藥物交互作用（Drug-Drug Interactions, DDIs）是臨床藥理學和藥物安全監測的核心議題。根據 Lazarou 等人（1998）的系統性回顧，藥物不良反應是美國住院病患的第四至第六大死因，其中相當比例源於可預防的藥物交互作用。隨著多重用藥在高齡化社會日趨普遍，DDI 的系統性預測與管理已成為精準醫療的重要面向。
藥動學交互作用的分子機制
CYP450 酵素系統是藥動學交互作用的核心。人類基因組編碼 57 種 CYP 基因，其中 CYP1A2、CYP2C9、CYP2C19、CYP2D6 和 CYP3A4 負責超過 90% 的臨床藥物代謝（Zanger & Schwab, 2013）。
酵素抑制分為可逆性與不可逆性（mechanism-based inhibition, MBI）。可逆性抑制依 Michaelis-Menten 動力學分為競爭性、非競爭性和無競爭性，可用 Ki 值量化抑制強度。MBI 則涉及代謝中間體與酵素活性位點的共價結合，典型範例為葡萄柚呋喃香豆素對 CYP3A4 的不可逆失活——Schmiedlin-Ren 等人（1997）證實此效應主要發生在腸壁而非肝臟，且酵素活性的恢復取決於新蛋白質的合成（半衰期約 23 小時），這解釋了為何單次攝入葡萄柚的效應可持續 72 小時。
酵素誘導則涉及核受體（nuclear receptors）調控的轉錄上調。PXR（pregnane X receptor）和 CAR（constitutive androstane receptor）是最重要的兩個調節因子。利福平作為強效 PXR 配體，可同時誘導 CYP3A4、CYP2C9 和 P-glycoprotein（P-gp）的表現（Willson & Kliewer, 2002），這種多靶點誘導效應使其交互作用範圍異常廣泛。
轉運蛋白介導的交互作用
除 CYP450 外，藥物轉運蛋白（drug transporters）在 DDI 中的角色越來越受重視。P-gp（ABCB1）和 OATP1B1（SLCO1B1）是兩個最具臨床意義的轉運蛋白。FDA 的 2020 年 DDI 指引要求新藥開發需評估至少 7 種轉運蛋白的交互作用潛力。Giacomini 等人（2010）主導的國際轉運蛋白聯盟（ITC）建立了標準化的體外評估流程。
藥效學交互作用的定量分析
藥效學層面，Loewe additivity 和 Bliss independence 是兩種主要的交互作用定量模型。Greco 等人（1995）整合這兩種框架發展出通用的 interaction index 方法。在抗感染藥物領域，checkerboard assay 和 time-kill curve 是評估聯合用藥效果的標準方法，以 fractional inhibitory concentration（FIC）index 判定協同（<0.5）、相加（0.5-4）或拮抗（>4）。
計算預測與精準用藥
基於生理藥動學模型（PBPK modeling）的 DDI 預測已被 FDA 和 EMA 認可為新藥審查的替代工具（Shebley et al., 2018）。結合群體藥動學（population PK）和藥物基因組學數據，可實現個體化的交互作用風險評估。機器學習方法（如 DeepDDI, Ryu et al., 2018）利用藥物結構特徵預測新型 DDI，但其臨床驗證仍在進行中。臨床決策支持系統（CDSS）整合電子病歷的即時 DDI 警示已普遍部署，但「警報疲勞」（alert fatigue）仍是主要挑戰——研究顯示超過 90% 的 DDI 警示被臨床醫師忽略（van der Sijs et al., 2006），凸顯精準分級警示系統的必要性。