2026年，Liu等人在Signal Transduction and Targeted Therapy发表综述 Multi-omics and artificial intelligence for precision drug discovery and potential clinical applications。全文32页，配置7幅图、8张表和361篇参考文献。

这篇文章处理了一个很宽的题目，却没有完全散掉。原因很直接：作者始终沿着药物研发流程写，多组学和AI只是嵌入流程的两类工具。

如果你也准备写交叉学科综述，这篇论文可以当作结构样本。论文信息

题目很大，先找一条能走到底的主线

作者没有按“基因组学、转录组学、蛋白质组学、代谢组学”依次介绍，也没有按随机森林、图神经网络、Transformer逐个讲算法。

他们先画出药物研发链条：靶点发现、药物重定位、先导化合物发现与优化、药物相互作用、安全性评价、疾病应用，最后落到临床试验。

多组学负责提供疾病和患者的分子信息，AI负责整合、预测和排序。两条技术线跟着研发任务移动，文章因此有了稳定的方向。

图1（原文Figure 1）：作者先用一张总图划定综述边界。多组学并未停留在生物标志物发现，还被连接到药物重定位、化合物发现、临床试验设计和患者分层。

这个做法很适合宽主题综述。

动笔前先回答一句话：文章准备沿哪条过程，把所有技术和案例串起来？

对于药物研发题目，可以沿研发阶段写；对于疾病机制，可以沿“危险因素—分子改变—组织表型—临床结局”写；对于方法学论文，可以沿“数据输入—模型—验证—应用”写。

主线一旦确定，哪些内容该留、哪些只能放进表格，判断会容易很多。

引言用了四步，把“大题目”收进来

这篇综述的引言并不短，但任务很明确。

开头先交代药物研发的现实压力。原文援引的数据是：临床试验淘汰率超过90%，一款最终获批药物的平均总成本约为26亿美元。

接着，作者把问题归因于传统还原论框架的局限。复杂疾病涉及基因组、表观基因组、转录组、蛋白质组和代谢组之间的联动，单靶点模型很难覆盖这种动态关系。

第三步转向工具条件。空间组学、单细胞测序、高通量蛋白质组和代谢组提供更细的观测尺度，深度学习、图神经网络和生成模型负责处理异构数据。

引言末尾才交代本文范围：多组学用于靶点发现、药物重定位和新化合物发现；AI用于虚拟筛选、药代动力学建模和安全性评价；肿瘤、神经系统疾病、心血管疾病与临床试验作为转化案例。

可以把这套引言骨架记成四个问题：

1. 现有研发流程付出了什么代价？
2. 旧框架为什么解释不了？
3. 新技术现在能补上哪部分信息？
4. 本文具体讨论到哪里为止？

引言里最该避免的是过早堆工具名。读者还没明白问题，算法和平台就排着队出现，后文很难建立轻重。

目录按研发任务排，技术自然有了位置

正文第一大部分讨论多组学在药物发现中的用途，依次覆盖靶点识别、药物重定位和原创新化合物发现。

第二部分转到AI，从药物设计、药物相互作用预测写到安全性预测。后半段再把多组学与AI合并，观察它们在神经系统疾病、肿瘤、心血管疾病以及临床试验中的应用。

这个顺序解决了交叉综述最麻烦的一件事：同一种技术可能在多个环节出现。作者允许算法分散出现，每次只讨论它在当前研发任务里承担的工作。

图2（原文Figure 2）：这张图相当于AI部分的目录。上方是各阶段任务，下方放入对应方法，读者不需要先掌握算法谱系，也能找到它们在研发流程中的位置。

写同类综述时，可以先做一张二维矩阵。行是研发阶段，列是数据来源、分析方法、验证方式和临床状态。每篇纳入文献只放进一个主要位置，重复内容会立刻暴露出来。

图和表承担了两套不同的叙事

这篇论文的7幅图都在回答“流程怎么走”。

Figure 1定义多组学的应用边界；Figure 2展示AI进入药物设计的环节；Figure 3拆分药代和药效相关的药物相互作用；Figure 4从临床前写到上市后的药物安全；Figure 5按疾病系统归纳案例；Figure 6覆盖临床试验设计、启动、实施和结题；Figure 7把数据、模型和研发输出收回一张总图。

