摘要目的 为解决传统中医药系统性方法识别配伍药对的问题,本文提出一种融合网络传播与图正则化的潜在药对预测框架 HerbGL.方法 基于"中药的药理作用会在生物系统中引发细微扰动"的假设,本文提出 HerbGL 框架.首先,在蛋白质互作(PPI)网络上应用重启随机游走(RWR)算法,以重构各中药多靶点蛋白的特异性扰动并生成中药加权子网络.随后,为量化药对间的亲和度,计算每个中药加权子网络上的两种网络邻近度指标(Closeness和 PageRank),从而构建药对亲和矩阵.最后,将其与已知药对信息(基于中药方剂中药对共现频次分析,并通过频率分布拐点确定阈值筛选获得)一起整合入图正则化模型,实现潜在药对的预测.同时,通过基线模型对比、消融实验及不同正负样本比例下的鲁棒性实验对模型性能进行系统评估,评价指标包括受试者工作特征曲线下面积(AUROC)、精确度-召回率曲线下面积(AUPRC)、准确率和精确率.结果 RWR构建的加权子网络能够更细致地模拟中药特异性扰动效应,为后续的亲和度建模与预测提供了基础表示.药对共现频次的分析结果,显示在频次为 150 处,药对数量发生显著变化,因此该值被选作区分药对与非药对的阈值.此外,HerbGL 的预测性能优于所有对比的基线模型(AUROC=0.970 5,AUPRC=0.955 5,准确率=0.726 6,精确率=0.970 6).消融实验结果表明,去除 Closeness与PageRank指标会显著降低模型性能(AUROC=0.819 1,AUPRC=0.876 8),这验证了两类网络特征的必要性.鲁棒性实验表明,即使在正负样本比例为 1:5的情况下,模型仍保持稳定表现(AUROC=0.969 6,AUPRC=0.840 4).此外,多项现有案例亦验证了模型所识别药对的合理性,例如防风与青皮在《良朋汇集》(第三卷:防风升麻汤)中就有合用于治疗牙疼的记载.通路富集分析进一步验证了药对人参和连翘的生物学配伍合理性.结论 HerbGL 提供了一种有效且具有生物学依据的中药药对识别框架,不仅能提升药对预测能力,还能为中药成分作用及机制研究提供数据支持,从而助力基于数据的中药配伍规律探索.