综述：AI引导的新型抗炎药物发现用于癌症治疗：药物开发的新时代

这篇综述系统阐述了人工智能（AI）如何通过深度学习（DL）、定量构效关系（QSAR）建模和多组学整合技术，加速靶向NF-κB、STAT3、COX-2和IL-6/JAK轴等炎症通路的新型抗肿瘤药物开发，同时探讨了数据异质性、标准化缺失等挑战及临床转化前景。

　　

AI引导的抗炎药物开发：癌症治疗的新范式

1. 引言

慢性炎症通过NF-κB、STAT3等通路驱动肿瘤发生，但传统抗炎药如NSAIDs存在选择性不足的问题。AI技术通过机器学习（ML）和自然语言处理（NLP）解析高通量组学数据，显著提升了靶点预测和化合物筛选效率。例如，图神经网络（GNNs）已用于模拟NF-κB信号网络，而生成对抗网络（GANs）可设计抑制STAT3二聚化的新型支架。

2. 炎症在癌症中的核心作用

NF-κB通路：AI虚拟筛选发现的小分子能阻断IκB激酶（IKK），抑制核转位。临床前研究表明，阿司匹林通过上调ANXA1间接抑制NF-κB，减少结肠癌增殖。
STAT3的双重角色：在乳腺癌中呈促瘤性，但在调节性T细胞（Tregs）中发挥抗炎作用。AI模型成功预测了尼克酰胺等STAT3抑制剂的再利用潜力。
COX-2/PGE₂轴：AI优化的塞来昔布类似物可降低心血管副作用，其与免疫检查点抑制剂的联用方案已进入非小细胞肺癌（NSCLC）临床试验。

3. AI技术工具箱

• 生成模型：变分自编码器（VAEs）生成具有优化ADMET特性的化合物库
• 多组学整合：深度学习平台DeepOmix关联转录组与药物敏感性数据，指导个性化用药
• 知识图谱：BERT模型挖掘文献，识别JAK抑制剂baricitinib的抗肿瘤免疫调节机制

4. 挑战与突破

尽管AI预测的PI3K-δ/γ抑制剂duvelisib在慢性淋巴细胞白血病（CLL）中显示疗效，但部分候选物因体内毒性失败。解决方案包括：

• 引入SHAP值提升模型可解释性
• 通过迁移学习解决小数据集过拟合问题

5. 未来方向

第三代AI系统将融合实时临床反馈数据，动态优化炎症靶向治疗方案。例如，CCR5拮抗剂leronlimab的AI驱动剂型改造，显著提升了乳腺癌靶向性。

（注：全文严格基于原文数据，未添加非引用结论）