《网络药理学“十问”》背后的研究新趋势

最近，笔者读《中国中医药报》专访清华大学长聘教授、欧洲科学与艺术院院士李梢的文章《网络药理学“十问”》，最大的感受并不是这门学科又被系统梳理了一遍，而是更清楚地看到“网络药理学正在进入一个真正需要重新定义自己的阶段”。它最重要的问题，可能已经不再是还能不能继续做，而是下一步究竟该往哪里走。

过去这些年，网络药理学之所以受到关注，是因为它帮助研究者从单成分、单靶点、单通路的线性视角，走向了多成分、多靶点、多通路的系统视角。但随着研究数量快速增长，这一领域也越来越频繁地遭遇质疑：它究竟是在发现新机制，还是只是在用数据库、富集分析和网络图去重新包装一些原本并不新鲜的结论？在这种背景下，《网络药理学“十问”》其实不仅是在回应争议，更是在重新划定网络药理学的研究边界和未来方向。

网络药理学真正的研究对象，不是方子本身而是疾病网络

很多人一提网络药理学，首先想到的还是一套高度流程化的研究路径：成分筛选、靶点预测、交集获取、分子对接，最后再配上一两张漂亮的网络图。这套路径不能说没有价值，它至少推动研究者摆脱了一个成分对应一个靶点的简单思维，迈向了“多成分—多靶点—多通路”的系统视角。但当这种流程被机械复制、批量生产后，问题也随之出现——如果研究起点始终是“我手里有一个方子，我来想办法证明它有效”，那么网络药理学就很容易变成一种解释性工具，而不是发现性工具。

李梢反复强调的一点非常关键：网络药理学真正要研究的，不只是药物网络，而是疾病网络本身。疾病不是某个单一分子出了问题，而是组织、细胞、分子等多层次网络整体失衡的结果。因此，治疗的靶点也不应只停留在单个分子，而应升级为疾病网络及其关键环节。

这一点看似是概念之争，实际上决定了研究质量的上限。因为只要研究仍然停留在“从药找靶”，就容易走向先有结论、再去拼接证据的套路。而一旦起点变成疾病网络究竟在什么层次失衡，药物又通过怎样的协同作用使其重新趋于稳态，网络药理学才真正进入机制研究阶段。

李梢在谈到当前网络药理学的发展瓶颈时，提出了一个极其关键的判断：这门学科必须从“相关”走向“因果”，从“静态”走向“动态”，从“单向”走向“闭环”。这句话的分量其实非常重，因为它意味着未来网络药理学的核心能力，不是再多接几个数据库、再多跑几次分子对接，而是要真正重建疾病发生发展的动态过程。

过去的网络药理学，更多建立在相对静态的数据库关系和平均化组学结果之上。它擅长回答哪些靶点可能相关，却不太擅长回答在什么时候、哪个细胞群、哪种组织微环境中、通过什么动态路径发生作用。而随着单细胞组学、空间组学等技术的发展，研究者已经不再满足于找到候选靶点，而是开始进一步追问：这些靶点位于什么细胞类型？在疾病的哪个阶段最关键？处于什么空间生态位？是炎症边界、纤维化区域，还是免疫浸润微环境？这意味着，未来真正有说服力的网络药理学，不会停留在“药物—靶点—疾病”的平面网络图，而会逐步走向“细胞类型—空间位置—病程阶段—网络模块”的立体分析。一旦研究分辨率推进到这一层，网络药理学就不再只是系统视角的口号，而开始接近系统证据的建设。由此看来，未来更有说服力的网络药理学研究，需要逐步走向跨尺度、动态化的疾病网络建模。

这门学科最该摆脱的，不是还原论，而是“伪系统论”

在不少讨论中，网络药理学常被放在还原论的对立面，仿佛只要谈系统、谈网络，就天然比传统分子药理学更高级。但李梢的判断更值得重视：问题并不在于还原论本身，而在于有些研究名义上做的是网络药理学，实际上仍然停留在单成分、单靶点、单通路的线性思维，只不过把零散数据拼成了网络图，看起来更“系统”而已。

真正有价值的网络药理学，不是把节点堆得更多、连线画得更复杂，而是要真正分析模块互作、扰动传播、级联效应和多靶点协同的非加和性。没有节点证据，系统分析会失去基础。但如果只有节点、没有关系，也永远无法解释复杂疾病与复方干预中的整体效应。所以，网络药理学真正要警惕的，不是还原方法本身，而是披着网络外衣的线性研究思维——那种表面上处处讲系统，实质上却没有严密证据链和功能解释力的研究姿态。

这一点也直接关系到网络药理学与中医理论的结合方式。李梢提出，网络药理学完全可以深度反映中医“辨证论治”“君臣佐使”等理论，但前提绝不是机械对应。不同的“证”，不能被简单压缩成几条固定通路。“君臣佐使”也不能被硬拆成几个孤立靶点。真正有价值的方向，是把中医理论中的“整体状态”“失衡模式”“协同干预”转译为可建模、可验证、可迭代修正的系统模型。

