《Journal of Advanced Research》：GPCRAgent: an intelligent multi-agent platform integrating knowledge graphs and large language models for GPCR-targeted drug discovery
编辑推荐：
G蛋白偶联受体（GPCRs）是人类基因组中编码的最大且功能最多样的膜受体家族。它们在神经信号传导、免疫调节、代谢稳态和组织重塑等广泛的生理和病理过程中发挥核心作用。其可成药性和多样的调控功能使其成为主要治疗靶点，约30%的获批药物直接调控GPCR活性。肺纤维化
G蛋白偶联受体（GPCRs）是人类基因组中编码的最大且功能最多样的膜受体家族。它们在神经信号传导、免疫调节、代谢稳态和组织重塑等广泛的生理和病理过程中发挥核心作用。其可成药性和多样的调控功能使其成为主要治疗靶点，约30%的获批药物直接调控GPCR活性。肺纤维化是一种以不可逆肺重塑和不良临床结局为特征的进行性致死性疾病，代表着重大的未满足医疗需求。越来越多的证据表明，GPCR介导的信号通路在驱动成纤维细胞活化、免疫-基质串扰及纤维化进展相关的异常组织修复过程中发挥关键作用。然而，疾病相关GPCR靶点的系统鉴定与优先级排序以及有效疾病修饰配体的发现，因生物学证据的碎片化和缺乏系统性、疾病驱动的分析框架而受到严重阻碍。高通量实验技术和计算分析的进步已产生大量GPCR相关数据，但这些数据的高度异质性阻碍了其整合分析和转化解读。现有计算方法在很大程度上仍局限于特定任务，目前尚无统一框架能够桥接疾病病理生物学、治疗靶点优先级排序和配体发现。大语言模型（LLMs）和基于智能体的系统在生物医学知识整合和多步推理方面显示出前景。通过实现任务分解、工具利用和迭代推理，基于LLM的智能体已被应用于文献综合、假设生成和科学工作流自动化。这些进展凸显了智能体系统作为连接非结构化生物医学知识与结构化数据库和分析工具的中间计算层的潜力。尽管取得了这些进展，现有的生物医学LLM和基于智能体的系统在支持端到端、疾病驱动的发现工作流方面仍然能力有限。它们主要针对文献检索、组学解读或单一工具执行等孤立任务而设计，依赖于非结构化或松散耦合的检索增强生成流程，缺乏结构化生物学知识的基础支撑，且中间推理步骤的可解释性有限。尽管知识图谱增强方法部分解决了这些局限，但往往依赖固定的检索和聚合策略，无法在信息不完整时自适应地优化证据获取或修正推理。这些局限在GPCR研究中尤为关键，因为有效的靶点优先级排序和配体发现需要跨疾病机制、受体生物学、结构信息、配体证据和文献衍生知识的协调推理。为应对这些挑战，研究人员开发了GPCRAgent，一种用于疾病驱动的GPCR靶点优先级排序和配体推荐的智能多智能体框架。通过将基于向量的检索与知识图谱引导的推理相结合，GPCRAgent能够跨异质生物医学知识进行自适应且基于证据的分析。更重要的是，GPCRAgent支持从疾病驱动的靶点优先级排序到候选配体推荐的端到端工作流，并为GPCR相关治疗探索中的决策支持提供可解释的分析输出。研究人员首先展示了其在肺纤维化中的应用，GPCRAgent能够系统性地优先排序疾病相关GPCR靶点并鉴定候选配体。此外，研究人员建立了肾脏纤维化的肾脏类器官模型，用于对通过GPCRAgent引导的工作流鉴定的候选化合物进行实验评估。总之，这项工作提供了大规模GPCR知识图谱和用于证据整合的统一推理框架，实现了可扩展且可解释的AI辅助GPCR靶点优先级排序和药物发现。
研究背景方面，G蛋白偶联受体（GPCRs）是人类基因组中最大的膜受体家族，约30%的获批药物直接靶向其发挥治疗作用。肺纤维化等纤维化疾病中GPCR介导的信号通路发挥关键作用，但疾病相关GPCR靶点的系统鉴定和有效配体的发现受限于证据碎片化和缺乏系统性疾病驱动分析框架。高通量技术产生的GPCR数据高度异质，现有计算方法多为任务特异性，缺乏桥接疾病病理生物学、靶点优先级排序和配体发现的统一框架。基于大语言模型（LLMs）的智能体系统虽在生物医学知识整合方面展现潜力，但现有系统多针对孤立任务设计，缺乏结构化知识基础且中间推理可解释性有限；知识图谱增强方法则依赖固定检索策略，无法自适应优化证据获取。为此，研究人员开发了GPCRAgent——一种整合知识图谱与LLMs的智能多智能体平台，用于疾病驱动的GPCR靶点优先级排序和配体推荐，支持从靶点排序到候选配体推荐的端到端工作流，并以肺纤维化为例进行验证，同时利用肾脏类器官模型对候选化合物进行实验评估。
