PandaOmics 平台论文精读：靶点发现证据链要怎么拆开看

PandaOmics（Insilico Medicine）是靶点发现平台，整合多组学数据、文献挖掘与知识图谱，为靶点打分排序。评价这类平台的关键不是看它给出的排名，而是看能否把排名背后的证据链完整拆开检验。

平台整合的证据类型

核心问题：如何拆解证据链

# 平台给出「靶点 X，评分 0.87，排名第 3」
# 【这个数字本身没有信息量】
#
# 必须能回答的问题：
#
# 1) 【这个分数由哪些证据构成？各占多少权重？】
#    - 如果主要来自文献共现，那基本等于「热门程度」
#    - 如果主要来自差异表达，那只是相关性
#    - 如果有遗传学与功能扰动证据，才有分量
#
# 2) 【每条证据的原始来源是什么？】
#    - 差异表达来自哪个数据集？样本量多少？
#    - 是什么疾病亚型、什么组织？
#    - 与我关心的适应症匹配吗？
#
# 3) 【方向对不对？】
#    - 靶点在疾病中上调，那应该抑制它
#    - 但如果它是保护性因子，抑制反而有害
#    - 【平台的打分未必区分这个】
#
# 4) 【有没有反面证据？】
#    - 敲除动物是否有严重表型（安全性风险）
#    - 是否有失败的临床试验
#    - 【平台通常只强调正面证据】
#
# 5) 【可成药性如何？】
#    - 有没有可结合的口袋（见 413）
#    - 是否属于「难成药」的蛋白类别
#    - 有没有已知的配体或工具化合物
#
# 6) 【组织特异性与安全窗】
#    - 靶点在正常组织中的表达
#    - 抑制它会有什么副作用
#
# 【如果平台不能给出这些细节，
#  那么它的排名不应该驱动实际决策】

从相关到因果的证据梯度

# 这是评估靶点证据的核心框架（见 154）
#
# 第 1 层：【相关性】
#   - 疾病组织中表达变化
#   - 与临床指标相关
#   → 最容易获得，也最不可靠
#   → 可能是疾病的【结果】而非【原因】
#
# 第 2 层：【共变与网络位置】
#   - 在疾病相关通路中
#   - 网络中心性高
#   → 提示性，但仍非因果
#
# 第 3 层：【遗传学证据】
#   - GWAS 关联
#   - 罕见功能缺失变异与表型
#   - 孟德尔随机化
#   → 【接近因果】：基因型先于表型，
#     不受反向因果与多数混杂影响
#   → 【有人类遗传学支持的靶点，
#      临床成功率明显更高】
#
# 第 4 层：【功能扰动】
#   - 细胞模型中敲除/敲低改变表型
#   - CRISPR 筛选中的依赖性
#   → 直接的因果证据，但模型是否代表疾病？
#
# 第 5 层：【动物模型】
#   - 基因敲除动物的疾病表型
#   - 药理学干预的效果
#   → 更接近，但物种差异是主要风险
#
# 第 6 层：【人体证据】
#   - 工具化合物的临床概念验证
#   - 已有药物的作用机制
#   → 【金标准】
#
# 【实践建议】：
#   把平台给出的每个候选靶点，
#   明确标注它的证据处在哪一层
#   → 只有第 3 层以上的证据才值得投入资源

AI 在靶点发现中的真实作用

• 它擅长的：
  • 大规模文献与数据的汇总——人工不可能读完所有相关文献；
  • 发现被忽略的候选（不在当前研究热点中的基因）；
  • 跨数据集的一致性检验；
  • 快速生成假设供进一步验证。
• 它不能做的：
  • 把相关性变成因果性——这需要实验；
  • 判断临床可行性与商业价值；
  • 预测安全性风险（除非有明确的遗传学信号）；
  • 替代对疾病生物学的深入理解。
• 系统性偏倚：基于文献的方法天然偏向研究充分的基因——而真正的新靶点恰恰是文献少的。这个偏倚必须主动纠正（如给文献证据降权，或专门筛选低文献量的候选）。

使用这类平台的务实方式

延伸资源

• AI 靶点发现：154《AI 靶点发现模型》；Chemistry42：153《Chemistry42 JCIM 论文精读》；
• 靶点可成药性：413《靶点可成药性 Druggability》；论文阅读框架：170《AI 制药论文阅读框架》。