构整合”-基因组数据：SMN2基因的单核苷酸多态性（SNP，如外显子7的C6T、内含子7的G>A）直接影响剪接因子结合效率，例如SNPrs10287413（位于SMN2启动子区）可降低Sp1结合，降低转录活性。-转录组数据：包括SMN2的mRNA表达水平（qPCR、RNA-seq）、剪接异构体比例（NanoString、单细胞RNA-seq）、RBP表达谱（如hnRNPA1、SRSF1的mRNA水平）。单细胞RNA-seq技术可揭示不同细胞类型（如运动神经元、星形胶质细胞）中SMN2表达的异质性，这是bulkRNA-seq无法实现的。SMN2调控数据的“特征挖掘”与“挑战”多组学数据的“异构整合”-表观基因组数据：DNA甲基化（如SMN2启动子区的CpG岛甲基化状态）、组蛋白修饰（如H3K27ac、H3K4me3的富集程度）、染色质开放性（ATAC-seq）共同决定SMN2的转录潜能。例如，SMN2启动子区的高甲基化可抑制转录，而H3K27ac的高富集可增强转录活性。-蛋白质组数据：SMN蛋白的翻译效率（如核糖体profiling）、翻译后修饰状态（如磷酸化、泛素化水平）、与snRNP的互作强度（Co-IP-MS），可反映功能性SMN蛋白的“产出”效率。SMN2调控数据的“特征挖掘”与“挑战”动态数据的“时间维度”SMN2的表达调控具有“时序性”：在SMA疾病进展中，运动神经元的代谢应激会诱导RBP表达重编程（如应激状态下hnRNPA1表达升高，促进SMN2外显子7跳跃）；在药物治疗中，ASO/Risdiplam的干预效果随时间动态变化（如Nusinersen给药后24小时可检测到SMN2剪接改变，但SMN蛋白水平的升高需2-4周）。这种动态性要求AI模型具备“时序建模”能力，如LSTM、GRU等RNN变体可捕捉SMN2表达的长期依赖关系。SMN2调控数据的“特征挖掘”与“挑战”个体差异数据的“复杂性”即使SMN2拷贝数相同，患者的临床表型（发病年龄、运动功能评分、生存期）也可能差异显著。这种“表型-基因型”的不一致性源于多因素：01-遗传背景：除SMN2外，其他基因（如PLASTIN3、NAIP、ZPR1）的多态性可能影响SMA表型，例如NAIP基因拷贝数缺失与重症SMA相关。02-环境因素：营养状态（如维生素D水平）、感染、免疫反应等可通过表观遗传修饰或炎症因子释放，间接调控SMN2表达。03-治疗干预：既往治疗史（如激素使用、呼吸支持）可能改变患者的药物代谢动力学或免疫微环境，影响疗效。04AI预测模型的“构建”与“验证”基于上述数据，AI模型的构建需遵循“数据预处理→特征工程→模型训练→性能评估→临床验证”的标准化流程：AI预测模型的“构建”与“验证”数据预处理：从“原始数据”到“高质量输入”-数据清洗：剔除异常值（如RNA-seq中表达水平低于1的基因）、处理缺失值（通过KNN插补或多重插补法）。01-数据标准化：对组学数据进行归一化（如TPM标准化转录组数据、Z-score标准化表观遗传数据），消除平台批次效应。01-数据对齐：将不同来源的数据（如基因组SNP与转录组RBP表达）按患者ID和样本时间点对齐，构建“患者-多组学-临床表型”的联合数据库。01AI预测模型的“构建”与“验证”特征工程：从“原始特征”到“高维表征”-手动特征提取：基于领域知识提取关键特征，如SMN2拷贝数、外显子7保留率、RBP表达水平、启动子甲基化水平等。-自动特征学习：通过DL模型（如Autoencoder）从原始数据中学习低维表征，例如将SMN2pre-mRNA序列输入CNN，自动识别影响剪接的序列基序；将蛋白质互作网络输入GNN，学习SMN蛋白的功能模块特征。