为让网络药理学为AI时代中医药的传承创新发展创造更大价值，近日本报记者采访了欧洲科学与艺术院院士、清华大学北京市中医药交叉研究所所长李梢，就网络药理学发展状况、重大挑战以及破局之道等行业共同关心的话题深入对话。

李梢：网络药理学，可以理解为是从“系统”的角度来研究药物如何治病的一门学问，它将系统生物学和人工智能的科学精髓融入传统医学。它和我们熟悉的传统药理学思路不同。传统研究往往是“一个药物对应一个或几个靶点，治疗一种疾病”，像一把钥匙开一把锁。但现实中，尤其是像复杂疾病、中药方剂，往往是“多把钥匙协同开一把复杂的锁”。

简单来说，网络药理学就是要把复杂疾病放在一个“生物网络”（“疾病网络”）里来看待，以疾病生物网络为核心来探究药物、靶点、疾病三者之间的全局相互作用关系。在这个网络里，组织、细胞、分子等相互连接、相互影响，疾病的发生是这个网络整体失衡的结果，而不是某个单一分子出了故障。所以，我们的核心任务，不是去画一张静态的网络图，而是去理解药物如何像“网络调节师”一样，动态地调整这个网络，通过多个靶点的协同作用，把失衡的网络重新拉回平衡状态。这是我提出的“网络靶标”理论的核心——治疗的靶点，从单一分子升级为疾病网络及其关键环节。

因此，网络药理学的根本任务，就是深入理解疾病网络的内在驱动力，搞清楚这个网络是怎么失衡的，进而探究如何以网络为靶标，找到恢复其平衡的最佳干预策略。可以这样认为，对疾病网络的理解有多深，网络药理学研究的质量就有多高。而疾病网络的探索是一个长期的、循序渐进的过程，这也是网络药理学持续发展的动力源泉。

李梢：2025年底，“网络药理学在中医药现代化研究中的应用”入选了中国科学院与科睿唯安（一家全球知名的信息服务公司）联合发布的“生物科学领域TOP10热点前沿”，标志着网络药理学已经走到了全球医药创新的前沿，在全球学术体系中建立了可量化、可验证、可推广的中医药现代研究范式。

在国际上，网络药理学被广泛用于复杂疾病机制解析和多靶点药物设计。特别是在人工智能技术的推动下，哈佛大学等机构的方法学研究已经登上了《自然》等期刊。

中国是网络药理学研究的核心阵地与引领者，我们的论文产出量、研究体量稳居全球第一，尤其在“传统医药＋网络药理学”这条赛道上形成了显著优势。我们率先提出网络药理学的核心理论——网络靶标理论，主编了网络药理学的首部英文专著，建立了首个国际标准，并创建了基于网络药理学的智能研发系统——基于网络靶标的中西医药智能和定量分析技术与系统（UNIQ系统），形成了从理论到应用的完整链条。

当然，作为新兴交叉学科，网络药理学在快速发展中也暴露出一些不足。

一是研究浅层化：部分研究还停留在“画图展示”的浅层阶段，对疾病网络核心机制挖掘不够。二是模型静态化：疾病网络模型多偏静态，难以贴合体内病理过程的动态性和异质性，计算预测与真实临床场景存在差距。三是定量验证不足：多靶点协同效应多停留在定性描述，缺乏统一的定量验证标准。四是规范性不足：研究流程和数据标准不统一，导致结果可重复性差。五是临床衔接不足：计算研究与临床落地的衔接也不够紧密，前期成果缺少高质量临床试验支撑，方法学优势难以转化为临床实效。

包括我们在内的不少研究团队一直在直面这些挑战，给出了系统性的解决方案。以我们团队近期的一个标志性成果为例，我们以临床需求为导向，通过挖掘类风湿关节炎湿热证的网络机制，并依托首届国医大师李济仁的经验，利用UNIQ系统成功优化出“加味清络颗粒”，并通过多中心随机双盲临床试验，验证了其对类风湿关节炎疗效相比对照组显著提升。该成果建立了“人用经验－智能计算－临床评价”三位一体的中药复方研发新范式，成为网络药理学从理论技术走向临床实效的实例。

李梢：破局的关键，在于回归“解析疾病网络”这一科学本质，彻底告别“数据堆砌、低水平绘图”的粗放模式。我们要做的，是从“相关性描述”跨越到“机制性阐释”。

具体怎么做？我觉得有三个步骤很重要。

一是从“相关”走向“因果”。要借助人工智能中的迁移学习等算法，从高质量的现代药物数据中提炼共性规律，解决中医药数据相对稀缺、质量不均的问题。

二是从“静态”走向“动态”。要构建跨尺度的全景网络模型，把宏观的临床表型、中观的影像结构、微观的细胞分子信息打通，让网络模型真正反映生命系统的动态变化，而不是一张杂乱无章的网络图。