8张表则负责回答“有哪些证据”。表格分别整理靶点发现、药物重定位、原创新化合物、药物相互作用、安全性预测、神经系统药物、抗肿瘤药物和临床试验设计案例。

图3（原文Figure 4）：安全性部分没有只谈毒性分类模型，还纳入患者分层、早期信号识别、真实世界数据和高风险人群预测。

这种分工很好用：图画关系，表放证据。

图里塞满药名、样本量和性能指标，手机端基本无法阅读。正文反复描述流程，读者又会觉得啰嗦。让图表各自承担一种任务，篇幅反而更省。

疾病案例不求铺满，要能解释方法为什么有用

作者选了神经系统疾病、肿瘤和心血管疾病作为主要临床场景，还补充了部分罕见病案例。

这些疾病有一个共同点：病理异质性高，单一分子指标通常难以覆盖患者差异。多组学提供分层，AI完成跨模态整合和候选排序，选例逻辑与文章主线是吻合的。

图4（原文Figure 5）：这张图用于横向展示疾病领域。它适合回答“方法用到了哪里”，不适合比较各疾病领域的证据强弱。

病例数量多不等于论证更强。每个疾病方向挑两三类能说明机制、验证和转化阶段的代表性工作，通常比连续罗列十几个模型名称更有效。

这篇文章后半段仍有部分段落偏长，个别案例之间更像并列摘录。若准备写同类综述，可以在每个疾病小节固定保留三类内容：疾病中的具体难题、技术怎样处理这个难题、目前最可靠的验证到了哪一级。

案例要有数字，也要标清证据到了哪一步

文章往前走了一步，穿插了不少带数字的案例，用来检验“AI可以缩短研发周期”这类宽泛判断。

例如，作者介绍了用于特发性肺纤维化的TNIK抑制剂INS018_055。按照原文引用的资料，该项目从靶点识别推进至Ⅰ期临床评价用了18个月。

在单细胞基础模型部分，文章提到scGPT使用约3300万个正常人细胞转录组训练，覆盖51种器官或组织、441项独立研究。这类数字能说明训练数据规模，却不能单独证明药物已经产生临床获益。

临床试验部分还引用了2024年的行业资料：8家公司共有31个AI衍生候选药进入人体试验，其中17个仍在Ⅰ期，5个处于Ⅰ/Ⅱ期，9个进入Ⅱ/Ⅲ期；其间已有项目终止、停止或得到不确定结果。

把这组信息与“18个月进入Ⅰ期”放在一起，文章才没有只讲速度。进入临床是进展，获得稳定疗效和安全性证据是另一道门槛。

图5（原文Figure 6）：作者把临床试验拆成四个阶段。左侧列出的候选项目能提供转化感，但项目所处期别会随时间变化，投稿前需要逐项更新。

写案例时，建议在笔记里给每条证据贴上阶段标签：计算预测、体外验证、动物验证、早期临床、关键性临床试验、监管批准、真实世界应用。

同一段可以放不同阶段的研究，但不能用早期数据替代临床结局。技术综述最容易失真的地方，往往就发生在这一步。

讨论部分必须把“能做什么”拉回“凭什么相信”

结论部分把多组学与AI带来的变化概括为几个方向：从单靶点转向网络药理，从线性研发转向计算与实验迭代，从人群平均方案转向患者层面的治疗预测。

作者也列出了数据标准不一致、缺失值与批次效应、模型黑箱、监管接受度、群体代表性不足、隐私保护和算法偏倚等障碍。

图6（原文Figure 7）：全文收束图把输入、模型和输出连在一起。它也提醒作者在讨论中分别检查三处风险：数据是否可靠，模型是否可解释，输出是否经过临床相关验证。

