📄 Quick Note¶

摘要概述¶

本文是 Leopold 与 Loscalzo 撰写的综述，系统阐述了 precision medicine 在心血管疾病（CVD）预防与治疗中的框架与必要性。作者论证了传统 reductionist 医学（假设同病同表型、同治疗）无法应对 CVD 的个体异质性，主张以 panomics（genomics、transcriptomics、epigenomics、proteomics、metabolomics、microbiomics）加临床/暴露数据做 deep phenotyping，再借 protein-protein interactome 的 network analysis 发现新的 disease module 与疾病间关系。综述批判了"单一致病基因"假说（以 GWAS 对 9p21、SCN5A 等的反例说明复杂 CVD 难以归因单基因），引入 resilience 与 Mendelian disease gene 的讨论，并以 CYP2C19/clopidogrel、warfarin pharmacogenetics 为例展示 rational polypharmacy 的临床落地。结论指出 precision medicine 要真正影响 CVD，须克服数据规模、计算能力、隐私、医生-患者关系等多重壁垒，从 deep phenotyping 走向 population-level 的均移。

关键图表¶

Figure 1（precision medicine 表型化路径）：示意个体临床表型相似但生物学上不同，通过 deep phenotyping + network analysis 将患者重新聚类，从而优化用药与行为干预——这是全文方法论的浓缩图。
Figure 2（人群分布与均移效应）：A 图展示人群表型围绕均值的钟形分布及尾部高风险个体；B 图展示移动人群均值会改变落入"治疗阈值"两侧的人数，直接对应 high-risk vs population-based 策略的争论。
Figure 3（interactome 示意）：scale-free 的 protein-protein interaction 网络，疾病以"neighborhood / disease module"形式聚集且可重叠，提示不同疾病共享 mediator——这是 network medicine 的核心拓扑图。
Figure 7（precision medicine 实施挑战）：概括 panomic 分析、数据管理、公众与政策利益相关者多方协作的壁垒，呼应 Future Considerations 段落。

与我的关联¶

这篇综述对"个体异质性 + 网络/系统视角"的论证思路，与我用 continuum mechanics + SMC G&R 建模血管适应的工作可形成方法论对照：它从生物医学数据端论证为何需要个体化模型，而我的工作从力学建模端提供个体化预测工具，二者可在 deep phenotyping → 个体化力学预测的链路上互补。interactome 的 disease module 概念也提示我的 G&R 网络模型可借鉴"模块化"的拓扑分析方式。