三是从“单向”走向“闭环”。要建立“预测—验证—优化”的良性循环，依托临床真实世界数据和实验反馈，不断校正计算模型，让每一次预测都能得到实证检验。

李梢：绝对不是。网络药理学恰恰是还原论与系统论的有机融合，而不是用系统论的“外衣”包裹还原论的“内核”。

我们可以这样理解：还原论擅长把事物拆解成一个个零部件，研究每个部件的功能，这为我们提供了精准的“节点信息”；系统论则强调整体功能来源于部件之间的连接和互动，它告诉我们“关系”比“个体”更重要。网络药理学正是把这两者结合在一起——它用还原论的方法去精准认识每个节点，又用系统论的思维去理解节点之间的相互作用如何涌现出整体功能。

举个例子，一个中药方剂中多个成分作用于多个靶点，最终产生的疗效，绝不是每个成分药理作用的简单相加。这种“整体大于部分之和”的效应，无法通过还原单个成分来解释，但通过构建和分析分子网络，却能清晰地看到它们是如何协同、级联地调节整个系统的。这就是网络药理学在高度还原数据基础上的系统整合。

当然，我也看到一些研究，名义上做网络药理学，实际上还是“单一成分、单一靶点、单一通路”的线性思维。他们把数据拼成一张网络图，但既不分析网络模块之间的相互作用，也不验证扰动后的级联效应，更不探究多靶点协同的非加和效应。这类研究，其实是用网络包装了还原论的工作，并没有真正突破传统药理学的局限。

李梢：能，而且可以深度结合。但前提是，我们必须尊重中医理论的整体观和动态性，而不是机械地一一对应。

先说“辨证论治”。中医是根据患者当下的整体状态来施治的。从网络药理学的角度看，不同的“证”，其实就是生物分子网络的不同“失衡模式”。比如，寒证可能对应能量代谢相关网络的抑制，热证则对应免疫炎症网络的过度激活。这为我们理解“同病异治、异病同治”提供了科学基础：不同疾病如果有相同的核心网络模块紊乱，就可以采用同类治法；同一疾病如果表现出不同证候，其网络失衡的路径也自然不同。

再说“君臣佐使”。方剂的配伍，在网络药理学看来，是一种高度有序的系统干预策略。君药，是针对疾病网络关键靶点的主攻力量；臣药，是辅助调控相关网络模块的协同力量；佐药，是调节干预可能产生的副作用、维持系统稳定的平衡力量；使药，则是引导药物成分富集到目标组织、发挥导向作用的引导力量。四者协同，共同完成从局部修复到整体稳态重构的调控任务。

这种结合必须以临床疗效为基础，通过多中心临床验证、跨尺度网络建模、实验反馈迭代，一步步实现。不能强行把证候绑定静态网络、把君臣佐使对应单一靶点，那样只会消解中医的科学内涵。

李梢：人工智能的发展，确实为网络药理学突破瓶颈提供了强大工具。但赋能的关键，不是盲目套用算法、堆砌模型，而是坚守“生物逻辑为先、临床实证为本”的原则。

人工智能擅长从海量数据中挖掘规律，但如果数据质量不高，它就容易产生“幻觉”——给出看似合理、实则错误的预测。目前很多“人工智能＋网络药理学”的研究，恰恰是依赖于质量参差不齐的公共数据库进行黑箱预测，结果放大了假靶点、假通路的误差。

针对这个问题，我们团队自主研发了UNIQ系统。它是一套人工智能驱动的网络靶标分析平台，核心在于用我们独创的算法，弥补现代医药数据分散、中医药微观数据不足的局限。它通过解释“宏观—中观—微观”的跨层次模块化规律，实现致病基因、药物靶标的高精度预测，并通过“计算—实验—临床”的反馈校正，不断迭代优化。

我们可以把UNIQ系统比作两样东西：一是解析疾病网络的“显微镜”，助力精准看清疾病的核心网络模块；二是设计药物干预策略的“导航仪”，助力规划出最优的多靶点干预路径。这样，人工智能就不再是“黑箱”，而是真正服务于疾病机制挖掘、中药新药创制的可靠助手。

李梢：这种看法，是对网络药理学的价值低估。我们注意到领域内确实存在一些低水平研究，全程没有新假说、新发现，只是用网络图去解释已知现象，这类研究确实缺乏创造性。

但网络药理学的真正价值，远不止于此。它既能“解释”，也能“创造”。从方法论上讲，它是在关系结构中寻找功能模式，这是一种从已知信息推断未知规律的“知识生成”方式。

它的创造性已经体现在多个方向：比如，通过将临床表型与分子网络关联，可以从表型反向推断微观机制，发现新的标志物；通过动态网络建模，可以在病理变化显现之前，识别出疾病发生的早期特征；基于网络关键模块的解析，可以优化处方、发现新药，实现疗效的提升。

