1. 药物重定位概述与项目背景

大家好，欢迎来到这门实战课。我是老周，干药物数据这行有年头了。今天咱们聊聊这门课的开篇——药物重定位到底是个啥，为什么值得花30章去啃它。

说白了，药物重定位就是给老药找新用途。你想想看，一个药原本治高血压，突然发现它对某种癌症也有效，这就叫重定位。我最早接触这个概念是在2018年，当时一个合作方拿着二甲双胍的数据来找我，说这玩意儿除了降血糖，好像还能抑制某些肿瘤细胞生长。那时候我就意识到，这事儿有搞头。

1.1 什么是药物重定位

药物重定位（Drug Repositioning），也叫老药新用，核心思路就一句话：已知药物 → 新适应症。它跟传统药物开发完全是两条路。

对比维度	传统药物研发	药物重定位
起点	靶点发现 → 先导化合物	已上市药物或临床候选化合物
时间周期	10~15年	3~6年（甚至更短）
平均成本	超过10亿美元	一般不到1亿美元
失败风险	临床II期失败率高达70%	已有安全性数据，风险大幅降低
典型代表	大多数新分子实体	沙利度胺（反应停→多发性骨髓瘤）

嗯，这里要注意一个关键点：重定位不是瞎猜。它需要数据支撑，更需要靠谱的建模方法。我以前见过不少团队，拿着几个分子结构就硬怼，结果浪费了大把时间。这其实就是没搞明白底层逻辑。

1.2 为什么我们需要药物重定位

原因很简单——传统模式快玩不转了。

• 成本爆炸：一个新药从研发到上市，烧掉10亿美金是常态，而且这个数字还在涨。
• 成功率低：从临床I期走到上市，概率不到10%。我见过太多好化合物倒在III期。
• 罕见病缺口：全球约有7000种罕见病，有药可治的不到5%。药企不愿意砸钱，因为市场太小。
• 耐药性危机：细菌耐药、肿瘤耐药，老药失效的速度比新药开发快得多。

1.3 重定位的主要挑战

好，讲完好处，咱也得说说难处。我踩过的坑不少，拿出来给大家当避坑指南。

数据层面：

• 数据异构严重。药物数据、基因数据、蛋白数据、疾病数据，格式各不同，光清洗就能折腾掉一半时间。
• 数据质量参差不齐。我曾遇到过一个公开数据集，竟有30%的靶点标注是错的。那项目差点夭折。

模型层面：

• 正样本极其稀缺。大多数药物-疾病对没有已知关联，负样本也不好定义。
• 过拟合风险高。特别是用网络传播方法时，数据量小，模型容易学偏。

验证层面：

• 计算预测不等于实验验证。我见过一个模型，AUC高得吓人，但体外实验一个都复现不了。模型的泛化能力经常被高估。

1.4 本课程的核心流程

咱们这门课从数据到模型，走一条完整的实战链路。不是我吹，这套流程我在三个工业级项目里跑通过。

1. 数据获取与整合：从公开数据库（DrugBank、STITCH、STRING等）捞数据，做清洗和标准化。
2. 特征工程：构建药物-靶点-疾病的异构网络，提取拓扑特征、化学结构特征、基因表达特征。
3. 模型构建：从经典的相似性推理到图神经网络，一步一步搭起来。
4. 评估与验证：交叉验证、独立测试集、实验验证建议，一条龙。
5. 结果解释与报告：怎么把模型结果变成可决策的建议。

为了让你有个整体印象，我画了一张流程图。这张图囊括了从原始数据到候选药物的完整链路。

看到这张图，你大概能猜到咱们课程的节奏。注意那几个迭代箭头——在实际项目里，特征工程和模型调优之间的反馈循环是最耗时的。我曾经在一个项目里来回折腾了4版特征才跑出稳定结果。

1.5 你需要什么样的基础

这门课不是零基础入门。我默认你具备以下能力：

• 会写Python，能看懂pandas和numpy的常用操作
• 了解基本的机器学习概念（分类、回归、评估指标）
• 有基础的生物学知识（知道基因、蛋白、药物靶点是啥）

如果这些都OK，那咱们就能跟上。如果还差点意思，我建议你先去补补Python数据处理和基本的图论概念。

1.6 课程输出目标

学完这30章，你能拿到什么？我列个清单：

• 一个完整的药物重定位计算pipeline
• 至少4种模型的实战代码（DeepWalk、GCN、GraphSAGE、注意力机制变体）
• 一套数据预处理和特征构建的最佳实践
• 从「预测结果」到「实验验证建议」的完整评估框架

说白了，这课就是帮你把「想法」变成「可交付的候选列表」。不是纸上谈兵，是动真格的。

---

好了，概述就到这儿。下节课咱们直接上手拉数据。记得先把环境准备好，我会在第二节课开头贴出完整的依赖清单。