这里有一个很实用的写法：讨论局限时，不要另起一份通用问题清单。沿着自己的流程图倒着检查就行。

数据层看标准化、缺失和人群代表性；模型层看外部验证、可解释性和可迁移性；实验层看体外模型与人体病理是否接近；临床层看终点、监管要求和公平性。

局限一旦能对应到流程节点，讨论才会和全文发生关系。

这篇综述有一处方法学表述需要谨慎

作者在“Literature-search strategy”中将文章称为系统性文献综述，并说明检索了PubMed、Web of Science和Scopus，使用MeSH扩展与布尔逻辑。

不过，从PDF正文能看到的信息看，作者没有报告完整检索式、检索日期、纳入与排除标准、筛选数量、流程图、质量评价或偏倚评估。

因此，更稳妥的理解是：这是一篇采用结构化检索的综合性叙述综述。检索过程提高了覆盖面，现有报告还不足以让读者完整复现筛选过程。

准备投稿时，文章类型要尽早确定。

如果目标是系统综述，就按相应报告规范保存检索式、筛选记录和质量评价。如果目标是大型叙述综述，仍可以透明报告数据库、时间范围和选文原则，但不必为了显得严谨而使用超出方法证据的标签。

另一个问题是证据更新。药物研发期别、临床试验状态和公司合作变化很快。综述从投稿到发表常常要经历数月，定稿前至少要重新核对试验注册平台、监管状态和企业公告日期。

仿写这类论文，可以这样做

第一步，写出范围句。

用一句话限定对象、技术、研发阶段和临床场景。范围句写不清，后面的检索词一定会膨胀。

第二步，先搭证据矩阵。

横向放研发环节，纵向记录研究问题、数据类型、算法、验证层级、主要结果和局限。先填矩阵，再决定章节。

第三步，为每节准备“框架—案例—边界”。

框架解释方法如何工作；案例给出药物、数据或性能数字；边界说明证据尚未覆盖哪里。三部分不必等长，但不能长期缺席其中一项。

第四步，提前规划图表。

总览图负责划范围，流程图负责讲机制，疾病图负责展示应用，收束图负责讨论输入、模型和输出。表格按证据任务分组，不按作者或年份简单堆叠。

第五步，给案例标注验证层级和更新时间。

计算命中、动物有效、进入Ⅰ期、获批上市，含义相差很大。涉及在研药物时，在资料表中单列“状态核对日期”。

第六步，最后写引言和讨论。

正文证据整理完成后，再回头决定引言该提出什么缺口，讨论该回应哪些限制。这样写出的首尾更贴近文章实际内容。

总结：这篇论文最值得学习的是什么

这篇综述的长处在于结构控制。作者用药物研发流程约束了一个很宽的交叉主题，再用7幅流程图和8张证据表降低阅读负担。案例横跨机制、模型和临床阶段，文章因此保持了转化方向。

它也提醒我们，覆盖面和证据强度不能混为一谈。算法名、数据规模和候选药数量可以证明领域活跃，临床价值仍要看外部验证、试验终点、监管状态和真实患者获益。

如果准备写一篇同类论文，最先该画的是一张带验证层级的研发流程表。那张表能不能站住，基本决定了综述能否从资料汇编走向有依据的判断。

原文来源

Liu Y, Zhu K, Peng W, Liu Z, Mao X. Multi-omics and artificial intelligence for precision drug discovery and potential clinical applications. Signal Transduction and Targeted Therapy. 2026;11:210. doi:10.1038/s41392-026-02631-6.

说明：文中数据和研发案例均据原论文及其引用资料整理；在研项目状态具有时效性，不构成临床用药建议。配图均截取自原论文。