列举一个我们团队利用网络药理学破解胃癌极早期防治难题的例子。我国胃癌高发，早期诊断率不足10％，核心难点在于胃炎到胃癌的癌变起始阶段难以捕捉，防治手段缺乏。我们利用UNIQ系统，整合分析了跨度20年、覆盖15万人次的胃炎癌转化数据，构建了从临床表型、影像特征到细胞、分子的跨尺度动态演化网络。通过对这一“疾病网络”的深入解析，我们发现了胃癌“极早期”这一全新分期——它表征了炎癌转化的起始阶段，并明确了其中西医特征、病证标志物和防治中药。经多中心队列和真实世界研究验证，胃癌极早期可实现胃癌发生提前10个月的精准预警与有效干预，为早筛早诊早治提供了黄金窗口期。在此基础上，我们进一步研发了以“疾病网络”为基础、以“智能早筛—极早诊断—精准早治”为特色的胃癌极早期中西医防治智能体。

立足临床真问题，网络药理学不仅能做出创造性发现，更能形成真正可落地的创新性临床方案。

李梢：在“中医药理论—人用经验—临床试验”三结合体系中，网络药理学扮演着“数字化桥梁”和“系统解释器”的角色。它的核心使命，是从“网络靶标”的角度，把传统的中医理论与人用经验，转化为现代科学可以理解和验证的语言。

具体来说，网络药理学的作用体现在四个方面：

第一，数字化表征。它将传统定性的理论，转化为可量化的生物分子网络模型，让我们能够从微观分子机制到系统功能调控，实现贯通式解析。

第二，挖掘人用经验的科学内涵。人用经验是宝贵财富，但往往“知其然不知其所以然”。网络药理学可以帮助我们解析其背后的网络调控机制，为名医验方发掘提供科学依据。

第三，辅助临床试验设计。通过跨尺度整合宏观表型、中观影像与微观分子信息，它可以辅助筛选疗效生物标志物，明确药物最适合的人群和适应症。

第四，支撑药学研究与安全性评价。它可以帮助识别潜在的功效物质，为工艺优化与质量控制提供客观标准，并从网络角度评估毒性风险与配伍减毒机制。

总之，网络药理学在三结合体系中，构建了“人用经验—智能计算—临床评价”的动态实证闭环，推动中药研发从经验主导转向数据与模型驱动。

李梢：有，而且互补性很强。我们可以把大语言模型看作一个“博闻强识的助手”，把网络药理学看作一个“逻辑严密的架构师”，两者结合，能发挥巨大价值。

大语言模型的优势在于：它可以快速梳理海量文献和多模态数据，补齐人工整理的效率短板；它可以辅助设计网络分析流程，提升网络构建的智能化水平；它可以基于现有知识推导潜在的疾病—靶点—方剂关联，为前瞻性研究提供思路；它还能精准提取古籍医案中的证候、配伍信息，打通中医经验与网络药理的衔接壁垒。

但大语言模型也有先天不足：它容易产生“幻觉”、因果混淆、可解释性差等问题。网络药理学正好可以“补位”：一是提供结构化的疾病网络知识图谱，为大语言模型设定生物逻辑边界，过滤掉无效或错误的预测。二是建立系统论约束框架，让大语言模型从单纯的相关性挖掘，升级为基于网络模块、靶点互作的因果推断。三是赋予人工智能结果以生物学可解释性，把“黑箱”输出转化为可验证、可落地的分子网络机制。四是锚定临床与实验实证，用真实数据校正预测偏差，让人工智能成果贴合真实疾病场景。

李梢：开展高质量的网络药理学研究，核心是回归科学本质、严守实证闭环、坚持系统思维、聚焦临床价值。我想从五个方面，给从事网络药理学研究的年轻学子一些建议。

第一，锚定临床真问题，不做“为画图而研究”的伪课题。网络药理学的研究起点，必须是复杂病证机制破解、中药新药研发、中医理论阐释等真实痛点。静态网络绘制不是终点，阐释中医药原理、验证多靶点协同、挖掘创新机制、推动临床转化才是。

第二，严把源头关卡，杜绝数据滥用。数据是研究的根基。不要为了贴合预设结论而刻意裁剪数据，要保留阴性结果，设置合理对照。尽量依托多中心共享数据扩大样本量，从源头上保证研究的可靠性。

第三，坚守系统思维，理性融合前沿技术。要跳出线性还原论的桎梏，重点分析网络模块互作、级联效应与协同非加和性。人工智能和大语言模型是好工具，但要“为我所用”，而不是“被其所困”。要用网络药理学的知识图谱与系统逻辑去约束它们，实现双向赋能。

第四，建立全链条实证闭环，不做“无主证”的计算。要形成“计算预测—实验验证—临床反馈—模型迭代”的完整链条。不以单纯的计算结果下结论。

第五，兼顾解释与创造，聚焦转化落地。要摆脱事后解释的低端路径，开展前瞻性、创造性研究。你的研究能不能挖掘出疾病新标志物？能不能优化一个中药处方？能不能指导一个新药研发⋯⋯要以临床转化、实证价值作为评判研究的核心标准，而不是唯论文、唯影响因子。

网络药理学是一门非常年轻的学科，有很大的发展前景，希望大家一起凝心聚力，让网络药理学为AI时代中医药的传承创新发展创造更大价值。