38.TxGNN：原图、模型逻辑与研究范式

Perry2026-10-042026-10-05

论文题名： A foundation model for clinician-centered drug repurposing

期刊与年份： Nature Medicine，2024。论文原文。

范围为正文全部编号主图及其子图，包含流程示意图。Extended Data 和 Supplementary Figures 不在本次范围。页码指阅读时所用 PDF 的文件页码。

研究问题： 知识图谱基础模型能否为训练时没有已知治疗的疾病提出药物再利用候选，并让临床人员理解预测依据？

缺少治疗记录的疾病怎样借到信息

药物再利用模型常在已经拥有多个已知药物的疾病上测试，此时预测未见的一条药物关系不等于解决真正无药可用的疾病。本文把问题改成零样本：目标疾病的治疗关系在训练时全部留出，部分更严格测试还移走相似疾病或分子邻居。根据引言可以推测idea来自这个评估与应用的落差，作者通过疾病共享机制来补充稀疏信息；这不是对作者个人灵感的记录。

图表示、治疗监督和解释路径

图谱治疗标签包含适应证与禁忌证两类关系，但其他实体边的语义更加多样。药物作用蛋白、疾病关联基因和通路参与关系不能在叙述中都转换成“促进治疗”。如果一条路径先经过基因关联再经过表型相似，它可以提供候选依据，却也可能把相关的伴随过程当成干预目标。专家审查需要保留方向、关系类型和原始证据，而不只是看到图中连接成功。零样本的可信度同时依赖训练时到底移除了什么信息；若目标疾病尚有大量分子邻居，任务与完全未知疾病仍有明显距离。

输入为包含药物、疾病、蛋白、通路和表型等节点及关系的医学知识图谱。GNN先通过大规模关系学习得到表示，再适应适应证及禁忌证预测；疾病pooling根据邻域签名相似性汇总其他疾病信息。输出是药物—疾病关系分数和候选排名，并非药物真实临床效应大小。自监督预训练与治疗关系的监督适应共存，目标疾病零样本表示“它的治疗标签未训练”，并不是整个模型没有任何治疗知识。

图结构适合跨实体类型组织知识，也有局限：图的完整性、知识年代和关系准确性会影响推理，未记载适应证也不一定是真正阴性。解释模块提取模型依赖的稀疏子图和多跳路径，使专家审查理由；一条医学上可讲通的路径依然可能不足以产生药效，尤其关联边的串联不能自动变成因果链。

本文的验证链由严格留出、用户研究、罕见病案例以及电子病历用药一致性组成。它非常适合评估候选提名与人机协作，却没有进行新药物—疾病组合的随机疗效试验。区分“模型推荐与医生既有处方相容”和“处方有效”是理解最后一图的关键。

Figure 1｜TxGNN 的任务和知识基础

原图来源：所用 PDF 文件第 2 页，Figure 1。点击图片可查看原图。

图1定义应用对象和数据基础。覆盖17080种疾病与7957种药物让一套模型能在多个领域提名，但节点数量不是每种疾病证据质量的保证。缺少已批准药物与缺少全部分子信息也不同，模型可能仍从表型或相关疾病借到信息。适应证和禁忌证一起预测体现安全边界需求；然而候选分数不是实际风险收益值。解释路径使推荐可审查，但并不因为路径长、涉及多个蛋白就更有因果力度。

子图	讲解
a	解释药物再利用：为已有药物寻找新的疾病用途，以已有药物知识缩短候选筛选过程。
b	区分已有治疗/机制信息的疾病和缺少这些信息的疾病，引出零样本再利用任务。
c	模型预测药物–疾病适应证或禁忌证，并以多跳生物医学路径解释评分，让专家检查证据链。
d	展示覆盖 17,080 种疾病、7,957 种药物的医学知识图谱，是图模型学习的输入。

Figure 2｜模型及标准/零样本性能

原图来源：所用 PDF 文件第 3 页，Figure 2。点击图片可查看原图。

图2最重要的对照是常规关系留出与疾病零样本留出。前者允许训练见过目标疾病的其他药，后者才检验无已知治疗记录时的迁移。TxGNN在后者较有优势，支持疾病pooling对稀疏任务的价值；不能将百分比提升读成同样比例的临床成功。疾病相似性来自知识邻域而非直接患者测量，因此相似疾病可提供信息，也可能带来错误迁移。五次划分的均值与置信区间评价拆分稳定性，不能覆盖知识图谱未来变化的全部不确定性。

子图	讲解
a	疾病 pooling 用机制相似疾病补充目标疾病的信息，在缺少治疗记录时仍可推理药物关系。
b	疾病相似性示例说明模型如何找到可借用机制信息的邻近疾病。
c	常规划分中，一种疾病的其他药物可能已见于训练；TxGNN 与既有方法均有较好 AUPRC。
d	零样本划分完全留出目标疾病的治疗信息；基线下降明显，TxGNN 对适应证及禁忌证保持更好的 AUPRC。

