传统中药经过一代代医者的临床实践，蕴含着治疗思想和方法。在国际上，中药的药用价值和临床疗效也得到了极大的认可。尤其是在此次全球新冠肺炎疫情中，中药的疗效更加凸显。中药的质量长期以来备受关注，临床安全性和有效性岌岌可危。在中国，中药的真实性和生产标准化是研究人员关注的重点。从中药的形成到临床应用，质量控制不可或缺。正如中国政府所强调的，确保中药的质量至关重要。事实上，草药的质量是符合预防和治疗疾病标准的固有属性。它涉及原料、种植、收获、加工、炮制、生产、包装、贮存、运输和使用。因此，质量评估特殊而复杂。《中国药典》是一部收录2711种中药材的法定标准。《中国药典》加强了对中药研发、生产、流通和使用全过程的质量控制。《中国药典》的检测项目涉及中药材的一般鉴别、检查和定量等指示成分。质控人员、仪器、种类、标准和环境是中药质量控制的重要因素。当前，中药的地域性、多样性、多变性和人文性决定了中药资源开发的特殊性和规律性。质量评价与控制方法如何客观反映中药材的内在问题，如何通过功效和安全性对《中国药典》中的成分进行计量和鉴别？这是目前的难题。

2023年，我国行业营业收入已达7095.2亿元，已形成庞大的中药体系。传统的质量控制已实施多年，以中国药典为代表，每5年更新一次方法、品种和技术指导原则。然而，随着经济、贸易和医疗的快速发展，实现快速、高效、精准、绿色的质量控制是一个科学问题。品种更新、技术创新、药效学指标的新发现、毒理作用、治疗手段的转变等结合起来形成了反推机制。另外，交叉领域的发展使得质量控制不仅仅局限于医学范围，而更多地与物理学、材料学、经济学、计算机科学等方向相结合。目前的进展表明，中药质量控制正走上一条前所未有的变革之路。着眼于质量的可转移、可追溯，中药产业亟待建立全过程控制体系。

工业4.0的到来意味着第四次工业革命已经开始。在大数据、云计算和互联互通的时代，工业4.0将中医药的智能化和工业化结合在一起。近年来，随着ChatGPT的流行，许多人工智能（AI）技术创新如Sora和OPEN AI应运而生。特别是在中医药领域，人工智能促使传统质量控制发生了范式转变。深度学习（DL）被列为2024年值得关注的技术之一。近年来人工智能在医药领域呈现井喷式发展。人工智能在中药质量控制方面有哪些突破性进展？值得研究人员关注。近期有报道称人工智能从基础、技术到应用在中医药领域得到了深入发展。人工智能突出了复杂疾病与中医药之间的精准证据、疾病和靶点。我国在“十四五”发展规划中提出推进中药材追溯体系建设，加快提升中药材智能化生产水平。传统化学计量学从中药材中提取有用信息的方法包括色谱指纹图谱、判别分析。而人工智能突破了局限性，用于中药材产地、种类和含量等多组分识别，体现了整体观。此外，关键技术与人工智能的结合带动了中药材分析的快速发展，如代谢组学、质谱成像、二维色谱等。

智能化时代，生物信息学是利用计算机与信息技术研究生物系统规律的一门学科，致力于研究生物信息的收集、分析与解释，阐明数据的生物学意义。算法与软件开发推动了癌症、药物、基因组学等多个领域的研究，促进了高性能计算与大数据的跨学科融合。同时，生物信息学成为中医药现代化的热点，通过大数据赋能系统评估中医药治疗作用机制与质量控制。近来，中国学者通过整合药用植物基因组测序与BLAST、SSR Finder、JBrowse、Synteny Viewer等工具，构建了中药及植物基因组综合数据库“TCMPG”。此外，学者们通过多组学和生物信息学研究取得了突破，揭示了紫苏、黄连和木脂素等重要生物学发现，帮助改变了中医药的范式。

网络药理学（NP）属于生物信息学，由 Andrew L Hopkins 于 2007 年首次提出。NP 结合高通量组织学数据、计算机模拟和基于网络的数据库，揭示生物网络中药物的效力、毒性和代谢特性。NP不仅为中药多成分、多靶点表征提供了新模型，而且借助数据库成为筛选蛋白质、基因和通路的工具，支持药效学和机制研究。例如通过NP鉴定出中药质量标志物（Q-marker）。学者们还开发了 INPUT，形成中药独有的智能 NP 平台。

