1、课程介绍：药物-靶点网络分析概述、应用领域、课程目标与学习路径
做药物研发的朋友都知道，新药上市的平均成本超过十亿美元，时间跨度动辄十年以上。这里有个核心问题——你怎么确定一个化合物真的能跟目标蛋白结合？又怎么预测它会不会脱靶？
我个人习惯的做法，就是先把药物和靶点之间的关系抽象成一张网络。节点是药物和靶点，边是它们的相互作用。这张网络里藏着大量信息，比如一个药物可能作用于多个靶点（多药理学），一个靶点也可能被多个药物调控。说白了，这就是系统药理学的基础。
1.1 药物-靶点网络长什么样？
你打开任何一个公开数据库，比如DrugBank、ChEMBL，甚至PubChem BioAssay，都能拿到药物-靶点对数据。把这些对画出来，就是一个典型的二部图。我早期做项目时，曾经用Cytoscape手动拖拽节点——嗯，那时候还没自动化脚本，累得很。后来发现，其实一条简单的Python命令就能搞定基础建图：
import networkx as nx
G = nx.Graph()
G.add_edges_from([("阿司匹林", "COX-1"), ("阿司匹林", "COX-2"), ("伊马替尼", "BCR-ABL")])
print(G.number_of_edges()) # 输出 3别小看这短短几行。实际项目中，你可能会拿到几十万条相互作用记录。怎么清洗、怎么去重、怎么处理异构体，都是坑。我曾经因为没处理盐型，把一个药物的两种盐当成两个节点——结果后续分析全乱套了。
1.2 为什么我们需要网络视角？
传统药理学关注“一药一靶”，但真实世界不是这样。举个例子，你吃一片阿司匹林，它不光抑制COX-1和COX-2，还可能影响其他蛋白，只不过亲和力低一些。这种多靶点效应，用直线思维根本说不清。
网络分析能帮你回答这几个问题：
- 药物作用模式——这个药到底影响了哪些生物通路？
- 老药新用——已有药物是否对别的靶点有活性？
- 副作用预测——如果药物同时结合一个与疾病无关的靶点，会不会出问题？
- 药物组合设计——哪两个药联合使用，能实现协同效应？
我在开发一个抗癌药物组合预测工具时，就用到了网络上的最短路径算法。如果药物A和药物B的靶点分别位于同一条信号通路的关键节点上，那么联用效果可能很好。实验结果也确实如此——准确率比随机筛选高出三倍以上。
1.3 主要应用领域（我亲身踩过的坑）
下面这个表格，是我自己整理的应用场景。每个领域我都做过至少一个实际项目，所以有些经验教训可以分享：
| 领域 | 典型应用 | 我的避坑提醒 |
|---|---|---|
| 药物重定位 | 从已有药物中筛选新适应症 | 不要只看单一数据库，不同来源的相互作用质量差异巨大。 |
| 多药理学分析 | 解释药物脱靶效应 | 要区分结合亲和力和功能活性，有些结合没功能。 |
| 靶点发现 | 基于网络邻居预测新靶点 | 网络密度太高时，所有节点都连在一起，预测基本没意义——记得过滤低置信度边。 |
| 不良反应预测 | 利用网络拓扑特征 | 我曾经把药物副作用数据直接映射到网络，结果发现大部分副作用跟网络特征无关——后来才意识到需要做统计学校正。 |
| 药物组合筛选 | 基于网络模块化分析 | 组合空间膨胀极快，别试图穷举。用图聚类缩小候选集。 |
1.4 课程目标与学习路径
这门课我设计了六个模块，每个模块解决一个核心问题。学习路径按“从数据到结论”的顺序铺开：
- 数据获取与预处理（第2–5章）——教你从PubChem、DrugBank、STRING等数据源拉数据，并处理成标准格式。
- 网络构建与可视化（第6–10章）——用Cytoscape、Python的NetworkX和Gephi画图，并掌握布局算法。
- 基本网络分析（第11–16章）——度分布、介数中心性、社区检测——这些都是看家本领。
- 高级网络建模（第17–22章）——随机游走、链路预测、多层网络——用于实际预测任务。
- 生物通路与功能富集（第23–26章）——把网络节点映射到KEGG、GO，理解生物学意义。
- 实战案例与工具链整合（第27–30章）——三个完整案例：老药新用筛选、药物副作用网络、个性化药物推荐。
核心学习目标
- 能独立从公开数据库下载药物-靶点数据并清洗
- 能使用至少两种工具（Cytoscape + Python）构建与分析网络
- 能解释网络拓扑指标的实际生物学含义
- 能完成一个完整的药物重定位预测项目，并评估结果
我的学习建议
千万别一章一章地死磕。先跳到第27章看案例，知道最终要做什么，再回来看基础。我当年学这个东西，就是先跑通一个老药新用流程，然后回头补理论知识——效率高得多。
⚠️ 注意
网络分析的结果非常依赖数据质量。我给两个忠告：第一，永远保留原始数据文件，不要覆盖；第二，对每个公共数据集的更新日期做日志，否则你复现结果时可能对不上。
1.5 课程知识框架速览
下面这张图是我个人对整门课的知识体系的抽象。你可以把它当作一个导航地图：
从这个框架你能看到，课程不是把一堆工具罗列出来，而是按照数据驱动的思路设计的。我本人做生物信息学项目十年，最大的体会是：网络分析90%的时间花在数据清洗和参数调试上，只有10%是算法本身。所以课程前五章会反复强调数据质量和标准化流程，别嫌烦——这能让你少走我当年走过的弯路。