这里的关键词不是“对应”，而是“转译”。网络药理学的意义，不是把中医拆碎后塞进现代生物医学的单靶点语言里，而是尝试为中医整体观找到一种可以建模、跟踪和验证的现代科学表达方式。这个任务显然比做一个对应关系表困难得多，但也有价值得多。

AI进入之后，真正稀缺的不是算法，而是有生物逻辑的问题、数据和模型

“人工智能＋网络药理学”已经成为今天的研究热点，但李梢并没有对这一趋势盲目乐观。李梢强调，AI赋能网络药理学的前提，是高质量数据、合理的生物逻辑和临床可验证的闭环，要让其“为我所用”，而不能“被其所困”。这个判断非常重要，因为AI会放大能力，也会放大错误。如果底层数据本身就存在缺失、偏倚和不一致，那么再复杂的模型，也可能只是在放大噪声。如果生物逻辑本身不清楚，那么再高级的预测，也可能只是更精致的错觉。换句话说，AI并不会自动让网络药理学变得更科学，它只会把研究者原有的方法学优势和短板同时放大。

所以未来AI时代的网络药理学，真正稀缺的恐怕不是会不会用模型，而是有没有能力给模型建立正确的知识边界。什么样的数据值得被学习？什么样的网络关系具有生物学含义？哪些预测可以进入实验？哪些结果能够被临床问题持续校准？这些问题，远比用了什么模型更重要。

大语言模型亦是如此。它们确实擅长快速整理海量文献和多模态信息，辅助归纳潜在的疾病—靶点—方药关系，甚至能够帮助结构化处理古籍医案和配伍规律。但它们同样容易产生幻觉、因果混淆和可解释性不足。真正高水平的网络药理学，不会把大语言模型当作可以脱离生物逻辑和实证校验的工具，而是把它放在疾病网络知识图谱、系统论约束和实验临床验证的框架中使用。从这个意义上说，AI带来的最大变化，不只是方法更新，更是在逼着网络药理学重新回答一个更基础的问题：什么样的知识，才值得被模型学习；什么样的问题，才值得被这门学科去定义和解决。

判断一项网络药理学研究值不值得看，标准已经变了

很多人批评网络药理学“解释性强、创造性弱”，因为确实存在不少研究只是用网络图解释已知现象，没有真正提出新的问题、新假说和新发现，但这并不能代表网络药理学的真正价值。在“如何开展高质量网络药理学研究”这一问题上，李梢给出的建议很务实：锚定临床真问题，严把数据源头关，坚持系统思维，建立全链条实证闭环，并兼顾解释与创造、聚焦转化落地。这实际上也意味着，评价网络药理学研究的标准，已经与几年前明显不同了。

过去很多人判断一篇文章是否“像网络药理学”，往往看它有没有数据库整合、有没有PPI网络、有没有富集分析、有没有分子对接和分子动力学。今天这些流程已经越来越难构成区分度。真正重要的问题，正在转向几个更本质的层面：它是不是从真实的临床或生物学问题出发？它有没有真正逼近疾病网络的关键机制？它有没有形成计算、实验和临床之间的闭环证据链？它最终能否带来可转化的价值，比如新的标志物、新的分期、新的人群分层策略，或者更合理的干预思路？如果这些问题回答得比较弱，那么即使图再漂亮、流程再完整，也很难说是一项真正高水平的网络药理学研究。相反，如果一项研究在这些方面做得扎实，即使技术流程没有那么花哨，它的价值往往也会更长久。

这也是为什么说，网络药理学的下半场不再是“多成分、多靶点、多通路”的重复申述，而是“多尺度、可验证、可转化”的能力竞争。过去“多成分—多靶点”之所以重要，是因为它让我们看到复杂疾病和复杂干预不能再用线性思维解释。可问题在于，当这个表述被反复使用到近乎口号化之后，它也越来越难以支撑一个学科继续向前发展。今天真正能拉开差距的，不是谁更会讲整体性，而是谁能把整体性落实成多尺度的网络刻画能力、可验证的机制推断能力，以及面向临床的转化能力。未来真正有竞争力的网络药理学研究，大概会有3个非常鲜明的特征：第一，它不再满足于在分子层面列出一串候选靶点，而是会把问题推进到细胞、组织、病程、患者分层等多个层次，形成真正的多尺度机制框架；第二，它不会把预测当作研究终点，而会把预测视为实验和临床验证的起点；第三，它最终要落到真实世界中去回答临床问题。

所以，网络药理学的下半场不是一个更会讲故事的阶段，而是一个更需要拿出硬证据的阶段。谁能把复杂性转化为可检验的研究路径，谁才有机会真正定义这一领域的未来。（姚俊杰 长春中医药大学）