在人工智能和生物信息学快速发展的背景下，中药质量控制的研究模式正在发生深刻的变化。目前，缺乏基于这两项技术视角的系统综述。为了解工业4.0下中药质量的创新发展，作者整合复杂性、创新性和结果性，提供以下概述（图1）。（1）系统概述人工智能和生物信息学在质量控制中的应用。（2）介绍两个专业在中药质量控制中的优势。（3）前瞻性分析存在的问题和解决方案。（4）结合新的质量生产力，对未来优质中药、智能检测和监管科学的交叉领域进行了展望和讨论。本综述致力于智能时代中药质量控制的探索，为未来做出贡献。

2.1. 人工智能在中药质量控制中的应用

中药质控中的人工智能强调传统与现代、人机交互和智能服务性的结合。它应用于图像、产地、霉菌毒素、农药残留、重金属和有害元素、Q-marker、有毒成分、品种等（图2）。

在原文表1中还介绍了一些人工智能应用实例。包括（1）性状图像识别；（2）气味识别；（3）生长及贮藏年龄的鉴定；（4）中药品种分类；（5）中医认证；（6）产地溯源（又包括基于光谱、化学成分、计算机视觉、微区域结构、元素指纹）；（7）内源毒性成分预测；（8）外源性有害残留物监测（又包括霉菌毒素鉴别、农药残留监测）；（9）质量标志物筛选；（10）等级评定；（11）质控关联的临床有效性。

图3. 高光谱成像、化学成分、元素指纹、计算机视觉和微区域结构在中药产地鉴定中的应用案例。A：基于传统机器学习和深度学习的激光诱导击穿光谱法快速鉴别白芍饮片产地；B：机器学习辅助视觉传感器阵列用于百合球茎产地识别；C：通过U -Net精细结构识别辅助高光谱成像提高甘草产地分类准确率；D：基于计算机视觉和深度学习的当归产地智能识别；E：近红外光谱结合机器学习对山茱萸有效成分与根际土壤无机元素的相关性分析及产地品质的快速分析

图4. 中药内源性毒性成分预测。A：通过机器学习策略预测双酚类似物的肝毒；B：通过大气压基质辅助激光解吸/电离质谱成像和机器学习对马兜铃酸I暴露小鼠肝脏代谢的研究

图5. 中药外源性有害残留监测。A：基于全细胞生物传感器阵列结合机器学习预测模型对食品中霉菌污染进行精准无损监测；B：基于机器学习的保留时间预测在LC-HRMS中对农药及农药转化产物可疑物筛查的评估及应用；C：华南地区三七种植土壤中的农药残留及其与土壤的关系

图6. 中药质量标志物筛选。A：机器学习能够发现龙胆碱靶向TLR4/NF-κB通路以修复缺血性中风损伤; B：草药中丹酚酸的纳米孔分析

图7. 中药等级评定。A: 结合组学策略和机器学习算法对不同来源牛黄一致性的综合评价；B：结合机器学习技术与数据融合策略：茶叶等级鉴别平台

2.2. 生物信息学在中药质量控制中的应用

2.2.1. 生物信息学分析

在中药质量控制领域，生物信息学可帮助研究人员更好地揭示Q-markers、预测潜在靶点并阐明分子机制。主要包括中药成分潜在靶点的预测、靶点的功能分析、成分-靶点-通路/疾病关联网络和 KEGG 生物通路的可视化以及多种中药的比较分析。

图8. 生物信息学在中药质量控制中的应用。A：基于色谱-效应关系和生物信息学分析的食用菊花Q-markers发现和质量评估的综合方法；B：苗药黑固藤追风活络胶囊的化学成分分析及治疗类风湿性关节炎的有效物质的发现；C：基于生物信息学分析鉴定与中药寒热性质相关的途径和基因

