可乐吧水果大战中医药（TCM）采用多代谢物和多靶点干预措施来治疗复杂疾病，相较于单靶点疗法具有一定优势。然而，其活性代谢物、治疗靶点，尤其是联合作用机制仍不明确。人工智能（AI）所具备的

　　这篇综述聚焦于人工智能在中医药靶点预测方面的应用，涵盖了多组学技术、中医药专用数据库、机器学习（ML）、深度学习（DL）以及跨模态融合策略。同时，该综述还批判性地分析了实际应用中持续存在的挑战，如数据异质性、模型可解释性有限、因果关系混淆以及稳健性验证不足等问题。

　　为了提高人工智能在中医药靶点预测中的可靠性和可扩展性，未来的研究应优先考虑利用零样本学习、端到端架构和自监督对比学习等方法，对AI算法进行持续优化。

　　图2AI整合多组学数据以识别中医药中的治疗靶点 （很奇怪，用 GWAS 的代表性图代表空间组，难道是群体空间？）

　　图3AI算法的发展时间线。关键的机器学习（ML）算法包括主成分分析（PCA）、K 均值算法、决策树、支持向量机（SVM）和随机森林（RF），而重要的深度学习（DL）算法包括卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆网络（LSTM）、生成对抗网络（GAN）和图神经网络（GNN）。这条时间线展示了人工智能算法从传统机器学习到先进深度学习模型的演变与发展历程。

　　图4机器学习（ML）中的回归与分类。左侧的图展示了回归，其中一个函数对特征 X 与目标 Y 之间的连续关系进行建模；右侧的图描绘了分类，其中一条决策边界将数据点划分到不同的类别中

　　图5卷积神经网络（CNN）中经典的 LeNet 架构是为二维图像特征提取和分类而设计的。它由一个输入层、交替的卷积层和池化层、一个全连接层以及一个输出层组成。这种结构逐步提取并映射从局部到全局的特征，以用于目标检测和图像分类等任务。

　　图6由AI驱动的多模态融合策略。主要有3种方法：（1）早期融合是在模型开发之前，将异质数据集综合成统一的特征表示；（2）中期融合在保留原始数据结构的同时，通过中间处理层整合特征嵌入；（3）晚期融合则是通过聚合算法，将来自特定模态预测模型的输出结果进行合并。