Figure 3｜缺少分子资料的新疾病领域

原图来源：所用 PDF 文件第 6 页，Figure 3。点击图片可查看原图。

图3继续提高难度，移除相似疾病和部分分子邻居，以排查模型是否只是从几乎重复的疾病标签借答案。不同领域结果比一个随机划分平均值更接近真实使用情境；神经退行性疾病面板与AD方向有关，但整体领域性能不能替代AD具体候选验证。这里模拟资料稀少的情况，并不是把目标疾病所有医学知识完全清空。各领域基线和类别比例不同，AUPRC应在相同划分内比较，不能单凭柱高评价哪个疾病领域更容易治疗。

子图	讲解
a	构造九个疾病领域留出划分，同时排除类似疾病、已知药物和部分生物邻居，形成更严格的泛化测试。
b	肾上腺相关疾病的适应证/禁忌证 AUPRC 比较，评价此领域零样本预测。
c	自身免疫病领域的同类模型比较。
d	神经退行性疾病领域的同类比较。
e	代谢病领域的同类比较。
f	心血管病领域的同类比较；这些结果共同显示 TxGNN 在多种信息不足领域有较稳健优势，而不是只依赖随机划分。

Figure 4｜可解释路径和用户研究

原图来源：所用 PDF 文件第 7 页，Figure 4。点击图片可查看原图。

图4把“可解释”作为工作流程假说来测试。12名专家完成16对预测任务，提供解释后准确性、信心和思考时间改善，说明路径对有限判断任务有用。192次任务来自同一批专家和有限案例，不能视为192个完全独立临床试验。更强的信心未必在所有情况下更安全，因此应和准确性一起看，也要考虑模型错误案例是否足够覆盖。交互界面增加透明度，评价对象仍是专家判断与可用性，而非患者健康结局。

子图	讲解
a	Explainer 提取支持预测的稀疏子图，转成药物到疾病的多跳路径。
b	交互界面展示候选排序、药物嵌入和路径，并允许改变边阈值，便于逐条查看理由。
c	12 名医生、研究者和药师判断 16 对药物–疾病预测，研究是否提供解释影响人类判定。
d	有解释与无解释的 192 次任务比较：解释改善准确性、信心和思考时间指标。它评价人机工作流程，不是药物疗效试验。
e	任务后问卷显示专家认为路径有助评估候选并建立信任，是定性的可用性反馈。

Figure 5｜罕见病案例与医学知识的一致性

原图来源：所用 PDF 文件第 9 页，Figure 5。点击图片可查看原图。

图5用三个罕见病案例展示路径能够与独立医学知识对接。看似反直觉的zolpidem推荐尤其体现图知识能够借用不同用途的信息，但案例证据强度可能从机制推测到有限临床报道不等。它们应被表述为再利用假说及知识一致性，不能直接成为个人用药依据。选择典型成功案例有展示价值，却不足以估计所有候选的有效率；完整排名、失败案例以及前瞻检验才适合判断发现系统整体表现。

子图	讲解
a	流程从候选预测、路径解释到独立医学证据检查，用案例评价推荐是否有合理依据。
b	Kleefstra 综合征的 zolpidem 候选及解释路径，与报道的神经功能效应相联系；属于再利用假设。
c	Ehlers–Danlos 综合征的 tretinoin 候选，路径涉及 ALB、ALDH1A2 和胶原/炎症知识。
d	NSIAD 的 amyl nitrite 候选，通过 AVPR2、NPR1 及水钠平衡机制连接相关疾病信息；仍需临床验证。

Figure 6｜真实医疗记录中的用药一致性

原图来源：所用 PDF 文件第 10 页，Figure 6。点击图片可查看原图。

图6把候选放到127万患者电子记录中检查处方关联。已批准适应证有更高log(OR)，验证这个指标能反映临床使用；高排名新候选也更常与目标疾病共同出现，支持与医生超说明书选择相容。但共同出现可能受合并症、就诊机会或处方习惯影响，不能推出治疗有效，更不能把OR当成疗效大小。Wilson病案例帮助理解散点对应什么，人口组成则限定外推背景。大患者数提高关联估计精度，仍不能取消观察性设计的因果限制。

子图	讲解
a	将图谱映射到 127 万患者的 EMR，计算药物–疾病 log(OR)，先用已批准适应证验证其作为用药关联指标，再评价新候选。
b	展示患者种族构成，说明验证人群的覆盖情况。
c	展示性别分布，说明验证样本组成。
d	展示病例覆盖的疾病领域，说明用药检验的范围。
e	已批准适应证的 log(OR) 高于一般未适应证组合，支持该指标能反映临床使用关联。
f	TxGNN 排名越前的候选在 EMR 中用药关联越高，与超说明书用药选择一致；关联并不等同治疗有效。
g	Wilson 病的模型分数与 log(OR) 散点，用具体病例展示模型与实际处方关系。