2.2.2. 网络药理学

中药质控因其多成分、多靶点和多途径的特点而十分复杂。网络药理学（NP），尤其是“网络靶点”的概念，为中药质控和机制研究提供了新的方向。它强调整体性和系统性，符合中医理念，可以深入分析作用机制、药物选择和组合原则。研究人员通过数据库获取中药成分，预测其蛋白质靶点，并将其与疾病靶点进行比较，以找出潜在的作用靶点。构建和评估网络以揭示中药的作用机制。最终通过实验验证预测。NP 广泛应用于预测中药 Q-markers、阐明其多成分有效性、揭示潜在靶点和预测毒性。在原文补充材料表S1中介绍的几个网络药理学应用实例。

2.2.3. 其他

随着微流控和微芯片技术的进步，模拟活体器官的微芯片平台的出现为研究提供了强有力的工具。微芯片技术提高了高通量筛选的效率，揭示了中药的主要成分。生物指纹技术涵盖了丰富的生物信息，在中药药理研究中具有优势。尽管中药与现代药理学存在差异，但新的生物信息学技术正被用于解析机制，尤其是在Q-markers方面。此外，基于手持式生物芯片的微系统也正在应用于中药。

2.3. 人工智能与生物信息学的交叉融合

在大数据时代，生物信息学面临着将大数据转化为有价值知识的挑战。聚类是揭示基因组水平生物过程的核心方法。深度神经网络通过降维改善聚类结果。集成方法和深度学习在生物信息学中得到广泛应用，最近集成深度学习推动了新的研究。随着数据的增长，研究人员提出了整合多种生物信息学来源来预测药物-靶标相互作用的新方法，将传统的药物-靶标网络扩展到疾病水平。

NP为理解传统医学提供了新的视角，催生了多个领域。基于网络的人工智能正逐渐成为揭示复杂疾病机制的关键。NP中涉及的人工智能包括网络关系挖掘、网络靶标定位和网络靶标导航，为中医应用提供了创新。尽管NP改变了药物发现范式，但从海量数据中挖掘有效信息仍然具有挑战性。针对这些挑战，具有ML和DL的AI受到欢迎，以改善大数据的发现和决策，其应用在生物分子筛选和靶标识别等多个阶段。

AI算法根据不同的策略利用不同类型的数据完成多项搜索、判别任务，适用于解决NP中海量数据分析问题。研究人员利用该方法筛选了枸杞不同部位的潜在生物标志物，探讨其临床应用及合理开发。同时，研究人员还探究了8种中药方剂治疗不同冠心病的作用机制，并运用NP和ML解释其科学意义。此外，另一项研究通过分子模拟与NP筛选了表征黄芪抗癌功效的成分，并构建了定量功效预测模型。还有研究者结合量子化学与ML预测抗衰老中药的有效成分，并利用NP揭示其延缓衰老的机制。还有一项研究通过多元统计和AI算法，研究了茶的感官品质与化学成分之间的相关性。

与传统质量控制相比，人工智能与生物信息学表现出明显的优势，不仅促进了传承与创新，更能体现中医药的特色，而且通过交叉融合，客观性强，显著提高了研究效率，有效解决了关键问题，为中药临床安全性、有效性和质量控制带来了新的变化。

人工智能为中药质量控制带来显著效益，但也面临诸多限制。首先，中药的复杂性，包括品种、成分、产地、炮制等因素，使得数据采集和管理变得复杂，数据不完整、不准确、不一致，影响人工智能模型的准确性。其次，中药行业的人工智能从业者需要精通中药和人工智能，但这样的人才非常稀缺。此外，现有的法规可能跟不上人工智能的快速发展，给中药企业带来风险。最后，中药生产的智能化升级，既要保留传统工艺，又要创新，也增加了挑战。此外，尽管人工智能与生物信息学技术的结合具有显著优势，但人工智能在判断生物信息的真实性方面存在不足。生物信息数据的不一致不仅可能导致信息丢失或误解，从而影响人工智能模型的准确性，还会因某些生物信息数据的缺失而导致模型构建缺乏必要的完整性。总而言之，作者将问题分为四类，如何评价详细描述了当前情况和潜在的解决方案。包括（1）如何评价预测结果的真实性？（2）如何临床适用并符合中医特点？（3）如何确保流程标准化、规范化？（4）如何实现普遍化？