AI整合iPSC多组学用于罕见病表型发现与药物靶点识别（综述）

Drug discovery today · 2026-10-16 · 综述

• 一句话结论：结论：该综述提示，将患者来源iPSC模型与转录组、蛋白组、代谢组等多组学及人工智能整合，可在样本量有限条件下辅助罕见病表型定义与可成药靶点优先级排序；属叙述性综述，证据档位B，尚不足以下结论其临床效用。
• 研究设计与做法：设计：短篇综述，非系统评价，未报告检索策略、纳入文献数量或定量合并方法；所述方法学框架为iPSC疾病模型＋多组学谱＋机器学习工作流，所需患者材料较少。材料未报告具体研究样本量与随访。
• 主要结果：结果：材料未报告具体效应量、置信区间或p值；作者定性指出机器学习可生成疾病相关分子特征、识别汇聚性通路驱动因素并优先排序可成药靶点，但未给出量化性能指标。
• 机制或解释：机制：作者解释为多组学数据整合可弥补小队列与数据碎片化带来的统计效能不足，并通过通路汇聚信号提升靶点可信度；具体算法与验证路径未在摘要中展开。
• 局限与边界：局限：为综述性文献，无原始数据；罕见病队列小、数据碎片化、疾病机制不确定等固有局限被作者提及；iPSC模型的成熟度、可重复性及与人体生理的相关性构成边界。材料未报告利益冲突。
• 可否落地：落地：提示该整合策略可作为罕见病靶点发现的科研方向与工作流参考；因缺乏原始验证数据，尚不足以下结论其优于现有方法或可指导临床决策。信息来自摘要，细节有限。

🔗 打开原文

Amniouel S, Shyr ZA, Mathé EA 等

本文摘自《每日前沿研究简报 · 2026-10-21》「AI 科研智能体」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。