DOI: https://doi.org/10.1186/s13020-025-01288-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41508020
تاريخ النشر: 2026-01-08
المؤلف: Anxin Wang وآخرون
الموضوع الرئيسي: دراسات الطب الصيني التقليدي
نظرة عامة
إن دمج الذكاء الاصطناعي (AI) في أبحاث وتطوير الطب الصيني التقليدي (TCM) يعالج تحديات كبيرة مثل تعقيد تركيبات TCM، وتفاوت جودة التحكم، وقبول السوق العالمية. تستكشف هذه المراجعة تطبيقات الذكاء الاصطناعي عبر ثلاث مراحل رئيسية من تطوير TCM: تصميم الأدوية، وتصنيع الأدوية، والوصول إلى السوق. تسلط الضوء على الإمكانات التحويلية للذكاء الاصطناعي في تعزيز كفاءة البحث، وتحسين تركيبات الأدوية، وتحسين عمليات مراقبة الجودة، مع الإشارة أيضًا إلى أنه لم يصل أي دواء من TCM تم تطويره بواسطة الذكاء الاصطناعي إلى التطبيق السريري بعد.
تخلص المراجعة إلى أن الذكاء الاصطناعي قد تقدم من إثبات المفهوم إلى التطبيق العملي في أبحاث وتطوير TCM، كما يتضح من المشاريع الناجحة مثل الفحص المدعوم بالذكاء الاصطناعي لمثبطات هيليكوباكتر بيلوري وتحسين المكونات العصبية الواقية في تركيبات TCM. من المتوقع أن تركز التطورات المستقبلية على التكامل العميق للذكاء الاصطناعي مع البيانات متعددة الأنماط، مما يحول الذكاء الاصطناعي من دور داعم إلى مكون أساسي في التطبيقات السريرية. ومع ذلك، لا تزال هناك تحديات، بما في ذلك مصداقية البيانات، وقابلية تفسير النماذج، واستدامة الموارد، والتي يجب معالجتها لتحقيق الإمكانات الكاملة للذكاء الاصطناعي في TCM. إن إنشاء أنظمة بيانات قوية وأطر تحقق أمر ضروري للتغلب على هذه القيود وتقدم الطب الدقيق في TCM.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الأهمية التاريخية والخبرة السريرية للطب الصيني التقليدي (TCM) في علاج الأمراض والوقاية منها. ومع ذلك، يواجه TCM تحديات كبيرة في تحديث وتعزيز ممارساته على مستوى العالم، بما في ذلك غياب تقييم جودة الأدوية الموحدة، ودورات البحث والتطوير (R&D) المطولة، وآليات الأدوية الغامضة. تتطلب تعقيدات تركيبات TCM، التي تتميز بمكونات متنوعة، تحققًا تجريبيًا واسع النطاق وبيانات سريرية، مما يؤدي إلى عدم الكفاءة واستهلاك الموارد العالية في تطوير الأدوية الجديدة.
تقدم التطورات الأخيرة في الذكاء الاصطناعي (AI) حلولًا واعدة لهذه التحديات. لقد أدت قدرات الذكاء الاصطناعي في معالجة البيانات وتحليلها إلى ظهور نماذج متنوعة تهدف إلى تعزيز أبحاث وتطوير TCM. على سبيل المثال، يستخدم TCMBank خوارزميات لتوضيح العلاقات المعقدة بين الأدوية العشبية الصينية، ومكوناتها، والأهداف المحتملة، والأمراض المرتبطة، مما يحسن كفاءة البحث. بالإضافة إلى ذلك، تسهل قواعد البيانات مثل قاعدة بيانات INPUT الاكتشافات الجديدة من خلال رسم “شبكة الأعشاب-المركبات-الجينات-الأمراض”. توضح الورقة ثلاث مراحل حاسمة من تطوير أدوية TCM – التصميم، والصيدلة، وما قبل السوق – وتؤكد كيف يمكن للذكاء الاصطناعي تبسيط هذه العمليات من خلال الفحص السريع للمكونات النشطة، وتوقع الخصائص الدوائية، وتحسين التركيبات. من خلال بناء نماذج الفعالية ومحاكاة النتائج التجريبية، يعزز الذكاء الاصطناعي بشكل كبير كفاءة البحث، مما يوجه TCM نحو مستقبل أكثر علمية وفعالية. تهدف الورقة إلى مراجعة منهجية لدمج الذكاء الاصطناعي في أبحاث وتطوير TCM، مما يعزز التطبيقات الأعمق والتطورات في تطوير أدوية TCM الجديدة.
نقاش
تسلط قسم النقاش في ورقة البحث الضوء على دمج الذكاء الاصطناعي (AI) في مرحلة تصميم الأدوية للطب الصيني التقليدي (TCM). تشمل هذه المرحلة عدة عمليات معقدة، بما في ذلك فحص المكونات، واستكشاف آلية العمل الدوائية، ونمذجة العلاقة الكمية بين الهيكل والنشاط (QSAR). تنبع التحديات التي تواجه تصميم الأدوية في TCM من الطبيعة المعقدة لمكونات TCM، التي غالبًا ما تكون خليطًا بهياكل معقدة، مما يجعل من الصعب تحليل خصائصها الكيميائية وأنشطتها البيولوجية بدقة. تكافح الطرق التجريبية التقليدية لتوضيح آليات العمل بالكامل بسبب التأثيرات التآزرية للعديد من المكونات والأهداف. لمعالجة هذه التحديات، يتم دمج تقنيات حديثة مثل الفحص عالي الإنتاجية، وعلم الأدوية الشبكي، وتسلسل الجينوم مع تقنيات الذكاء الاصطناعي.