在技术方法上，研究人员构建了整合CTD、GeneCards、TCGA、GPCRdb、GtoPdb、DrugBank、PubTator3及RCSB PDB等多源数据的GPCR知识图谱，包含20,840个节点和9,211,968条语义注释关系；开发了VecKG-CoReason推理引擎，整合LLMs、领域知识图谱和基于向量的检索；采用Qwen-plus作为骨干模型；利用AutoDock Vina和LeDock进行分子对接虚拟筛选；使用GEO数据集GSE92592进行生物信息学验证；并建立人H1胚胎干细胞（hESCs）来源的肾脏类器官模型进行实验验证。
研究结果方面，首先，多源数据整合构建GPCR知识图谱：研究人员整合转录组谱、疾病关联、配体-受体相互作用、天然产物注释和结构对接结果，构建了包含789个GPCRs、13,059个配体、6,984种疾病的知识框架，每条疾病-靶点边均关联溯源元数据，为下游推理提供结构化基础。其次，基于证据的推理框架：GPCRAgent通过有向无环图（DAG）编排工作流处理用户查询，路由器节点将复杂问题分解为顺序推理步骤并分配至最合适的功能模块，当证据不足时触发额外检索或重定向推理路径，实现跨异质证据类型的多跳推理。第三，骨干模型选择：在200道GPCR相关多选题基准上评估Gemini-3、DeepSeek-V3、GPT-5和Qwen-plus，Qwen-plus在多选题准确率（81.17%）和精确匹配率（69.50%）上数值最高，平均推理步骤最少（3.2），token消耗（54,085）与DeepSeek-V3相当，综合准确性、推理效率和计算成本后被选为骨干模型。第四，VecKG-CoReason框架评估：通过60个金标准问答对的消融实验，完整GPCRAgent在五项指标上均获最高分（事实准确性4.30±0.10、忠实性4.10±0.17、逻辑完整性4.25±0.04、证据一致性4.02±0.11、专业性4.60±0.12），DAG的加入在每对比较中均改善了事实准确性、忠实性、逻辑完整性和证据一致性。第五，跨GPCR领域任务的增强性能：GPCRAgent在简答QA（85.0%）和多选题（90.0%）任务中准确率最高；在GPCR结构理解任务中准确率达83.0%（次优Biomni为72.0%）；在Open Targets数据集上疾病相关靶点优先级排序Precision@5达88.4%；在GLASS 2.0基准上配体推荐Precision@10达83.4%（基线为44.8%–54.0%），MRR@10达0.945（基线为0.558–0.884）。第六，跨多样自然语言输入的鲁棒性：在Formal、Casual和Complex三种提示风格下，GPCRAgent在GPCR实体识别和疾病提及方面表现出一致性，所有风格均实现100%有效响应率。第七，GPCRAgent驱动的特发性肺纤维化靶点优先级排序：以IPF为例，GPCRAgent整合转录组证据、通路富集和文献支持的关联，将溶血磷脂酸受体1（LPAR1）鉴定为候选靶点；GEO数据集GSE92592差异表达分析证实LPAR1在IPF样本中显著上调；配体推荐模块通过知识驱动和结构驱动双轨策略，从天然产物库中优先筛选出甘氨猪胆酸（glycohyocholic acid），分子动力学模拟显示复合物在200 ns内保持稳定轨迹，估计结合自由能约?14.13 kcal/mol。第八，肾脏类器官模型中配体效果评估：在独立肾脏纤维化案例中，LPAR1排名第二且药物可用性评分最高（0.75），研究人员选择BMS-986278（BMS-986020的优化后继化合物）进行实验评估；在肾脏类器官中，BMS-986278与IL-1β共同给药显著抑制了0.01和1 μM浓度下纤维化标志物（COL1A1和α-SMA）的诱导，但在IL-1β诱导4天后给药则未能逆转已建立的纤维化表型。
讨论部分总结了GPCRAgent作为AI驱动的GPCR研究框架，通过将神经符号推理与专业智能体模块耦合，实现了异质证据的自动化整合并保持可解释性和证据可追溯性。平台在IPF中将LPAR1优先排序为候选治疗靶点并用于配体推荐，肾脏纤维化案例进一步将计算工作流扩展至实验评估。针对知识幻觉问题，GPCRAgent采用双通道证据验证策略，整合GPCR特异性知识图谱的结构化约束与领域智能体的文献验证。局限性包括：对静态知识源的部分依赖可能限制对新发现整合的能力，基于证据的优先级排序可能偏向研究充分的GPCR而降低孤儿受体的可见度；部分知识库和基准源于公共资源，当前评估主要反映现有知识空间内的推理；模块间紧密耦合限制了对推理框架本身贡献的精确量化。研究结论翻译如下：总之，GPCRAgent将异质生物医学知识整合为模块化且可解释的推理框架，用于证据驱动的GPCR靶点优先级排序和配体推荐。通过连接疾病相关靶点优先级排序、基于知识和结构的配体评估以及可实验测试的配体评价，该框架为AI辅助GPCR研究和精准药理学提供了可扩展的方法。动态知识更新、不确定性感知推理、受体水平功能验证和前臄性实验评估的进一步整合对于确立其在更广泛生物医学应用中的效用将具有重要意义。