AI预测模型的“构建”与“验证”模型训练：从“单一算法”到“集成学习”为提升模型泛化能力，常采用集成学习策略（如Stacking、Bagging），结合多个基模型（如RF、SVM、XGBoost、LSTM）的预测结果。例如，在预测SMN2外显子7保留率时，可用RF处理基因组SNP特征，用CNN处理RNA序列特征，用RNN处理时序表达数据，最后通过XGBoost融合各模型输出，生成最终预测值。AI预测模型的“构建”与“验证”性能评估与验证-内部验证：采用交叉验证（如10折交叉验证）评估模型在训练集上的性能，常用指标包括准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1-score、AUC-ROC值。-外部验证：在独立队列（如多中心临床数据）中验证模型泛化能力，避免过拟合。例如，训练集使用欧美SMA患者数据，验证集使用亚洲患者数据，检验模型在不同人群中的适用性。-生物学验证：通过体外实验（如CRISPR-Cas9编辑SMN2基因、RBP敲低/过表达实验）或动物模型（如SMNΔ7小鼠）验证AI预测的调控靶点，例如若AI预测某SNP可增加SMN2转录，可通过荧光素酶报告基因实验验证其启动子活性。123AI预测模型的“构建”与“验证”性能评估与验证四、基于AI预测的SMN2精准调控治疗策略：从“靶点发现”到“个体化治疗”AI预测的最终目的是指导治疗策略的精准化。通过整合患者的多组学数据和临床特征，AI可实现对SMN2调控网络的“个体化画像”，进而驱动靶点发现、治疗方案优化和联合治疗设计。AI驱动的“新靶点发现”：从“已知网络”到“未知节点”传统靶点发现依赖“假设驱动”的研究，效率低下；而AI可通过“数据驱动”策略，识别SMN2调控网络中的“关键节点”和“潜在靶点”。AI驱动的“新靶点发现”：从“已知网络”到“未知节点”非编码RNA调控网络的“解密”非编码RNA（如lncRNA、miRNA）可通过表观遗传修饰、RBP竞争等方式调控SMN2表达，但其调控机制尚未完全阐明。AI模型（如GNN、miRNA靶点预测工具TargetScan、miRanda）可整合RNA-seq、CLIP-seq（RNA结合蛋白免疫沉淀测序）数据，构建“非编码RNA-SMN2”调控网络。例如，某研究发现lncRNA-SMA1通过结合hnRNPA1，抑制其与SMN2外显子7的ESS结合，促进外显子7保留；而miR-137可直接靶向SMN2mRNA的3'UTR，抑制其翻译。这些新靶点为药物开发提供了全新方向。AI驱动的“新靶点发现”：从“已知网络”到“未知节点”表观遗传修饰“动态开关”的识别表观遗传修饰（如DNA甲基化、组蛋白修饰）具有“可逆性”，是理想的药物靶点。AI模型（如深度学习模型DeepSEA、CNN-basedmethylomepredictor）可分析不同疾病状态（如SMA患者vs健康人）、不同治疗阶段（如用药前vs用药后）的表观遗传数据，识别关键修饰位点。例如，某研究通过ATAC-seq和ChIP-seq数据训练CNN模型，发现SMN2启动子区的H3K27me3（抑制性组蛋白修饰）在重症SMA患者中显著富集，而HDAC抑制剂可通过降低H3K27me3水平，提升SMN2转录。AI驱动的“新靶点发现”：从“已知网络”到“未知节点”RBP“调控枢纽”的定位RBP是SMN2剪接调控的核心执行者，但其相互作用网络复杂。