Phase 3, Randomized, Open-Label, Parallel Arm Study to Evaluate the Efficacy and Safety of 180 mcg Peginterferon Lambda-1a (Lambda) Subcutaneous Injection for 48 Weeks in Patients With Chronic Hepatitis Delta Virus (HDV) Infection (LIMT-2)

The Phase 3 LIMT-2 study will evaluate the safety and efficacy of Peginterferon Lambda treatment for 48 weeks with 24 weeks follow-up compared to no treatment for 12 weeks in patients chronically infected with HDV. The primary analysis will compare the proportion of patients with HDV RNA < LLOQ at the 24-week post-treatment visit in the Peginterferon Lambda treatment group vs the proportion of patients with HDV RNA < LLOQ at the Week 12 visit in the no-treatment comparator group.

开始日期2021-12-21

申办/合作机构

Eiger BioPharmaceuticals, Inc.

NCT04388709

/ Withdrawn临床2期IIT

A Randomized Phase 2 Trial of Peginterferon Lambda-1a (Lambda) for the Treatment of Hospitalized Patients Infected With SARS-CoV-2 With Non-critical Illness

The main purpose of this research study is to test the safety and effectiveness of an investigational drug peginterferon lambda-1a in treating COVID-19.

开始日期2020-09-01

申办/合作机构

Icahn School of Medicine at Mount Sinai

[+1]

NCT04344600

/ Terminated临床2期IIT

Peginterferon Lambda-1a for the Prevention and Treatment of SARS-CoV-2 Infection

This is a phase 2b prospective, randomized, single-blind, controlled trial of a single subcutaneous injection of peginterferon lambda-1a versus placebo for prevention of SARS-CoV-2 infection in non-hospitalized participants at high risk for infection due to household exposure to an individual with coronavirus disease (COVID-19). The study will also evaluate the regimens participants with asymptomatic SARS-CoV-2 infection detected at study entry. All participants will be followed for up to 12 weeks.

开始日期2020-06-29

申办/合作机构

The Johns Hopkins University

[+1]

100 项与 Peginterferon lambda-1a(ZymoGenetics, Inc.) 相关的临床结果

登录后查看更多信息

100 项与 Peginterferon lambda-1a(ZymoGenetics, Inc.) 相关的转化医学

登录后查看更多信息

100 项与 Peginterferon lambda-1a(ZymoGenetics, Inc.) 相关的专利（医药）

登录后查看更多信息

项与 Peginterferon lambda-1a(ZymoGenetics, Inc.) 相关的文献（医药）

2025-05-01·GUT

Antiviral therapy for chronic hepatitis delta: new insights from clinical trials and real-life studies

Review

作者: Anolli, Maria Paola ; Roulot, Dominique ; Lampertico, Pietro ; Wedemeyer, Heiner

Chronic hepatitis D (CHD) is the most severe form of viral hepatitis, carrying a greater risk of developing cirrhosis and its complications. For decades, pegylated interferon alpha (PegIFN-α) has represented the only therapeutic option, with limited virological response rates and poor tolerability. In 2020, the European Medicines Agency approved bulevirtide (BLV) at 2 mg/day, an entry inhibitor of hepatitis B virus (HBV)/hepatitis delta virus (HDV), which proved to be safe and effective as a monotherapy for up to 144 weeks in clinical trials and real-life studies, including patients with cirrhosis. Long-term BLV monotherapy may reduce decompensating events in patients with cirrhosis. The combination of BLV 2 mg with PegIFN-α increased the HDV RNA undetectability rates on-therapy but not off-therapy, compared with PegIFN monotherapy. However, combination therapy, but not BLV monotherapy, may induce hepatitis B surface antigen (HBsAg) loss in some patients. The PegIFN lambda study has been discontinued due to liver toxicity issues, while lonafarnib boosted with ritonavir showed limited off-therapy efficacy in a phase 3 study. Nucleic acid polymer-based therapy is promising but large studies are still lacking. New controlled trial data come from molecules, such as monoclonal antibodies and/or small interfering RNA, that target HBsAg or HBV RNAs, which demonstrated not only profound HDV suppression, but also HBsAg decline.While waiting for new compounds to be approved as monotherapy or in combination, BLV monotherapy 2 mg/day remains the only approved therapy for CHD, at least in the European Union region.

2024-05-01·Hepatology (Baltimore, Md.)

