基于图神经网络的药物重定位预测模型结题报告.docVIP

基于图神经网络的药物重定位预测模型结题报告

一、研究背景与问题提出

在药物研发领域，传统的新药发现模式面临着研发周期长、成本高、成功率低等诸多挑战。据统计，一款全新药物从研发到上市平均需要10-15年时间，成本超过26亿美元，而最终能够成功通过临床试验并获得上市批准的药物仅占初始进入研发管线药物的不到10%。这一现状促使科研人员不断探索更加高效、经济的药物研发策略，药物重定位（DrugRepurposing）作为一种新兴的研发模式逐渐受到关注。

药物重定位旨在发现已上市药物或处于临床试验阶段的药物的新适应症，其核心优势在于能够充分利用已有的药物安全性数据、药代动力学数据等，大幅缩短研发周期、降低研发成本。例如，西地那最初是作为治疗心绞痛的药物进入临床试验，后来发现其对男性勃起功能障碍具有显著疗效，最终以“伟哥”之名成为全球知名药物；沙利度胺最初用于治疗妊娠呕吐，虽因严重的致畸副作用退市，但后续研究发现其在治疗多发性骨髓瘤方面具有独特的疗效，重新获得了市场认可。这些成功案例充分证明了药物重定位的巨大潜力。

然而，传统的药物重定位方法主要基于实验筛选和文献挖掘，存在效率低下、覆盖范围有限等问题。实验筛选依赖于大规模的湿实验，不仅成本高昂，而且难以全面覆盖所有可能的药物-疾病组合；文献挖掘则受限于已发表文献的数量和质量，容易遗漏潜在的药物-疾病关联。随着生物医学数据的爆炸式增长，如何从