Agent 運轉步驟：鐮刀型紅血球疾病 (SCD) 老藥新用流程

#AI製藥 #DualRAG #DrugRepurposing #SCD #AgentWorkflow

臨床輸入情境

當醫生輸入指令：「幫我尋找能治療鐮刀型紅血球疾病 (SCD) 的現有藥物。」Agent 隨即啟動五階段的雙軌 RAG (Graph + Vector) 推理與檢索流程。

總覽流程圖 (Architecture View)

詳細運轉步驟

Step 01: 意圖解析與目標鎖定 (Parsing)

將人類自然語言精確轉換為知識庫可供檢索的標準化實體 ID。

  • [THOUGHT]: 我需要找出 SCD 的根本原因，並將其轉換為資料庫看得懂的 ID。
  • [ACTION]: 呼叫 NER (命名實體識別) 與實體對齊工具。
  • [OBSERVATION]:
    • 疾病 (Disease): Sickle Cell Anemia (EFO_0000694)
    • 致病基因 (Gene): HBB (Beta-globin)
    • 關鍵病理 (Phenotype): HbS Polymerization, Vaso-occlusion

Step 02: 圖譜檢索 (Graph RAG) —— 尋找多維度干預路徑

透過知識圖譜尋找多條潛在的生物學干預路徑，並針對所有病理標靶搜尋候選藥物。

  • [THOUGHT]: 目標基因是 HBB，目前臨床上不能直接修復。因此我鎖定了三條潛在圖譜路徑：物理層面 (阻止聚合)、濃度層面 (代償 HbF)、臨床層面 (阻斷沾黏)。
  • [ACTION]: 向 Neo4j 發出三組 Cypher 查詢，尋找對應機制的藥物。
  • [OBSERVATION]:
    • 路徑 A: Voxelotor (穩定含氧態 HbS)
    • 路徑 B: Hydroxyurea (與誘導 HbF 強烈關聯)
    • 路徑 C: 心血管老藥 (具備抗 P-selectin 沾黏活性)

Step 03: 文獻與證據檢索 (Vector RAG)

驗證圖譜找出的「反直覺」藥物是否具備真實的醫學文獻與臨床證據支持。

  • [THOUGHT]: 圖譜推薦了原本是化療藥的 Hydroxyurea。這很反直覺，我必須去文獻庫尋找臨床證據。
  • [ACTION]: 在 Qdrant 向量庫搜尋相關臨床試驗數據。
  • [OBSERVATION]: 檢索到權威文獻指出該藥能透過 NO 釋放重啟 HbF 製造，此老藥新用已獲 FDA 核准。

藥理機制與干預點對照表

臨床問題具體生物標靶 / 路徑建議藥物 / 方案
基因突變HBB 基因 (不可修正)基因療法 (研究中)
濃度問題HBG1 / HBG2 基因 (誘導 HbF)羥基脲 (Hydroxyurea)
物理聚合HbS 蛋白質Voxelotor (小分子標靶藥)
血管沾黏SELP (P-selectin) 等發炎蛋白AI 找出的「心血管老藥」

[EOF] // AGENT_SCD_WORKFLOW // 2026-04-23

[EOF] // AGENT-PROCESS