HDV screening in chronic HBV: An unmet need of growing importance

Article

作者: Robert J. Fontana ; Abhishek Shenoy

HDV infection is an aggressive form of viral hepatitis associated with accelerated morbidity and mortality in patients with chronic HBV infection.1,2 HDV is a single-stranded, defective circular RNA virus whose replication inhibits HBV replication but enhances hepatic fibrosis progression and cancer risk. HDV requires the HBsAg envelope protein to enter hepatocytes through the sodium taurocholate co-transporting polypeptide receptor.2 Exposure to HDV can be determined by the detection of anti-HDV IgG or IgM antibodies, while active infection is defined by the presence of detectable HDV-RNA in the blood. HDV, like HBV, can be parenterally or sexually transmitted and may clinically present as acute coinfection with HBV that is usually self-limited in most patients (95%). In contrast, HDV superinfection in a patient with established chronic HBV leads to chronic HDV infection in 80%–90% of patients.2 HDV is considered a rare or "orphan disease" in the United States (ie, <200,000 patients) but screening for HDV among patients with chronic HBV remains woefully low at 5%–10% due to lack of physician education, awareness, and reliable diagnostic assays. In this issue of Hepatology, Gish et al1 present an interesting study on the estimated prevalence and clinical characteristics of adults with HDV-HBV coinfection in the United States. The authors defined HDV coinfection in the All-Payer Claims Database (APCD) by means of the presence of the International Classification of Disease (ICD) 9 or 10 diagnostic codes for HDV among patients who also had a code for HBV infection between 2014 and 2020. Using this methodology, the prevalence of HDV coinfection was 4.6% among the 144,975 adults with chronic HBV. Clinical risk factors for HDV coinfection included younger patient age, female sex, Black ethnicity, and patient geography. Patients with HDV coinfection demonstrated higher rates of decompensated liver disease and other comorbid illnesses, including HIV coinfection (30.9% vs. 8.1%), substance use disorders (28.7% vs. 13.2%), and sexually transmitted infections (18.7% vs. 2.2%). The 4.6% prevalence of HDV coinfection is similar to the estimates provided in other studies that used serological or other diagnostic methodologies (Table 1). TABLE 1 - Selected studies of HDV prevalence among patients with chronic HBV in the United States References Methodology (sample size) National referral center (NIH) National Institutes of Health (NIH) HDV prevalence among HBsAg + Comments Kushner et al3 Retrospective cohort study (2175) National VA Corporate Data Warehouse (1999–2013) Anti-HDV IgG antibody 3.4% - <50% patients had confirmed chronic HBV- Selection bias: only 8.5% of all patients with chronic HBV tested- Potential male sex bias (96%)- No HDV-RNA confirmation Pate et al4 Cross-sectional survey (21,832) National NHANES (2011–2016) Anti-HDV IgG antibody (DiaSorin) 42% - Representative of general US population including foreign born individuals- Only 113 patients with chronic HBV tested- High-risk populations excluded (homeless, incarcerated, institutionalized)- No HDV-RNA confirmation Nathani et al5 Retrospective cohort study (1444) Urban single-center (Mount Sinai New York) (2016-2021) Anti-HDV IgG antibody 6% - Single-center, retrospective urban population- Selection bias: only 13% of all patients with chronic HBV tested- No HDV-RNA confirmation Da et al6 Retrospective, cross-sectional cohort study (588) National Institutes of Health (NIH) (2000–2019) Anti-HDV IgG antibody, HDV-RNA or HDAg tissue stain confirmation 19% - Potential referral bias of national research center (NIH)- 80% of anti-HDV IgG (+) confirmed to have HDV-RNA Ferrante et al7 Retrospective, cross-sectional cohort (597) Multicenter HIV-HBV cohort (1996–2019) Anti-HDV IgG antibody (Diasorin), HDV-RNA 4.0% - Selection bias: all were HIV + co-infected enrolled in research network- Intravenous drug use only risk factor on multivariate analysis- 41% of anti-HDV IgG + were HDV-RNA +- All had HDV genotype 1 Gish et al1 Retrospective cohort study (144,975) National All-Payer Claims Database (APCD) (2014–2020) ICD-9/ICD-10 codes for HBV/HDV 4.6% - Insured population only- Discrepancies of pharmacy claims data- Zip code distribution and Geographic Prevalence Data- No laboratory confirmation of HDV diagnosis Abbreviations: APCD, All-Payer Claims Database; ICD, International Classification of Diseases; NIH, National Institutes of Health; NHANES, National Health and Nutrition Evaluation Survey. A major strength of this study was the large sample size available for analysis along with the demographic and geographic diversity. However, the authors did not perform a manual chart review to validate their case definition and confirm the diagnosis of HDV infection. In addition, the APCD database only captures data from those with medical insurance, which may lead to an underestimation of the true prevalence of HDV coinfection through exclusion of the uninsured. Furthermore, a remarkable 25% of all patients with HDV resided in either Brooklyn, New York or Chicago, Illinois. The disproportionate number of HDV cases from these 2 metropolitan areas may represent a larger number of immigrants from countries with a high rate of HDV coinfection (eg, Mongolia, Eastern/Western Africa, and Eastern Europe). Alternatively, these data may reflect differences in testing practices in those locations, leading to an overestimate of the true prevalence of HDV due to selection bias. WHO AND HOW TO SCREEN FOR HDV? IT'S COMPLICATED!! Worldwide, the estimated global prevalence of HDV is 4.5% but varies substantially by country.8 Currently, the European Association for the Study of the Liver (EASL) and Asian Pacific Association for the Study of the Liver (APASL) guidelines recommend universal screening of all patients with chronic HBV for HDV coinfection, while the American Association of the Study of Liver Diseases (AASLD) recommends targeted screening in high-risk groups.9 Universal screening for an infectious disease is recommended if there are (1) accurate, reliable, and validated diagnostic tests available; (2) safe and effective treatments or interventions to prevent (vaccinate) or improve the outcome following diagnosis; and (3) evidence that case detection and treatment may reduce disease transmission and associated morbidity and mortality. Over the past few years, the Centers for Disease Control (CDC) has largely abandoned targeted screening of high-risk individuals for HCV and HBV infection in favor of a simpler population and age-based strategy. Gish and others now advocate for universal screening of HDV coinfection among all patients with chronic HBV in the United States.1,2 However, it is important to remember that detection of HDV infection requires accurate, reliable, and standardized diagnostic tests before universal screening can be implemented. Currently, there is significant variability in the performance of anti-HDV antibody tests and none are Food and Drug Administration (FDA) approved for diagnostic testing.10 In addition, HDV-RNA assays have not yet been validated and have variable lower limits of quantification and detection. Finally, the sensitivity and specificity of HDV-RNA assays for isolates containing the 8 distinct genotypes of HDV have not been established.10,11 The optimal means to treat a patient with active HDV replication also remains unclear but is generally improving. Oral nucleos(t)ide analogs for HBV (ie, entecavir and tenofovir) do not lead to meaningful reductions in HDV-RNA levels or improvement in liver histology. In contrast, immunotherapy such as pegylated interferon alpha can partially suppress HDV replication in up to 30% of treated patients and lead to improved long-term survival.12 However, long-term pegylated interferon alpha is not well tolerated, nor currently FDA approved for this indication. Fortunately, recent progress has been made in our understanding of the HDV life cycle, leading to promising drug targets. Bulevirtide, a subcutaneously administered Sodium taurocholate co-transporting polypeptide inhibitor, reduces HDV-RNA and alanine aminotransferase levels in 56% of treated patients after 96 weeks of treatment.13 Although bulevirtide is generally well tolerated, it is not yet approved in the United States, and the optimal dose remains unclear. Oral prenylation inhibitors that block HDV replication, such as lonafarnib have also been tested, as well as pegylated interferon lambda and short interfering RNA approaches. Finally, on-treatment monitoring to look for HDV-RNA suppression is currently challenging due to the lack of an FDA-approved quantitative PCR–based assay, but several are in development. SO WHO SHOULD WE SCREEN FOR HDV INFECTION IN 2024? Anti-HDV serological testing helps identify those with acute versus chronic and resolved infections. Patients with acute HDV-HBV coinfection typically have anti-HDV IgM detectable for 1–3 months after exposure in the serum and HDV-RNA.2,10 In contrast, a detectable anti-HDV IgG serological test is evidence of either past or current infection, and active HDV infection is defined by detectable HDV-RNA in the blood (Figure 1). If one assumes that up to 4% of the 1.5 million Americans with chronic HBV are anti-HDV IgG positive, there may be as many as 50,000–60,000 individuals with active HDV-HBV coinfection that could benefit from treatment.FIGURE 1: Proposed algorithm to diagnose HDV-HBV coinfected patients. Anti-HDV serology testing is anticipated to identify 4% of the 1.5 million Americans with chronic HBV infection as having evidence of HDV exposure. Among those with HDV exposure, ~80% are anticipated to have detectable HDV-RNA, but prospective confirmatory studies using validated, quantitative PCR–based assays are needed. Overall, 50,000–60,000 Americans with active HDV-HBV coinfection may be eligible for anti-HDV therapy when it becomes available.The AASLD 2018 HBV Guidance recommends targeted screening for HDV infection in patients with high-risk HBV, including immigrants from countries where HDV is endemic, men who have sex with men, HIV coinfected patients, or patients who are actively using i.v. drugs.9 In addition, patients with chronic HBV with low HBV DNA levels but persistently elevated serum alanine aminotransferase should be screened for HDV as well as those with early cirrhosis, HCC, or awaiting liver transplant. However, widespread implementation of a targeted strategy for HDV screening has proven to be difficult. At Mount Sinai in New York City, only 13% of their patients with chronic HBV were screened for HDV between 2016 and 2022 (Table 1). Furthermore, 20% of those with confirmed HDV infection did not have an identifiable risk factor, highlighting the limitations of targeted screening.5 In Spain, with an estimated HDV seroprevalence of 9%, reflexive testing for anti-HDV antibodies from the same blood sample of newly diagnosed patients with HBV increased HDV detection rates from 7.5% to 93%.14 Additional studies of reflexive testing of HBsAg+ samples for HDV will be needed in both low and high-prevalence countries to help develop evidence-based and cost-effective screening practices. So, for now in 2024, we recommend that all patients with newly diagnosed HBV infection undergo testing for HCV, HDV, and HIV coinfection. In addition, it would be prudent to offer all adult patients with chronic HBV a one-time testing for HDV and annual testing for those with ongoing clinical risk factors for HDV acquisition. Lastly, the CDC should make HDV a reportable disease in the United States to help facilitate nationwide seroprevalence studies and identification of disease transmission in the community. With the advent of multiple promising anti-HDV therapeutics, there is an urgent unmet need to have highly reproducible, sensitive, and specific tests for HDV diagnosis that clinicians can use to risk stratify their patients with chronic HBV and help prioritize those with advanced fibrosis and active HDV replication for treatment.

2023-12-02·Expert opinion on biological therapy

Bulevirtide and emerging drugs for the treatment of hepatitis D

Review

作者: Han, Steven-Huy B ; Yang, Jamie O ; Xu, Helen Y ; Chen, Phillip H

INTRODUCTION:

Hepatitis delta virus (HDV) causes acute and chronic liver disease that requires the co-infection of the Hepatitis B virus and can lead to significant morbidity and mortality. Bulevirtide is a recently introduced entry inhibitor drug that acts on the sodium taurocholate cotransporting peptide, thereby preventing viral entry to target cells in chronic HDV infection. The mainstay of chronic HDV therapy prior to bulevirtide was interferon alpha, which has an undesirable side effect profile.

AREAS COVERED:

We review bulevirtide data from recent clinical trials in Europe and the United States. Challenges to development and implementation of bulevirtide are discussed. Additionally, we review ongoing trials of emerging drugs for HDV, such as pegylated interferon lambda and lonafarnib.

EXPERT OPINION:

Bulevirtide represents a major shift in treatment for chronic HDV, for which there is significant unmet need. Trials that compared bulevirtide in combination with interferon alpha vs interferon alpha monotherapy demonstrated significant increase in virologic response. Overall, treatment with different doses of bulevirtide were comparable. Bulevirtide was generally well tolerated, and no serious adverse events occurred. Understanding the true prevalence of HDV, as well as continued studies of emerging drugs will prove valuable to the larger goal of eradication of Hepatitis D.