أظهرت تطبيقات الذكاء الاصطناعي في فحص مكونات TCM وعدًا كبيرًا، خاصة من خلال منهجيات التعلم الآلي (ML) والتعلم العميق (DL). تم استخدام نماذج خوارزمية متنوعة، بما في ذلك آلات الدعم الناقل (SVM)، والغابات العشوائية (RF)، والشبكات العصبية التلافيفية (CNN)، لتعزيز كفاءة فحص المكونات وتوقع الخصائص الدوائية. على سبيل المثال، تم استخدام SVM لتصنيف مركبات TCM بناءً على فعاليتها المحتملة، بينما كانت RF فعالة في تحديد المكونات النشطة الأساسية من خلال تحليل بصمات المواد الكيميائية. بالإضافة إلى ذلك، تم الاستفادة من نماذج DL مثل CNN والشبكات العصبية المتكررة (RNN) لمهام مثل تحليل الصور ونمذجة العمليات الديناميكية، على التوالي. لا تحسن هذه الأساليب المدفوعة بالذكاء الاصطناعي فقط دقة وسرعة فحص المكونات، بل تسهل أيضًا فهمًا أعمق للتفاعلات المعقدة الموجودة في تركيبات TCM، مما يسرع من تطوير أدوية TCM الفعالة.
DOI: https://doi.org/10.1186/s13020-025-01288-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41508020
Publication Date: 2026-01-08
Author(s): Anxin Wang et al.
Primary Topic: Traditional Chinese Medicine Studies
Overview
The integration of artificial intelligence (AI) into traditional Chinese medicine (TCM) research and development addresses significant challenges such as the complexity of TCM formulations, quality control variability, and global market acceptance. This review explores AI’s applications across three key stages of TCM development: drug design, pharmaceutical manufacturing, and market access. It highlights AI’s transformative potential in enhancing research efficiency, optimizing drug formulations, and improving quality control processes, while also noting that no AI-developed TCM has yet reached clinical application.
The review concludes that AI has progressed from proof-of-concept to practical application in TCM R&D, evidenced by successful projects like AI-assisted screening of Helicobacter pylori inhibitors and the optimization of neuroprotective components in TCM formulations. Future developments are expected to focus on deep integration of AI with multimodal data, transitioning AI from a supportive role to a core component in clinical applications. However, challenges remain, including data authenticity, model interpretability, and resource sustainability, which must be addressed to fully realize AI’s potential in TCM. The establishment of robust data ecosystems and verification frameworks is essential for overcoming these limitations and advancing precision medicine in TCM.
Introduction
The introduction of the research paper highlights the historical significance and clinical experience of Traditional Chinese Medicine (TCM) in disease treatment and prevention. However, TCM faces substantial challenges in modernizing and promoting its practices globally, including the absence of standardized drug quality evaluation, prolonged research and development (R&D) cycles, and ambiguous drug mechanisms. The complexity of TCM formulations, characterized by diverse ingredients, necessitates extensive experimental validation and clinical data, leading to inefficiencies and high resource consumption in new drug development.
Recent advancements in artificial intelligence (AI) present promising solutions to these challenges. AI’s capabilities in data processing and analysis have led to the emergence of various models aimed at enhancing TCM R&D. For instance, TCMBank utilizes algorithms to elucidate the intricate relationships among Chinese herbal medicines, their components, potential targets, and associated diseases, thereby improving research efficiency. Additionally, databases like the INPUT database facilitate new discoveries by mapping the “herb-compound-gene-disease network.” The paper outlines three critical stages of TCM drug development—design, pharmaceutical, and pre-market—and emphasizes how AI can streamline these processes through rapid screening of active ingredients, prediction of pharmacological properties, and optimization of formulations. By constructing efficacy models and simulating experimental outcomes, AI significantly enhances research efficiency, steering TCM towards a more scientific and effective future. The paper aims to systematically review the integration of AI in TCM R&D, fostering deeper applications and advancements in new TCM drug development.
Discussion
The discussion section of the research paper highlights the integration of artificial intelligence (AI) in the drug design phase of Traditional Chinese Medicine (TCM). This phase encompasses several complex processes, including ingredient screening, pharmacodynamic mechanism exploration, and quantitative structure-activity relationship (QSAR) modeling. The challenges faced in TCM drug design stem from the intricate nature of TCM ingredients, which are often mixtures with complex structures, making it difficult to analyze their chemical properties and biological activities accurately. Traditional experimental methods struggle to fully elucidate the mechanisms of action due to the synergistic effects of multiple ingredients and targets. To address these challenges, modern techniques such as high-throughput screening, network pharmacology, and genome sequencing are being combined with AI technologies.
AI applications in TCM ingredient screening have shown significant promise, particularly through machine learning (ML) and deep learning (DL) methodologies. Various algorithmic models, including support vector machines (SVM), random forests (RF), and convolutional neural networks (CNN), have been employed to enhance the efficiency of ingredient screening and predict pharmacological properties. For instance, SVM has been utilized to classify TCM compounds based on their potential efficacy, while RF has been effective in identifying core active ingredients by analyzing chemical fingerprints. Additionally, DL models like CNN and recurrent neural networks (RNN) have been leveraged for tasks such as image analysis and dynamic process modeling, respectively. These AI-driven approaches not only improve the accuracy and speed of ingredient screening but also facilitate a deeper understanding of the complex interactions inherent in TCM formulations, thereby accelerating the development of effective TCM drugs.