AI模型（如蛋白质互作网络预测STRING、基于Transformer的RBP-RNA互作模型）可整合CLIP-seq、RBP敲低/过表达数据，识别“关键RBP”——即调控SMN2表达的核心节点。例如，通过构建RBP-SMN2互作网络，发现SRSF1不仅是SMN2外显子7的剪接促进因子，还可通过调控其他剪接因子（如Tra2β）的表达，形成级联调控效应；靶向SRSF1的小分子化合物（如TG003）可协同提升SMN2表达。（二）个性化治疗方案的“AI优化”：从“群体标准”到“个体定制”AI模型可根据患者的“SMN2调控画像”，预测不同治疗策略的疗效，实现“量体裁衣”的治疗方案设计。AI驱动的“新靶点发现”：从“已知网络”到“未知节点”患者分层与疗效预测通过聚类算法（如K-means、层次聚类）对患者的多组学数据（SMN2拷贝数、RBP表达、表观遗传修饰、临床特征）进行分层，识别“治疗响应亚型”。例如：-高响应亚型：SMN2拷贝数≥4，外显子7保留率基线较高，RBP（如Tra2β）表达充足，可优先选择Risdiplam（口服方便，长期安全性高）；-中响应亚型：SMN2拷贝数3，表观遗传修饰（如H3K27ac）可逆性强，可联合HDAC抑制剂与ASO，协同提升SMN2表达；12345此外，回归模型（如XGBoost、神经网络）可预测患者的“疗效终点”，如治疗12个月后的Hammersmith运动功能评分（HFMSE）、SMN蛋白水平提升幅度，帮助医生制定“个体化治疗目标”。-低响应亚型：SMN2拷贝数≤2，存在致病性SNP或表观遗传“锁定”（如启动子高甲基化），可考虑基因治疗或ASO+SMN蛋白补充的联合方案。AI驱动的“新靶点发现”：从“已知网络”到“未知节点”剂量与给药方案的“动态调整”传统给药方案基于“群体药代动力学”，无法个体化调整剂量；而AI模型可整合患者的基因型（如药物代谢酶CYP450基因型）、体重、肝肾功能等数据，预测不同剂量下的药物暴露量（AUC）和疗效。例如，对于Nusinersen治疗，AI模型可根据患者的CSF药物浓度-时间数据，预测“最佳给药间隔”（如部分患者可从每4个月延长至每6个月给药，减少鞘内注射次数）；对于Risdiplam，可根据患者的胃肠道吸收差异（如转运体OATP1B1表达水平），调整起始剂量（如低体重患儿需降低剂量至0.2mg/kg）。AI驱动的“新靶点发现”：从“已知网络”到“未知节点”治疗反应的“实时监测与预警”通过可穿戴设备（如运动传感器、呼吸监测仪）和液体活检（如外周血SMN2mRNA检测），AI可实现治疗反应的“动态监测”。例如，LSTM模型可分析患者每周的HFMSE评分和SMN2外显子7保留率变化，提前4周预测“疗效衰减”（如SMN2表达水平下降超过20%），并及时调整治疗方案（如增加ASO剂量或联合新靶点药物）。这种“实时反馈”机制可避免“无效治疗”，最大化治疗获益。（三）联合治疗策略的“智能设计”：从“单药干预”到“协同增效”SMA的复杂性决定了单一治疗策略难以实现“治愈”，AI可通过设计“多靶点、多通路”的联合治疗方案，提升疗效。AI驱动的“新靶点发现”：从“已知网络”到“未知节点”药物协同效应的“虚拟筛选”AI模型（如深度学习协同预测模型、基于知识图谱的药物重定位工具）可整合药物作用机制（MoA）、SMN2调控网络数据，预测药物协同组合。例如：-ASO+HDAC抑制剂：ASO促进SMN2外显子7保留，HDAC抑制剂提升SMN2转录活性，二者协同可提升SMN蛋白产量2-3倍（较单药治疗）；-Risdiplam+miR-137抑制剂：Risdiplam促进SMN2剪接，miR-137抑制剂解除其对SMN2mRNA翻译的抑制，协同提升功能性SMN蛋白水平；-基因治疗+免疫调节剂：AAV基因治疗可能引发免疫反应，通过AI预测患者免疫应答风险（如HLA分型、炎症因子水平），提前使用免疫抑制剂（如糖皮质激素），降低肝毒性风险。