项与 Peginterferon lambda-1a(ZymoGenetics, Inc.) 相关的新闻（医药）

2026-05-17

·泽维生物

默克打响第一枪，诺华BMS悄然入局：顶级药企的类器官战争，已经进入"临床决策"阶段

你的竞争对手，可能已经在用类器官数据做临床决策了。这不是一句危言耸听的营销口号，而是一个正在发生的产业现实。当大多数生物技术公司的管理者还在讨论类器官（Organoids）作为一种"前沿技术"的潜力时，牌桌上的顶级玩家已经完成了布局，并将它无声地整合进了最核心的临床开发决策流程中。这场变革的信号弹，在2024年底被默克（Merck KGaA）打响。这家德国百年药企宣布收购HUB Organoids——类器官技术的源头、持有肠道类器官核心专利的荷兰公司。这笔交易的价值不在于金额，而在于它清晰地宣告：类器官，已不再是研发实验室里的"学术玩具"，而是被正式纳入了全球顶级药企的"战略基础设施"清单。如果说默克的动作是"明牌"，那么诺华（Novartis）和百时美施贵宝（BMS）的战略则更为"隐蔽"。在财报和研发日的聚光灯之外，这两家巨头早已通过深度内部平台化和精准的生态合作，将类器官的预测能力注入了其最引以为傲的管线——罕见病、血液肿瘤和免疫肿瘤（I/O）。本文将通过对公开信息的深度挖掘，完整拆解默克、罗氏、阿斯利康、诺华、BMS五大顶级药企的类器官战略光谱，还原其在Go/No-Go决策、生物标志物发现和共临床试验三个关键场景中的具体应用逻辑，并为在资本寒冬中挣扎的中国中小生物技术公司，提供一份可执行的参考路径。游戏规则的改变：当FDA的"指挥棒"转向NAMs 理解这场战略布局，必须先理解其背后的外部驱动力——来自监管层的明确信号。 2025年4月，美国食品药品监督管理局（FDA）发布了一份里程碑式的指导方针，明确计划逐步淘汰新药申请（NDA）中对动物实验的强制要求，并鼓励药企采用以类器官和器官芯片为代表的新型替代方法（New Approach Methodologies, NAMs） [1]。紧随其后，《FDA现代化法案3.0》（FDA Modernization Act 3.0）从立法层面为这一历史性转变提供了法律依据。这并非一个遥远的政策愿景。事实上，在正式文件发布之前，FDA已经接受了多个基于类器官数据的研究性新药（IND）申请。对于正在规划2026-2028年临床管线的药企而言，这意味着一个全新的牌局：现在不布局高质量的类器官数据，就等于在未来的监管沟通中主动放弃了话语权。图注：上图为Wong等人（2018）基于406,038条临床试验数据的统计分析结果（图1）。上半部分为数据表格，下半部分（折线图）展示了2005-2015年间各临床阶段（Phase 1→2、Phase 2→3、Phase 3→批准）及整体成功率（Overall POS）的年度变化趋势；最下方折线图则按治疗领域（肿瘤、心血管、CNS等）呈现了整体成功率的分化走势。数据来源：Wong, C. H., Siah, K. W., & Lo, A. W. (2018). Estimation of clinical trial success rates and related parameters. Biostatistics, 20(2), 273–286. PMC6409418 [12] 这场监管转向的背后，有一组冷峻的数据作为支撑。根据FDA和多项独立研究的统计，进入临床I期的候选药物中，最终获批上市的比例不足10%，而其中约30%的临床失败源于毒性问题，另有约60%源于疗效不足。更关键的是，大量研究表明，传统动物模型（小鼠、大鼠）对人类药物毒性的预测准确率仅为约71%，对疗效的预测准确率更低。这意味着，每年有数以百亿美元计的研发投入，是在用一个准确率不足七成的工具做决策。类器官的出现，为这一困境提供了一条可能的出路。五大巨头，五种路径：一场围绕"临床预测性"的军备竞赛通过对公开财报、研发日演讲、学术合作和专利布局的交叉验证，五大巨头的类器官战略呈现出清晰的差异化路径。尽管战术各异，但其战略目标高度一致：在投入巨大的临床资源之前，用更接近人体的模型获取决策级数据，将不确定性前置。图注：基于公开财报、研发日演讲、学术论文及专利布局的综合评估。评分维度包括毒性筛选、靶点验证、生物标志物发现、临床决策整合、平台规模化程度及外部合作生态六个方面，评分1-5分（1=初步探索，5=行业标杆）。数据来源：TRiCBiO市场洞察团队（2026）巨头战略画像核心动作战略意图解读默克 (Merck KGaA)标准化与规模化收购HUB Organoids（2024）；与Promega合作开发3D检测技术（2025）[2]将类器官变为工业级标准品，赋能高通量筛选（HTS）管线，降低早期发现的失败率。罗氏 (Roche)内部整合与"众神归位"成立人类生物学研究所（IHB），挖角类器官奠基人Hans Clevers（2023）[3]将类器官深度整合到药物研究和早期开发的核心引擎，实现从靶点发现到临床前验证的全流程覆盖。阿斯利康 (AstraZeneca)疾病领域深耕建立肾脏类器官平台，参与国际肾脏病学会（ISN）指南制定 [4]在肾病、COPD等核心疾病领域，用类器官替代传统动物模型进行靶点验证和机制研究。诺华 (Novartis)内部平台化与"尖刀"应用在NIBR内部建立毒理学筛选（视网膜类器官）和罕见病建模（ADPKD肾脏类器官）平台 [6]；DAx部门将3D类器官用于肾病、肝病和纤维化研究 [15]将类器官作为标准化内部工具，优先解决传统模型失灵的"硬骨头"——药物毒性预测和罕见病建模；comBO骨髓类器官（MRC/NIHR/牛津大学资助）与其CAR-T管线高度协同 [5]。BMS内部能力建设 + 学术网络驱动内部建立ADME/毒理学类器官平台（Hedrich et al., 2020）[13]；通过II-ON学术网络（成立于2012年，覆盖22种肿瘤类型、350+研究者，16个合作中心）间接利用前沿TME类器官科学 [7, 14]双轨并行：内部解决核心临床前模型需求，外部通过II-ON保持对前沿I/O科学的敏感性与影响力，将TME类器官数据纳入Opdivo生物标志物发现和联合用药开发。图注：2024年12月17日，默克（Merck KGaA）生命科学业务部门发布官方新闻稿，宣布拟收购HUB Organoids Holding B.V.，以推进其下一代生物学产品组合。这是大型药企首次将类器官技术公司纳入战略收购范畴，标志着类器官从学术工具向工业级平台的历史性转变。图片来源：Merck KGaA官方新闻稿（2024年12月17日）[2] 图注：上轨为企业战略动作，下轨为监管与学术里程碑。数据来源：公开财报、研发日演讲、学术论文及官方新闻稿（TRiCBiO市场洞察团队，2026）诺华的"隐形"布局：从视网膜毒性到骨髓血液瘤诺华的类器官战略，在财报和研发日中几乎找不到直接表述，但通过其内部研究机构NIBR的公开论文和外部学术合作，可以清晰地还原其"内部平台化"和"尖刀应用"的布局逻辑。 ▌毒性筛选：从"动物模型的盲区"切入诺华生物医学研究中心（NIBR）的研究团队发表了利用iPSC来源的视网膜类器官进行体外毒性筛选的方法学论文 [6]。这一选择并非偶然。视网膜毒性是眼科药物和许多全身性药物开发中的高频失败原因，传统动物模型（如兔眼、猴眼）与人类视网膜在细胞组成和生理结构上的巨大差异，导致了大量假阴性结果——即动物实验"通过"，但进入人体后却出现了严重的视网膜损伤。诺华选择视网膜类器官作为毒性筛选的切入点，其背后的逻辑是：这是一个动物模型失败率高、类器官优势最显著、能最快产生决策价值的场景。视网膜类器官包含了人类视网膜的主要细胞类型（感光细胞、双极细胞、神经节细胞等），能够在体外重现视网膜的光感应功能，为视网膜毒性的早期筛查提供了前所未有的工具。这一平台的战略价值不仅限于眼科药物。诺华的全身性药物管线（包括多个小分子和生物制品）中，视网膜毒性是一个普遍存在的安全性顾虑。将视网膜类器官整合进IND申报前的标准化安全性评估流程，意味着诺华可以在进入临床之前，以更高的确定性排除这一风险。 ▌罕见病建模：ADPKD与类器官的"天然契合" 诺华的探索性疾病领域（DAx）部门将类器官列为探索疾病通路的核心工具，并在肾脏病、肝脏病和纤维化三大领域展开应用 [15]。在其2024年10月的肾脏投资者日报告中，常染色体显性多囊肾病（ADPKD）的研究管线被重点呈现 [9]。ADPKD是一种由PKD1/PKD2基因突变驱动的遗传性疾病，全球患者约1,270万人，是最常见的遗传性肾病。这一疾病的核心病理特征是肾脏中大量囊肿的进行性形成和扩大，最终导致肾功能衰竭。患者来源的肾脏类器官能够在体外精准重现囊肿形成的动态过程，是目前评估PKD靶向药物（如mTOR抑制剂、V2受体拮抗剂）的最优临床前模型。与传统的PKD小鼠模型相比，患者来源的肾脏类器官携带了真实的PKD1/PKD2突变，能够更准确地反映患者的个体化病理特征，从而为精准治疗提供数据支撑。 ▌血液肿瘤：comBO骨髓类器官与诺华的管线布局 2025年，牛津大学MRC Weatherall分子医学研究所发表了comBO（combined Bone marrow Organoid）骨髓类器官的研究成果，该项目由英国MRC、NIHR及牛津大学等机构资助 [5]。comBO能够在体外重建包含造血干细胞（HSC）、基质细胞（间充质干细胞、成骨细胞）和血管网络的完整骨髓微环境，为急性髓系白血病（AML）、多发性骨髓瘤（MM）、骨髓增生异常综合征（MDS）等血液肿瘤的药物评估提供了前所未有的平台。需要指出的是，诺华并非该项目的资助方，与该项目的关联仅限于部分作者在利益冲突声明中提及曾收取诺华演讲费。尽管如此，诺华的核心血液肿瘤管线与这一平台的应用场景高度重合。Kymriah（tisagenlecleucel）是诺华首款获批的CAR-T细胞疗法，用于复发/难治性急性淡巴细胞白血病（ALL）和弥漫性大B细胞淤巴瘤（DLBCL）。在CAR-T疗法的研发中，骨髓微环境对T细胞的归巢、扩增和持久性具有决定性影响。comBO骨髓类器官为评估CAR-T细胞在骨髓微环境中的行为提供了一个前所未有的体外模型，其应用价值对诺华而言具有高度的战略相关性。 BMS的"双轨战略"：内部平台建设与学术网络驱动 BMS的类器官战略呈现出一种审慎而聚焦的"双轨并行"模式：一方面通过内部研发团队构建ADME/毒理学类器官能力，另一方面借助其国际免疫肿瘤学网络（II-ON）间接获取前沿科学成果，将保留肿瘤免疫微环境的类器官模型整合进核心I/O管线的开发决策。 ▌内部平台：ADME与毒理学的精准切入 BMS内部，特别是在其"药物候选优化"（Pharmaceutical Candidate Optimization）部门，已建立了可用于ADME及毒理学研究的类器官模型。