1. 课程导入与工程全景

药物靶点证据整合与优先级决策工程，是把分散在遗传学、组学、文献、通路、动物模型、临床样本与安全性数据库中的靶点信息，转化为可比较、可追溯、可决策的证据体系的一门工程化方法。它要回答的核心问题不是“这个靶点有没有文献支持”，而是：在给定疾病、适应症、模态与资源约束下，哪个靶点最值得优先推进，为什么，以及证据强度是否足以支撑下一步投入。

传统靶点评估常以“专家经验 + 关键文献”为主，问题在于证据来源异构、口径不一、正负证据混杂、可重复性难以判断。工程化方法强调三件事：第一，把证据结构化，让每条证据都有来源、类型、方向、强度与适用条件；第二，把决策规则显性化，让不同靶点在统一尺度上比较；第三，把过程可追溯，让结论能随新证据更新，而不是一次性拍板。

核心问题与交付物

本课程围绕一条主线展开：从疾病假设出发，建立靶点—疾病因果链，收集并分级证据，量化不确定性与风险，最终输出优先级排序与推进建议。典型交付物包括：靶点证据档案（Target Evidence Dossier）、证据分级表、因果链图、竞争格局与可成药性评估、安全性风险清单、优先级评分卡，以及面向立项会的决策备忘录。这些交付物不是文档堆砌，而是决策输入。

角色分工上，通常需要四类角色协同：疾病生物学负责人负责因果链与适应症假设；证据工程师/数据科学家负责数据抽取、标准化与评分实现；转化与临床代表负责样本、终点与临床可行性判断；决策负责人负责资源约束、组合策略与最终取舍。小团队可由一人多角色，但职责边界仍需明确，否则容易出现“证据很多、结论不清”。

端到端工作流

端到端流程可概括为：疾病与适应症定义 → 靶点假设生成 → 证据采集与结构化 → 证据分级与因果链评估 → 可成药性与安全性评估 → 优先级评分与排序 → 决策评审与迭代。关键点在于：证据采集不是一次性检索，而是围绕因果链的“证据缺口”持续补全；评分不是替代判断，而是把判断依据显性化，便于复核与更新。

下面用一张关系图展示本节的核心对象、输入输出与决策链路。图中左侧是证据来源，中部是整合与评估层，右侧是决策输出；箭头表示数据与判断的流向，而不是简单的步骤顺序。

图中反馈回路是工程化与一次性评估的关键区别：当出现新的遗传学证据、临床样本结果或竞争管线变化时，应触发重评，而不是沿用旧结论。实际执行时，建议为每个靶点维护一个版本化的证据档案，记录每次更新的时间、变更内容与评分变化。

一个可操作的最小示例

假设某炎症性疾病，候选靶点为 T1、T2、T3。团队先定义适应症亚型与终点，再按统一字段采集证据。例如 T1 有人类遗传学支持（罕见变异保护效应，方向为抑制），T2 仅有体外表达上调，T3 有动物模型表型但人类遗传学证据缺失。此时不能简单按“证据数量”排序，而应按证据类型权重与因果链位置判断：人类遗传学证据通常权重更高，动物模型需结合转化一致性评估。

评分卡可采用加权求和：总分 = Σ（证据类型权重 × 方向一致性 × 置信度）。示例权重可设为：人类遗传学 0.30、功能模型 0.20、表达与通路 0.15、临床样本 0.20、安全性与可成药性 0.15。若 T1 在遗传学得 0.9、功能 0.6、表达 0.5、临床 0.7、安全性 0.8，则总分为 0.30×0.9 + 0.20×0.6 + 0.15×0.5 + 0.20×0.7 + 0.15×0.8 = 0.27 + 0.12 + 0.075 + 0.14 + 0.12 = 0.725。该分数用于横向比较，但必须同时查看置信度与缺口，避免“高分低置信”的误判。