SEMO应用场景
SEMO 算法支持三大核心应用场景：药物重定位（为已有药物发现新适应症）、靶点发现（识别疾病相关的蛋白质网络节点）、以及基于个体组学数据的 N-of-1 精准治疗方案生成。
三大核心应用
SEMO 算法基于蛋白质网络选择性重塑原理，主要服务于以下三大应用场景。每个场景都有其独特的价值和适用条件。
一、药物重定位
什么是药物重定位
药物重定位（Drug Repositioning）是指为已获批准或在研的药物发现新的治疗适应症。与全新药物开发相比，药物重定位可以利用已有的安全性数据和药代动力学信息，显著缩短开发周期并降低成本。
SEMO 如何支持药物重定位
SEMO 从网络医学视角实现药物重定位：
- 构建疾病网络特征：基于疾病相关的组学数据，在 PPI 网络中识别与该疾病高度关联的网络子区域
- 化合物靶点定位：将候选药物的已知靶点映射到 PPI 网络上
- 重塑效应评估：计算化合物靶点对疾病网络区域的重塑潜力
- 候选药物排序：根据重塑效应强度和网络落差缩小程度，对候选药物进行优先级排序
应用案例
示例场景：某研究团队希望寻找对代谢综合征有潜在疗效的已有药物。
SEMO 首先基于代谢综合征相关的组学数据构建疾病网络特征，然后在包含数千种已批准药物的数据库中逐一评估每种药物靶点对代谢综合征网络区域的重塑效应，最终输出一份按干预潜力排序的候选药物清单。
二、靶点发现
什么是靶点发现
靶点发现（Target Discovery）是指识别与特定疾病发生发展密切相关的蛋白质或其他生物分子，为药物开发提供干预方向。
SEMO 如何支持靶点发现
SEMO 的网络分析视角为靶点发现提供了独特优势：
- 枢纽节点识别：在疾病相关网络子区域中，识别连接多个功能模块的关键蛋白质节点
- 脆弱性分析：评估网络中哪些节点在被干预时最有可能导致网络状态发生有利变化
- 功能模块定位：将疾病信号定位到特定的功能蛋白模块，缩小靶点搜索范围
应用案例
示例场景：某研究团队希望识别与阿尔茨海默病进展相关的关键蛋白质靶点。
SEMO 基于阿尔茨海默病的组学数据在 PPI 网络中定位相关子区域，通过网络拓扑分析识别出若干枢纽节点和脆弱节点，这些节点即为具有较高研究价值的候选靶点。
三、个体化精准治疗
N-of-1 治疗理念
N-of-1 是精准医学的极致表达——治疗方案完全基于单个个体的数据制定，而非群体统计结果。SEMO 的网络落差方法天然支持 N-of-1 范式，因为它为每个个体独立计算网络状态差异。
SEMO 如何支持个体化治疗
- 个体数据输入：接收个体的 DNA 甲基化或其他组学数据
- 个性化网络构建：将个体数据映射到 PPI 网络，构建该个体独有的网络状态图谱
- 个体化网络落差计算：计算该个体在各个疾病相关网络区域的网络落差
- 定制化药物推荐：根据该个体的网络落差特征，推荐最适合的干预方案
与 CapoVime 虚拟临床智能平台的连接
CapoVime 是 DeepoMe 旗下的虚拟临床智能平台，SEMO 为 CapoVime 提供核心的算法引擎：
- CapoVime 负责数据采集、管理和临床工作流
- SEMO 负责底层的网络分析和药物推荐计算
- 两者结合实现了从组学检测到精准用药建议的端到端服务
应用案例
示例场景：一位患者进行了 DNA 甲基化检测，CapoVime 平台将检测数据传递给 SEMO 算法。
SEMO 基于该患者的数据构建个性化网络图谱，计算各项网络落差指标，并输出一份针对该患者具体情况定制的候选干预方案清单。临床医生可以参考这份清单，结合患者的具体情况制定最终治疗方案。
实证数据：SteeraMed 论文2 关键结果
三层集成引擎
SteeraMed Core 在论文中描述为对 PPI 模块、化合物-靶点注释与启动子级 DNA 甲基化扰动的三层集成。论文把人体甲基化扰动作为新增的对齐层，结合 STRING PPI 与 STITCH 化合物-靶点注释，输出每名患者的候选药物优先级排名与四层证据链。
可引用的关键实证数据
| 结果 | 数据规模 | 统计指标 | 可信度 |
|---|---|---|---|
| RA 已知药恢复 | 14 个阳性对照药 | Recall-10 5.8× 随机基线 | 1 数据集验证 |
| 乳腺癌已知药恢复 | 6 个阳性对照药 | 5.1× 随机基线 | 1 数据集验证 |
| 衰老已知药恢复 | GSE40279 656 样本 | 1.8× 基线，烟酸/秋水仙碱 Top-2 | 1 数据集验证 |
| 四层证据链 (L1-L4) | 4 层结构 | 个体状态→驾驭对齐→机制→置信度 | 论文 Figure 1 描述 |
N-of-1 个体化排名的意义
论文对 N-of-1 范式的核心主张：把同一药物应用到不同个体时，分子层面的适配度会有显著差异，群体平均推荐会掩盖个体机会。这一思想对应论文中 "per-patient scoring replaces population-level associations with individual mechanism alignment" 的贡献描述。
诚实声明
论文明确标注以下局限：
- 当前 SteeraMed Core 是回顾性阳性对照验证，不等于临床疗效
- N-of-1 排名的预测价值需要前瞻队列验证
- 从静态机制对齐升级为完整学习系统需要配对干预前-干预后数据
论文的价值不在于声称绝对优于既有方法，而在于把分子证据组装成可审计、可比较、可证伪的患者级证据链，为 N-of-1 个体化干预推理提供基础架构。
技术边界与使用须知
SEMO 的输出结果为计算辅助参考信息，所有应用场景中的推荐方案均需：
- 经过实验生物学验证
- 通过规范的临床试验评估
- 由专业医疗人员结合临床实际做出最终决策
SEMO 不能替代标准的药物开发流程、临床试验和临床诊断。