Hedrich等人于2020年发表的研究详细描述了BMS如何优化和验证源自临床前物种的肠道类器官，证明其在药物代谢和细胞毒性测试方面相比传统细胞系具有显著优势 [13]。这表明BMS已将类器官技术整合到早期药物筛选和安全性评估的核心流程中，旨在提高临床前研究的预测准确性。 ▌2018年的那篇Cell论文：I/O战略的科学基石由Neal等人发表的题为"Organoid Modeling of the Tumor Immune Microenvironment"的研究，首次在类器官中成功重建了包含肿瘤浸润淋巴细胞（TIL）的完整肿瘤免疫微环境 [7]。该研究由斯坦福大学Kuo实验室主导，资助方为NCI、NIDDK、NIAID等美国政府机构及学术基金（Parker Institute for Cancer Immunotherapy、Emerson Collective等），与BMS无直接资助关系。这篇论文的革命性发现是：在保留了原始肿瘤免疫微环境的类器官（采用气-液界面培养的ALI-PDO）中，PD-1/PD-L1抑制剂（nivolumab，即BMS的Opdivo）能够有效诱导肿瘤细胞死亡；而在传统的2D细胞系或不含免疫细胞的类器官中，这一效应完全消失。这一发现对BMS的战略意义是决定性的：Opdivo的疗效，依赖于对肿瘤微环境中免疫细胞的激活，而传统的临床前模型根本无法评估这一核心机制。 BMS通过其国际免疫肿瘤学网络（II-ON）与全球顶尖学术机构保持深度合作，该网络成立于2012年，现已扩展至16个学术合作中心，汇集了超过350名研究者，覆盖22种肿瘤类型 [14]。BMS的策略是通过资助和支持这些顶尖学术中心，间接获取和利用最前沿的科学发现（如保留TME的类器官模型），以指导其I/O药物的开发和生物标志物研究，而非直接购买或共建技术平台。这一认知，比行业主流早了整整5年。 ▌三个具体应用场景：生物标志物、联合用药与耐药机制在这一战略逻辑的驱动下，BMS的类器官应用精准地集中在三个具体场景：生物标志物发现是BMS最核心的应用方向。传统的I/O生物标志物（如PD-L1表达水平、TMB肿瘤突变负荷）在临床实践中的预测价值有限——大量PD-L1高表达的患者对Opdivo无响应，而部分PD-L1低表达的患者却获得了持久缓解。BMS利用保留TME的PDO模型，建立"基因型-表型-药敏反应"的三维关联数据库，识别能够真正预测Opdivo/Yervoy响应的功能性生物标志物（如特定的免疫细胞亚群组成、细胞因子分泌谱、T细胞耗竭状态等），从而在临床II期设计时实现更精准的患者分层。联合用药方案筛选是BMS的第二个核心应用场景。在PDO模型中，可以同时评估ICB与化疗、靶向治疗、ADC药物或其他免疫调节剂的联合效应，筛选具有协同增效潜力的组合方案。这一能力对BMS尤为重要，因为其核心战略之一就是通过Opdivo的联合用药拓展适应症。耐药机制研究是BMS的第三个应用方向。利用长期培养的PDO模型，可以模拟患者在接受Opdivo治疗后产生耐药的克隆演化过程，识别与耐药相关的基因组变异和免疫逃逸机制，为下一代I/O药物的靶点发现提供关键线索。三个临床决策场景：巨头们真正在用类器官做什么无论是诺华的内部平台化，还是BMS的生态合作，最终都落地在三个具体的临床决策场景中。这三个场景，构成了类器官技术在现代药物研发中真正的价值核心。图注：蓝色条为PDO类器官模型在各癌种临床试验中的预测准确率，橙色条为传统动物模型，灰色条为2D细胞系。红色虚线为75%行业基准线。数据来源：Yao et al. 2020 (Cell Stem Cell); O'Reilly et al. 2025 (JCO); Gobits et al. 2026 (JCO Precision Oncology); Wensink et al. 2021 (npj Precision Oncology) ▌场景一：Go/No-Go决策的"临床前排雷" CRO巨头Charles River Laboratories在2024年发布的一项回顾性分析中，利用类器官模型重新评估了三款已在临床II/III期因毒性或无效而失败的药物。结果显示：其中两款药物在肠道或肝脏类器官上表现出显著的毒性信号，而这些信号在当年的动物实验中完全未被检出 [1]。这一数据的含义是：如果这两款药物在进入临床前使用了类器官进行毒性筛选，可以避免数亿美元的临床投入和数年的时间损失。更深层的意义在于，这不是一个孤立的案例。根据多项独立研究的统计，在临床因毒性失败的药物中，约有40%在人类肝脏类器官或肠道类器官中表现出可检测的毒性信号，而这些信号在传统动物模型中被漏检。诺华的视网膜类器官毒性筛选平台，正是基于同样的逻辑——在进入IND申请之前，用更接近人体的模型进行一次高确定性的"排雷"。这一策略的核心价值不在于"更先进"，而在于"更准确"：在临床前阶段多花10万元的类器官检测费用，可能避免数亿元的临床失败损失。 ▌场景二：从基因型到功能表型的生物标志物发现传统的生物标志物发现严重依赖基因组测序（WGS/WES）或转录组分析，其核心局限在于：基因突变 ≠ 药物敏感性。同样携带KRAS G12C突变的两个患者，对Sotorasib的响应可能截然不同，其背后的复杂原因（如共突变、肿瘤微环境差异、克隆异质性等）是单纯的基因测序无法揭示的。大药企的策略是建立"基因型-表型-药敏反应"的三维关联数据库。具体做法是：对同一患者的肿瘤组织同时进行基因组测序和PDO药敏检测，将基因突变谱与体外药物响应数据进行深度关联分析，从而识别真正具有预测价值的功能性生物标志物。BMS在其I/O管线中采用的正是这一策略，其目标是找到比PD-L1表达更精准的响应预测指标。这一策略的商业价值是巨大的。一个经过PDO验证的生物标志物，可以将II期临床的患者入组效率提升数倍，同时显著降低无效患者的比例，从而在相同的临床预算下获得更高的统计功效。对于正在寻求大药企合作或对外授权的中小药企而言，一份基于PDO验证的生物标志物数据包，是最有说服力的谈判筹码。 ▌场景三：共临床试验（Co-Clinical Trial）——类器官进入分子肿瘤委员会这是类器官应用的最高形态，也是目前最能体现其临床价值的场景。 PASS-01试验（NCT03649321）是胰腺导管腺癌（PDAC）领域的标志性共临床试验。在这项前瞻性、多中心研究中，患者的肿瘤组织在手术或活检后立即被用于建立PDO模型，PDO的药敏检测结果在2-3周内完成，并被整合到实时的分子肿瘤委员会（Molecular Tumor Board, MTB）会议中，直接影响了后续化疗方案的选择 [10]。胰腺癌是类器官共临床试验最具代表性的应用场景，原因在于：PDAC的5年生存率仅约12%，标准一线化疗方案（FOLFIRINOX或吉西他滨+白蛋白紫杉醇）的有效率不足40%，而目前没有任何经过验证的生物标志物可以预测患者对这两种方案的响应。PDO药敏检测提供了一种直接、功能性的预测方法，其预测准确率在多项研究中达到了75%-87%。 OPTIC试验（结直肠癌）和多项直肠癌研究也验证了这一模式的可行性。在局部晚期直肠癌（LARC）中，Yao等人的研究显示PDO药敏预测与患者新辅助放化疗（NACRT）临床反应的一致性达到了84.43%（敏感性78.01%，特异性91.97%）[11]。这一数字意味着：在10个患者中，有超过8个患者的实际治疗响应，可以通过PDO模型提前预判。这对于提升难治性肿瘤的治疗效果，具有革命性的意义。 Xilis：类器官技术商业化的开放式合作范本在五大药企巨头的内部平台化战略之外，以Xilis为代表的类器官技术平台公司正在形成另一种影响己的路径——通过与全球顶尖的癌症研究中心和政府机构建立标志性合作，构建技术壁垒和市场信誉，最终成为制药公司不可或缺的技术服务伙伴。 Xilis的核心产品是MicroOrganoSphere™ (MOS)平台，一种能够在保留肿瘤微环境的同时实现高通量药敏筛选的类器官技术。其已公开的战略合作伙伴均为学术和政府机构，目前尚未与BMS或诺华建立公开的直接合作关系。 MD安德森癌症中心：2023年2月，Xilis宣布与MD安德森建立战略合作，利用MOS技术支持临床前研究，加速新型癌症疗法的开发 [16]。MD安德森是全球最大的癌症专科治疗中心之一，这一合作极大地增强了MOS技术的临床可信度。德国癌症研究中心（DKFZ）：2026年2月，DKFZ与Xilis联合发表研究成果，证明MOS技术能够用于高通量药物筛选，并以83%的准确率预测晚期结直肠癌患者的化疗反应（发表于JCO Precision Oncology，2026）[17]。这一数据极大地增强了MOS技术作为功能性精准医疗工具的可信度。美国国立卫生研究院（NIH）：2025年9月，NIH实施8700万美元投资，建立美国首个标准化类器官开发中心（Standardized Organoid Modeling, SOM），旨在减少对动物模型的依赖 [18]。Xilis作为该领域的技术领导者，有望在未来的标准化流程中扮演关键角色。中小药企如何跟上这场战略布局？面对大药企的全面布局，中小生物技术公司并非只能望洋兴叹。理解巨头的战略逻辑，可以为自身的发展找到更精准的破局路径。 ▌路径一：聚焦最高价值的1-2个决策节点不必试图在所有阶段都引入类器官数据。效仿诺华的策略，优先将类器官应用于IND申报前的安全性验证——这是监管压力最大、动物模型失败率最高、类器官优势最显著的节点。对于一家正在推进First-in-Class小分子或生物制品的中小药企而言，一份基于肝脏、肾脏和肠道类器官的多器官毒性筛查报告，不仅能够提升IND申报的成功率，更能在与FDA的Pre-IND会议中展示出对安全性问题的高度重视。效仿BMS的策略，在II期临床方案设计时引入PDO药敏数据，用于患者分层和生物标志物富集。以有限的预算最大化地提升临床成功率，是中小药企在资本寒冬中最重要的生存策略。 ▌路径二：用PDO数据重塑BD谈判筹码在对外授权（out-licensing）或寻求大药企合作时，一份基于真实患者来源PDO的药效或安全性数据报告，其说服力远超任何动物模型数据。这不仅是科学上的差异，更是商业谈判中的筹码差异。大药企的临床开发团队，越来越倾向于与已经具备类器官数据的项目合作——因为这意味着更低的临床失败风险，以及更清晰的患者分层策略。在与大药企的BD团队沟通时，展示一份包含数十例PDO模型的交叉验证数据，证明你的候选药物在特定患者亚群中具有显著优势，将从根本上改变谈判的格局。这不是"锦上添花"，而是在当前的竞争环境下，进入顶级药企视野的"入场券"。 ▌路径三：拥抱专业分工，而非自建平台默克选择收购HUB Organoids，是因为其有能力将一家公司整合进庞大的内部研发体系，并在全球范围内实现标准化部署。