近日，江南大学陈兴教授课题组与辽宁科技大学赵琪教授课题组合作，在国际知名期刊Big Data Mining and Analytics发表题为“Graph Transformer Architecture with Semantic Enhancement and Contrastive Learning for Herbal Prescription Recommendation”的研究论文，开发了全新的智能中药处方推荐工具。该研究创新性构建“领域自适应语义表征+图Transformer结构建模+跨域交互+对比学习”多模块协同框架，实现从症状信息到中药推荐的端到端智能预测，同时从分子靶点和生物学功能层面对推荐结果完成跨尺度解释，为智能中医药辅助决策提供了全新计算工具。Big Data Mining and Analytics期刊由教育部主管，清华大学主办，清华大学出版社出版，主要发表大数据挖掘与分析领域的高水平原创性研究与综述文章。期刊的中科院分区大小类均为一区Top，最新影响因子6.1。陈兴教授与赵琪教授为论文共同通讯作者。

中医药在慢性病管理、复杂疾病干预与健康促进领域具备独特优势，中药方剂作为中医药理论与实践的核心载体，是衔接辨证论治与临床治疗方案的关键环节。方剂遵循“理、法、方、药”的严密逻辑，涉及“君、臣、佐、使”等复杂配伍关系，且与患者症状之间存在高度个体化、非线性的映射关系，给依赖专家经验的传统传承模式带来重大挑战。近年来人工智能逐步应用于中药处方推荐，但现有方法仍面临语义表征与结构建模融合不足、数据稀疏和噪声鲁棒性有限、推荐结果可解释性不足等问题。针对上述难题，陈兴教授和赵琪教授团队联合构建基于图Transformer与对比学习的草药处方推荐模型HPR-GTCL。该模型利用预训练BERT在自建中医药语料库上完成领域自适应微调，获取症状和草药的高质量领域语义表示；将症状-症状和草药-草药共现关系作为可学习的图结构偏置融入Transformer注意力机制，实现拓扑信息与语义信息的深度融合；通过交叉注意力建立症状与草药之间的显式语义关联，结合多视图图增强对比学习提升模型对数据稀疏和噪声的鲁棒性。在此基础上，进一步构建跨尺度可解释性分析框架，将推荐处方与分子靶点及生物学功能相关联，实现从症状、草药到分子机制的多尺度解释，为智能中医药辅助决策提供了一种兼具准确性、鲁棒性和可解释性的计算工具。

实验结果表明，HPR-GTCL的推荐性能显著优于多种现有基线模型，充分验证了模型架构及各核心模块设计的有效性。在基准数据集和外部数据集上，HPR-GTCL在Precision@K、Recall@K和F1@K等多个评价指标上均取得更优表现，在噪声数据条件下也展现出更强的鲁棒性。消融实验进一步证明，领域自适应微调、图结构感知和对比学习等关键模块均可有效提升模型性能，验证了各模块协同作用的合理性。案例研究既验证了模型推荐结果在临床应用中的兼容性与合理性，还通过网络药理学将推荐处方进一步映射至分子靶点，开展Gene Ontology富集分析，从系统生物学角度揭示潜在作用机制，为模型预测结果提供跨尺度的生物学解释。后续该框架可进一步拓展至动态处方生成、剂量推荐以及中西医结合诊疗辅助等更复杂的应用场景，为下一代智能中医药辅助决策系统的构建提供技术基础。

该研究工作获得国家自然科学基金重大研究计划培育项目（项目号：92370131）资助。近年来，陈兴教授团队持续聚焦人工智能与生物医学、药物研发等领域的交叉研究，在药物-药物相互作用预测、药物靶点预测、药物-靶点亲和度预测、药物副作用预测及智能中医药等前沿方向开展系统性研究，产出了一系列重要成果。后续团队将继续推动人工智能技术与中医药现代化深度融合，为智能中医药及精准医疗的发展提供新的理论方法与技术支撑。

论文链接：https://www.sciopen.com/article/10.26599/BDMA.2026.9020032

基于图Transformer与对比学习的中药处方推荐模型HPR-GTCL流程图