AI驱动的“新靶点发现”：从“已知网络”到“未知节点”递送系统的“智能优化”药物递送效率是限制疗效的关键瓶颈，AI可优化递送系统的设计（如AAV载体、脂质纳米粒LNP）。例如：-AAV血清型筛选：通过GNN模型分析不同AAV血清型（如AAV9、AAVrh10）的组织嗜性（运动神经元靶向效率）、免疫原性，为患者选择“最优血清型”；-LNP配方优化：通过强化学习（ReinforcementLearning）优化LNP的脂质组成（如DSPC、胆固醇、PEG化脂质比例），提升Risdiplam的口服生物利用度（从0.7%提升至5%以上）；-组织特异性递送：通过AI设计“组织特异性启动子”（如运动神经元特异性Syn1启动子），限制AAV载体在靶组织的表达，降低off-target毒性。02临床转化与未来展望：从“实验室”到“病床旁”的跨越临床转化与未来展望：从“实验室”到“病床旁”的跨越AI驱动的SMN2调控治疗策略虽展现出巨大潜力，但其临床转化仍面临“数据、伦理、监管”等多重挑战；而多学科协作与技术创新，将是推动其落地的关键。临床转化的“现实挑战”数据隐私与安全SMA患者的多组学数据和临床信息包含高度敏感的个人隐私，如何在数据共享与隐私保护间取得平衡，是AI模型开发的前提。解决方案包括：去标识化处理数据、采用联邦学习（FederatedLearning，在本地训练模型，仅共享参数而非原始数据）、建立“数据信托”（DataTrust，由第三方机构监管数据使用）。临床转化的“现实挑战”模型可解释性与信任AI模型的“黑箱”特性（如深度学习）可能导致医生和患者对预测结果缺乏信任。因此，需结合可解释性AI（XAI）技术，如SHAP值（SHapleyAdditiveexPlanations）分析各特征对预测结果的贡献度，例如“某患者SMN2外显子7保留率预测值为30%，其中SNPrs10287413的贡献度为-15%，RBPTra2β的贡献度为+20%”，帮助医生理解预测依据。临床转化的“现实挑战”监管审批与标准化目前，FDA和EMA对AI辅助治疗决策的审批仍处于探索阶段，缺乏统一标准。需推动“AI模型监管框架”的建立，明确模型的性能要求（如预测准确率≥85%）、验证流程（多中心外部验证）、临床应用场景（如仅用于辅助医生决策，而非替代决策）。此外，需制定SMN2调控数据的采集标准（如RNA-seq的测序深度、表观遗传数据的实验流程），确保不同来源数据可比性。多学科协作的“必然选择”AI驱动的SMA治疗策略是“神经科学+AI+临床医学+药企”多学科交叉的产物，需构建“基础研究-技术开发-临床验证”的闭环协作模式：-神经科学家：解析SMN2调控网络的分子机制，为AI模型提供生物学先验知识；-AI工程师：开发高效的预测算法和可视化工具，实现数据的智能挖掘；-临床医生：提供患者的真实世界数据和临床需求，验证模型的临床实用性；-药企：基于AI预测的靶点和联合方案，开发创新药物和递送系统。例如，某国际多中心研究项目中，神经科学家通过单细胞RNA-seq揭示运动神经元中SMN2表达的异质性，AI工程师据此开发“细胞类型特异性SMN2表达预测模型”，临床医生通过该模型筛选出“运动神经元SMN2低表达亚型”，药企则针对该亚型开发“AAV9-SMN1+ASO”的联合疗法，最终进入Ⅱ期临床试验。未来发展的“三大方向”多模态数据整合与动