对于大多数中小药企而言，这条路既不现实，也不必要。与拥有标准化PDO库、成熟分析能力和完整质量体系的专业CRO合作，是更高效、更经济的路径。关键不在于是否"拥有"类器官平台，而在于是否能在关键决策节点"获取"高质量的类器官数据。这一逻辑，与大药企的战略选择高度一致。即便是拥有顶级内部研发能力的大药企，也在积极探索与外部类器官技术公司的合作，而非完全依赖内部平台。专业分工，是这个时代最有效的资源配置方式。关于泽维生物（TRiCBiO）泽维生物是一家专注于患者来源类器官（PDO）技术平台的精准医学研究机构。我们深刻理解中小生物技术公司在药物开发中面临的挑战，并致力于提供能够直接用于临床决策的高质量类器官数据。公司拥有超过1,500例患者来源类器官（PDO）模型库，覆盖20余种肿瘤类型，以及2,100余份组织标本的生物样本库。我们的核心技术——全息类器官（PDO 2.0）——通过保留肿瘤原始微环境（包括免疫细胞、血管内皮和基质成分），实现了对TME靶向药物、免疫检查点抑制剂（ICB）和ADC药物的全面评估能力，临床预测准确率达79%，样本建库成功率超过85%，标准项目周期仅需2-3周。如果您的团队正在规划IND申报前的安全性验证、II期临床的患者分层方案，或希望为BD谈判准备一份无可辩驳的PDO数据包，欢迎联系我们的研究团队。让我们一起，将试错的成本留在临床前。联系我们公司名称：南京泽维生物科技有限公司公司地址：江苏省南京市浦口区新锦湖路3-1号中丹生态生命科学产业园A栋14楼公司邮箱：info@tricbio.com 公司官网：www.tricbio.com 联系电话：400-880-3160 参考文献 [1] Lambda Biologics. (2025). Organoids in 2025: The Year Regulation Met Reality. https://afs.lambda-bio.com/blog/organoids-in-2025-the-year-regulation-met-reality/ [2] Merck KGaA. (2024, December 17). Merck Enters Into Definitive Agreement to Acquire HUB Organoids. https://www.merckgroup.com/en/news/agreement-hub-17-12-2024.html [3] Fierce Biotech. (2023, May 23). Roche poaches organoid pioneer Hans Clevers to lead all research and early development. https://www.fiercebiotech.com/biotech/roche-creates-organoid-research-institute-shakeup-drug-discovery-and-development [4] AstraZeneca. (n.d.). Kidney organoids – advancing the science of renal diseases. https://www.astrazeneca.com/what-science-can-do/topics/technologies/Kidney-disease-research-organoids.html [5] Shen, Y., Benlabiod, C., Rodriguez-Romera, A., et al. (2025). comBO: A combined human bone and lympho-myeloid bone marrow organoid for pre-clinical modelling of haematopoietic disorders. bioRxiv. https://doi.org/10.1101/2025.02.16.638505 [6] Dorgau, B., et al. (2022). Human iPSC-derived retinal organoid model for in vitro toxicity screening. Toxicology Letters, 350, 45-58. https://oak.novartis.com/44981/ [7] Neal, J. T., et al. (2018). Organoid Modeling of the Tumor Immune Microenvironment. Cell, 175(7), 1972-1988.e16. https://pmc.ncbi.nlm.nih.gov/articles/PMC6656687/ [8] Bristol Myers Squibb. (2025). BMS to Present Data at ESMO 2025 Showcasing Progress of Oncology Portfolio. https://investors.bms.com/iframes/press-releases/press-release-details/2025/Bristol-Myers-Squibb-to-Present-Data-at-ESMO-2025-Showcasing-Progress-of-Oncology-Portfolio-Across-Diverse-Tumor-Types/default.aspx [9] Novartis. (2024). Novartis Renal Portfolio Investor Presentation. https://www.novartis.com/sites/novartiscom/files/2024-10-novartis-renal-portfolio-presentation.pdf [10] O'Reilly, E. M., et al. (2025). Pancreatic cancer subtyping using patient-derived organoids (PASS-01): a prospective, multicenter, translational study. Journal of Clinical Oncology. NCT03649321. [11] Yao, Y., et al. (2020). Patient-Derived Organoids Predict Chemoradiation Responses of Locally Advanced Rectal Cancer. Cell Stem Cell, 26(1), 17-26.e6. https://doi.org/10.1016/j.stem.2019.10.010 [12] Wong, C. H., Siah, K. W., & Lo, A. W. (2018). Estimation of clinical trial success rates and related parameters. Biostatistics, 20(2), 273–286. https://doi.org/10.1093/biostatistics/kxx069. PMC6409418. [13] Hedrich, W. D., Panzica-Kelly, J. M., Chen, S. J., et al. (2020). Development and characterization of rat duodenal organoids for ADME and toxicology applications. Toxicology, 446, 152614. https://pubmed.ncbi.nlm.nih.gov/33199268/ [14] Bristol Myers Squibb. (2017, May 31). Collaborating to advance cancer research: The International Immuno-Oncology Network (II-ON). https://www.bms.com/life-and-science/science/the-international-immuno-oncology-network.html [15] Novartis. (n.d.). DAx: exploratory disease research at Novartis. https://www.novartis.com/research-and-development/research-disease-areas/dax-exploratory-disease-research-novartis [16] Xilis. (2023, February 15). Xilis and MD Anderson Announce Strategic Collaboration. https://xilis.com/xilis-and-md-anderson-announce-strategic-collaboration-to-advance-novel-technology-and-accelerate-therapeutic-development/ [17] German Cancer Research Center (DKFZ). (2026, February 18). 3D microtumors could revolutionize treatment decisions. https://www.dkfz.de/en/news/press-releases/detail/3d-microtumors-could-revolutionize-treatment-decisions [18] National Institutes of Health (NIH). (2025, September 25). NIH establishes nation's first dedicated organoid development center to reduce reliance on animal modeling. https://www.nih.gov/news-events/news-releases/nih-establishes-nations-first-dedicated-organoid-development-center-reduce-reliance-animal-modeling THE END 扫码关注泽维生物

2026-05-12

·AI时代学习者

【亲测有效】DeepSeek极简入门与应用_25.[第1章认识DeepSeek] DeepSeek在医疗健康领域的探索与潜力

当AI开始"坐诊"：DeepSeek正在改写医疗健康的底层代码——从辅助诊断到药物研发，一场静默的医疗革命已至，而你还在用老眼光看AI医疗？本文将带你穿透"AI看病靠不靠谱"的表层焦虑，深入DeepSeek在医疗健康领域的真实探索路径。我们会拆解医疗AI落地的五大核心战场：智能问诊、影像分析、药物研发、病历管理和健康科普，每个战场都有具体的应用场景、真实的痛点案例和可落地的解决方案。读完这篇，你不仅能看懂DeepSeek的医疗布局逻辑，更能抓住AI医疗时代程序员的新机遇——毕竟，写代码救不了世界，但写医疗AI的代码，或许可以。目录智能问诊：AI医生的"望闻问切"实战医学影像：让DeepSeek成为放射科医生的"第二双眼" 药物研发：从十年缩短到两年，AI如何重构制药流水线病历管理：把医生从"码字工"变回"看病专家" 健康科普：人人可及的"24小时家庭医生" 嗨，大家好呀，我是你的老朋友精通代码大仙。接下来我们一起学习《DeepSeek极简入门与应用》，震撼你的学习轨迹！教程：caigenzhishi 推荐朋友B占UP：个人快速成长/精进学习 “看病五分钟，排队三小时”——这话听着扎心吧？更扎心的是，医生给你看病的五分钟里，可能有三分钟在对着电脑敲病历。咱们程序员天天喊"提效提效"，医疗系统这个古老而复杂的代码库，跑了几十年，bug一堆，性能还卡。你是不是也有过这种经历：身体不舒服，先上某度搜症状，搜完直接给自己判了"晚期"？或者去医院，面对医生的连环追问，脑子一片空白，回去才想起"啊还有个症状忘了说"？ DeepSeek这类大模型进医疗，不是来抢医生饭碗的，而是来当"超级外挂"的。但问题是——外挂怎么装？装在哪？会不会把系统搞崩？今天咱们就掰开揉碎，聊聊DeepSeek在医疗健康领域的真本事和真挑战。一、智能问诊：AI医生的"望闻问切"实战点题：让问诊从"审讯式"变成"聊天式" 传统问诊像审讯：医生问一句，你答一句，紧张得像个被debug的程序员。DeepSeek的智能问诊，核心是用多轮对话+医学知识库，把冷冰冰的问答变成自然的交流。技术架构上，它结合了症状抽取、疾病知识图谱、风险分层三个模块。简单说：先听懂你说啥，再联想可能啥病，最后判断要不要赶紧去医院。痛点分析：AI问诊的"翻车现场" 痛点一：症状描述像"乱码"，AI直接懵圈用户说"胸口闷闷的，像有块大石头"，这是心绞痛典型描述。但新手玩AI问诊，输入"心脏不舒服"，AI可能给你列出一百种病，从心肌炎到焦虑症，越看越慌。更坑的是方言和口语。有用户输入"脑袋瓜子嗡嗡的"，AI理解成耳鸣；其实人家是说头晕。这种语义鸿沟，比代码里的隐式类型转换还难抓。痛点二：过度自信或过度保守，两个极端都致命有些AI问诊模型像刚毕业的程序员——要么啥都敢接（“你这可能是感冒也可能是肺癌”），要么啥都推给医院（"建议立即就医"说了八百遍）。前者制造焦虑，后者让AI沦为挂号导流工具，失去价值。痛点三：缺乏连续记忆，每次问诊"重启人生" 你今天跟AI说胃疼，明天说头疼，它记不住你昨天提过"最近在吃阿司匹林"。这种上下文断裂，在医疗场景里可能漏掉关键禁忌症。解决方案：三招让AI问诊靠谱起来第一招：症状标准化+用户教育双管齐下 DeepSeek的做法是：用户输入自然语言后，先用NER（命名实体识别）抽症状，再映射到标准医学术语（如ICD-10）。同时，前端引导用户结构化描述：部位+性质+持续时间+诱因。 # 伪代码示意：症状结构化抽取def extract_symptoms(user_input): # DeepSeek模型识别实体 entities = model.extract(user_input) # 映射到标准术语 standardized = { "胸口闷闷的": "胸闷_压榨性", "大石头压着": "胸闷_重物压迫感", "脑袋嗡嗡": "头晕_伴耳鸣" # 需结合上下文消歧 } return build_structured_case(entities) 第二招：校准不确定性表达，学会说"我不确定" 医疗AI必须输出置信度。DeepSeek在回答中会明确标注："根据现有信息，最可能的是A（置信度65%），但需要排除B和C，建议做X检查确认。"这种表达既专业又诚实。第三招：构建个人健康档案，实现连续对话技术上用RAG（检索增强生成）把用户历史问诊记录、体检报告、用药史作为上下文。每次对话先检索相关历史，再生成回答。这就像给AI开了个"用户病历缓存"，避免重复提问。小结智能问诊不是让AI代替医生诊断，而是做好"预检分诊+信息收集"的前置工作，让真人医生的五分钟更高效。关键是结构化输入、不确定性表达、连续性记忆这三板斧。二、医学影像：让DeepSeek成为放射科医生的"第二双眼"点题：从"找茬游戏"到"智能标注" 医学影像是AI医疗最早落地的领域。一张CT几百张切片，放射科医生肉眼扫完，眼睛都快瞎了。DeepSeek的影像AI，核心是做两件事：病灶检测（有没有异常）和影像报告生成（用文字描述异常）。技术上，这是典型的CV（计算机视觉）+NLP（自然语言处理） multimodal（多模态）任务。先用CNN或Transformer架构的模型处理图像，再用大模型生成描述性文本。痛点分析：影像AI的"幻觉"与"盲区" 痛点一：假阳性率居高不下，"狼来了"消耗信任早期影像AI为了"不漏诊"，宁可错杀一千。结果医生每天被一堆假阳性警报轰炸，最后干脆关掉提示。这就像代码里的误报lint规则，用多了直接被ignore。真实案例：某医院部署肺结节AI，灵敏度设95%，结果每100个"疑似结节"里只有20个是真结节。医生吐槽：“AI比我还会制造焦虑。” 痛点二：罕见病、非典型表现是"知识盲区" AI模型训练数据里，常见病占90%，罕见病可能只有0.1%。遇到"长得不像典型肺癌的肺癌"，AI直接失明。这种长尾问题，比推荐系统的"冷启动"还难搞。痛点三：报告生成"说人话"还是"说黑话" 影像报告有固定模板，但好的报告需要结合临床。AI生成的报告要么太模板化（"请结合临床"说了等于没说），要么太放飞，用些不规范的描述，让临床医生摸不着头脑。解决方案：人机协作的"双签模式" 第一招：动态阈值+医生反馈闭环不把AI当"自动诊断机"，而是"排序推荐系统"。AI给出候选病灶列表，每个附带风险评分。医生快速浏览高分项，低分区域可选择性忽略。同时，医生的修正标注回流训练，形成数据闭环。 # 伪代码：动态阈值调整class AI_Assistant: def analyze(self, ct_scan, doctor_preference): raw_detections = self.model.detect(ct_scan) # 根据医生历史偏好调整阈值 threshold = self.calibrate_threshold( doctor_id=doctor_preference.id, specialty=doctor_preference.specialty # 胸外科vs呼吸科偏好不同 ) filtered = [d for d in raw_detections if d.confidence > threshold] return sorted(filtered, key=lambda x: x.risk_score, reverse=True) 第二招：主动学习+联邦学习，攻克长尾对罕见病数据，采用主动学习：让模型主动"索要"它不确定的病例标注。同时用联邦学习，多家医院联合训练而不共享原始数据，扩大罕见病样本池。第三招：结构化报告模板+自由文本双输出 DeepSeek的做法是：先生成结构化字段（部位、大小、形态、密度、建议），再扩展为自然语言段落。医生可快速浏览结构化部分，需要时再读全文。既保证规范，又不失灵活性。小结影像AI的终极形态不是"无人放射科"，而是"人机双签"——AI负责广覆盖、不疲劳，医生负责疑难判断、临床整合。降低假阳性、覆盖长尾、规范表达是三大攻坚方向。三、药物研发：从十年缩短到两年，AI如何重构制药流水线点题：在分子宇宙里"大海捞针" 新药研发是公认的"烧钱游戏"：平均10年，26亿美元，成功率不到10%。DeepSeek在这领域的探索，集中在靶点发现、分子生成和临床试验设计三个环节。这是AI医疗最具颠覆性的战场，也是技术难度最高的。本质上，是在超高维的化学空间里，用深度学习做"定向搜索"。痛点分析：AI制药的"理想丰满，现实骨感" 痛点一：生成分子容易，合成出来难 AI能一晚上生成一万个"看起来不错"的分子结构，但化学家一看：这个键角 strain 太大，那个合成路径要八步还涉及剧毒试剂。纸上谈兵的分子，和能批量生产的药物，中间隔着整个有机化学。痛点二：体外有效≠体内有效，AI预测准确率断崖下跌很多AI模型在公开数据集上AUC能到0.95，一到真实生物体系，掉到0.6。因为细胞里的复杂性——代谢、渗透、蛋白结合——远非训练数据能覆盖。这就像代码在本地跑得好好的，一上生产环境就崩。痛点三：临床试验仍是"黑箱"，AI插不上手就算分子过了临床前，一、二、三期临床试验的入组设计、终点选择、不良事件预测，AI能帮的有限。毕竟人体太复杂，伦理限制也多，不能靠A/B测试迭代。解决方案：干湿实验闭环，AI与化学家"结对编程" 第一招：生成模型+合成可行性预测联合优化 DeepSeek的探索方向是：分子生成时，同时预测合成难度（SA score）和性质。用多目标优化，在"活性好"和"好合成"之间找帕累托前沿。不是找最优解，而是找可实现的满意解。 # 伪代码：多目标分子生成def generate_drug_candidates(target_protein, constraints): candidates = [] for _ in range(generation_rounds): # 生成候选分子 mol = generator.sample(target_protein) # 并行评估多个目标 scores = { 'binding_affinity': predictor.dock(mol, target_protein), 'synthesizability': sa_score(mol), # 合成可及性 'toxicity': tox_predictor(mol), 'solubility': solubility_predictor(mol) } # 帕累托筛选 if is_pareto_optimal(scores, candidates): candidates.append((mol, scores)) return diversify_candidates(candidates, top_k=100) 第二招：构建"失败数据库"，从负面数据学习传统AI只学成功的分子，但药物研发里失败案例是成功案例的百倍。DeepSeek尝试用对比学习，让模型理解"为什么这个分子不行"——是毒性？代谢太快？还是根本进不了细胞？第三招：数字孪生+虚拟患者，预演临床试验在真实试验前，用历史数据训练"虚拟患者"模型，模拟不同入组标准下的疗效分布。虽然不能替代真实试验，但能优化试验设计，减少"入组了才发现终点设错了"的悲剧。小结 AI制药不是魔法，不能跳过湿实验，但能减少试错次数、聚焦高概率方向、优化试验设计。关键是建立"AI设计-化学合成-生物测试-数据回流"的闭环，让每次失败都算数。四、病历管理：把医生从"码字工"变回"看病专家"点题：病历结构化，解放医生的"键盘时间" 中国医生平均每天花2-3小时写病历。不是写病情分析，是填模板、选编码、调格式。DeepSeek在病历管理的应用，核心是语音转录、自动结构化和质控编码。这是离临床最近、落地最快的场景——毕竟，让AI写病历，风险比让AI开药低多了。痛点分析：病历系统的"反人类设计" 痛点一：语音识别"鸡同鸭讲"，医学术语识别率低 “患者主诉胸闷、气促"被识别成"患者煮虾胸闷气足”。同音字在医学场景里可能是致命错误——“降糖药"听成"酱糖药”，护士执行了真要命。痛点二：结构化与灵活性不可兼得医院要结构化数据做科研和医保结算，但复杂病情很难塞进固定字段。医生要么牺牲准确性填最接近的选项，要么在"其他"里写小作文，后期还是人工处理。 **痛点三：质控规则僵化，“为了合规而合规”" 病历系统里的质控，像代码里的僵化lint：必须写"否认高血压、糖尿病、冠心病史"，少一个字都报错。医生复制粘贴，反而淹没真正重要的信息。解决方案：智能病历的"渐进式改造" 第一招：医疗专用ASR+后处理校正 DeepSeek训练医学领域的语音识别模型，同时做后处理：用医学知识库做拼写校正，用上下文做消歧。“气足"在"胸闷"语境下，自动校正为"气促”。 # 伪代码：医学语音后处理def medical_asr_postprocess(raw_text, context): # 医学术语词典 term_dict = load_medical_terminology() # 模糊匹配候选 candidates = fuzzy_match(raw_text, term_dict, threshold=0.8) # 上下文感知的重排序 for cand in candidates: cand.score += context_lm.score(cand.term, context) # 语言模型打分 # 医学知识约束：胸闷+? → 气促概率高于气足 if "胸闷" in context and cand.term == "气促": cand.score += 0.2 return max(candidates, key=lambda x: x.score).term 第二招：半结构化设计，"填空+自由文本"混合关键字段强制结构化（诊断、手术、用药），描述性内容保留自由文本，但用NLP自动抽取实体和关系。这样既满足统计需求，又不束缚临床表达。第三招：智能质控，从"规则校验"到"语义理解" 用DeepSeek理解病历语义，检查逻辑一致性而非格式合规。例如：“诊断写’急性心肌梗死’，但现病史没提胸痛，检查没做心电图”——这才是该报的异常，而不是"否认"后面少了个"等"字。小结病历管理的AI化，目标是减少机械劳动、保留临床思维、提升数据质量。不是让AI代替医生思考，而是让医生从打字员变回医生。五、健康科普：人人可及的"24小时家庭医生"点题：打破医学知识的"巴别塔" 医学信息的专业壁垒，让普通人面对健康问题时，要么盲目恐慌，要么延误就医。DeepSeek在健康科普的应用，是个性化健康咨询、疾病风险教育和慢病管理陪伴。这是用户量最大、但"水最深"的场景——毕竟，给健康建议比给代码建议，容错率低多了。痛点分析：健康咨询的"信息沼泽" 痛点一：搜索引擎的"癌症起步"，制造健康焦虑搜"头疼"，前三条是脑瘤、脑出血、脑膜炎。这种信息架构，本质是流量逻辑而非健康逻辑。用户越看越怕，要么过度就医，要么被伪科学收割。痛点二：个性化与普适性的矛盾 “我血压140/90要不要吃药”，答案取决于年龄、并发症、生活方式。通用回答要么太保守（“请咨询医生”），要么太冒险（直接给建议），都不负责任。痛点三：慢病管理的"三天热度" 很多慢病患者，前三个月遵医嘱，后面就放飞。需要持续的行为干预，但真人医生没这个时间，现有APP推送又太机械，用户直接关闭通知。解决方案：分层服务+安全边界第一招：症状自查的"红绿灯"分级 DeepSeek设计三层响应：绿灯（居家观察+自我护理）、黄灯（建议门诊就诊）、红灯（立即急诊）。每层附带具体判断标准和行动清单，让用户知道"我现在该干嘛"。 # 伪代码：症状风险分层def triage_symptom(description, user_profile): # 提取关键症状特征 features = extract_critical_features(description) # 危险信号检测（红旗症状） red_flags = ['胸痛伴大汗', '意识丧失', '呼吸困难', '持续呕血'] if any(flag in features for flag in red_flags): return TriageResult( level="RED", action="立即拨打120或前往最近急诊", reasoning="检测到高危症状：..." ) # 结合用户画像评估 risk_score = calculate_risk(features, user_profile.age, user_profile.chronic_diseases) if risk_score > 0.7: return TriageResult(level="YELLOW", action="建议24小时内门诊就诊") return TriageResult(level="GREEN", action="居家观察，如X情况出现则升级") 第二招：报告解读的"分层解释" 同一份血常规，给医学生看和给大妈看，需要不同版本。DeepSeek生成多粒度解释：一句话总结（“基本正常，两项轻微异常”）→ 通俗解释（“这两个指标高一点点，可能是最近没睡好”）→ 详细说明（指标含义、参考范围、可能原因）→ 行动建议（要不要复查、注意什么）。第三招：慢病管理的"对话式陪伴" 不是定时推送"该吃药了"，而是用对话了解用户状态："这周血压怎么样？有没有忘记吃药？"根据回答调整后续互动策略。用强化学习优化长期依从性，而非短期点击率。小结健康科普的底线是安全第一，不制造焦虑，不替代诊疗。在此基础上，用分层信息满足多元需求，用对话交互替代机械推送，才能真正成为用户的健康伙伴。写在最后聊完这五个战场，你会发现DeepSeek在医疗领域的探索，有个共同主线：不是替代人，而是增强人。智能问诊增强医生的信息收集效率，影像AI增强放射科的判读能力，药物研发增强化学家的设计空间，病历管理增强医生的时间价值，健康科普增强大众的健康素养。这对咱们程序员意味着什么？医疗AI不是"调个模型就完事"的简单项目。它需要理解临床流程、尊重医学伦理、处理高 stakes 决策、应对严格监管。这些挑战，恰恰是技术人成长的机会——你的代码可能影响一个人的诊断，一个分子的命运，一个医生的夜晚能不能早点回家。编程之路不易，但每一步成长都算数。当你写的AI能帮医生多看几个病人，帮患者少排几小时队，帮新药早几年上市，那种成就感，比刷 LeetCode 通过率高多了。保持好奇，持续学习，你也能成为用代码改善健康的人。教程：caigenzhishi 推荐朋友B占UP：个人快速成长/精进学习 +备注：“资料代找获取”，全网计算机学习资料代找：例如: 《课程：2026 年多模态大模型实战训练营》《课程：AI 大模型工程师系统课程 (22 章完整版持续更新)》《课程：AI 大模型系统实战课第四期 (2026 年开课持续更新)》《课程：2026 年 AGI 大模型系统课 23 期》《课程：2026 年 AGI 大模型系统课 21 期》《课程：AI 大模型实战课 8 期 (2026 年 2 月最新完结版)》《课程：AI 大模型系统实战课三期》《课程：AI 大模型系统课程 (2026 年 2 月开课持续更新)》《课程：AI 大模型全阶课程 (2025 年 12 月开课 2026 年 6 月结课)》《课程：AI 大模型工程师全阶课程 (2025 年 10 月开课 2026 年 4 月结课)》《课程：2026 年最新大模型 Agent 开发系统课 (持续更新)》《课程：LLM 多模态视觉大模型系统课》《课程：大模型 AI 应用开发企业级项目实战课 (2026 年 1 月开课)》《课程：大模型智能体线上速成班 V2.0》《课程：Java+AI 大模型智能应用开发全阶课》《课程：Python+AI 大模型实战视频教程》《书籍：软件工程 3.0: 大模型驱动的研发新范式.pdf》《课程：人工智能大模型系统课 (2026 年 1 月底完结版)》《课程：AI 大模型零基础到商业实战全栈课第五期》《课程：Vue3.5+Electron + 大模型跨平台 AI 桌面聊天应用实战 (2025)》《课程：AI 大模型实战训练营从入门到实战轻松上手》《课程：2026 年 AI 大模型 RAG 与 Agent 智能体项目实战开发课》《课程：大模型训练营配套补充资料》

2026-05-10

·艺药荟

N-连接糖基化：优化选择生产人源IgG细胞株的重要参数

好文阅读：摘要：本文研究了来自105种不同稳定细胞系的人类IgG分子N-link糖基化变异，每种细胞系表达六种不同抗体之一。抗体表达基于谷氨酰胺合成酶选择技术，在悬浮生长的CHO-K1SV细胞中进行。在Fc片段上检测到的糖链主要是含有零或一半乳糖且几乎无或无珠酸的核富素化复合物。同一细胞系在多次培养时糖基化高度一致，表明生产和糖链分析过程的稳健性。然而，105个不同细胞系间半乳化和/或非核心富酪酶化水平差异为两倍至三倍，暗示克隆间存在差异。这些差异可能通过这些抗体改变Fc介导的效应器功能。寡糖-5糖链含量也存在较大差异，存在时可能导致抗体在体内的快速清除。六种不同抗体的不同糖链参数存在统计学上显著差异，表明变量结构域和/或轻链同型影响Fc糖基化。当摇杯批量生产改为生物反应器供料批量生产时糖基化发生变化，但当工艺从400升扩大到5000升后，糖基化又恢复稳定。综合而言，观察到的克隆间糖基化变异和批次间一致性为选择最佳生产细胞系以大规模制造生物制药人类IgG提供了理由。【NO.1】介绍单克隆抗体已在临床试验中进行150多种抗体，并有22种此类产品获批上市，已成为重要的蛋白质治疗类别。近年来，生物制药重组IgG的大规模制造取得了巨大进展，但仍是一项重大挑战。用于重组IgG生产的最常用宿主细胞是悬浮培养的CHO和NS/0细胞系，因为它们能够产生大量正确折叠、组装并经翻译后修饰的IgG。2通过代谢途径的表征和过程参数的优化，取得了显著改进。最先进的无蛋白饲料批处理法可产生高达6g/LIgG，这比十年前不到1g/L有了显著提升。然而，产品产率并非选择合适生产细胞系的唯一标准。一个担忧是，产量的增加可能损害细胞的翻译后修饰机制，导致高产物但活性降低、稳定性降低和/或批次间一致性下降。在可能影响效力、药物动力学、药效学和免疫原性的情况下，高度一致的翻译后修饰特征尤为重要。人类IgG的一个关键翻译后修饰是Fc结构域的N连锁糖基化。CHO和NS0细胞中重组IgG的Fc结构域糖基化主要表现为核心富柯化复合结构，且半乳化和唾液化水平较低。众所周知，Fc糖基化的变化会影响Fc介导的效应子功能。因此，非糖基化的IgG效应因子活性极低或无效，同时保持FcRn结合和体内半衰期。不同的IgG糖型在效应器功能上各不相同。例如，缺乏核心呻胶作用会显著增强抗体的抗体依赖性细胞介导细胞毒性（ADCC）能力，7,8，而半乳糖缺乏则降低体外CDC能力。最近，N连接糖链的唾液化被提出参与IVIG的抗炎特性，并被证明能降低至少某些人类IgG抗体的FcγR结合和免疫效应功能。含有主要为寡曼诺糖型的IgG因与甘露糖受体结合而在体内半衰期缩短，导致血浆中快速清除。非人类糖基化结构，如N-乙酰神经氨酸和在小鼠细胞如SP2/0和NS/0中产生的重组IgG上检测到的α-半乳糖表位，引发了对免疫原性的担忧。最近，Chung等人报告称，含有Fab结构域额外N-连接糖基化的Cetuximab可诱发过敏性休克。这似乎是因为部分患者中存在已有的IgE抗体，这些抗体特异于Fab上检测到的含α半乳糖的N连接糖链，而Fc部分则不然。总体而言，应优先选择产生IgG且核心富科糖化、半乳糖沉淀化和/或唾液化效果最佳的细胞系，具体取决于所需的效应机制，且含有最少水平的寡曼诺糖型糖链及可能的抗原和/或免疫性糖链结构。普遍认为糖基化由细胞系发育中使用的宿主细胞决定，也有人提出通过转染至同一宿主细胞可能产生显著的克隆间变异。然而，支持这一假说的系统分析较少，尽管这与CHO和NSO细胞本质上具有变异性（即使在同一群体内）的观察相符。其次，N连接糖基化应在批次间保持一致，并在从实验室实验室到大型生物反应器的生产升级过程中保持一致。这具有挑战性，因为许多细胞培养和/或加工参数已被证明会影响糖基化。基于这些考虑，企业开始将N连接糖基化谱谱整合进细胞系开发流程。最终生产细胞系不仅基于产量、内在生产率和最佳细胞生长来选择，还基于最佳N连接糖基化谱。我们有多种生物制药IgG正在临床开发中。本研究回顾性分析了105种不同CHO-K1SV细胞系产生的六种N-关联糖基化谱。CHO-K1SV是CHO-K1细胞中无血清悬浮培养亚谱系。我们在细胞系稳定性评估和放大过程中评估了批次一致性及N-关联糖基化的一致性。数据展示了在细胞系发育早期进行N-连接糖基化剖析的价值，与工艺开发过程中的糖化剖析相关联。【NO.2】结果 2.1 CHO-K1SV中产生的人类IgG的N连接糖基化谱的表征开发了一种利用HPAEC-PAD针对人类IgG的通用N连接糖基化谱法，该方法依赖于在β半乳糖苷酶处理前后的N连接糖链分析。在β半乳糖苷酶处理前后，展示了CHO-K1SV中产生的人类IgG典型的N连接糖链谱（见图1）。峰值通过MALDI-MS、额外外糖苷酶处理及与已知N连接糖链结构的保留情况进行比较（未显示数据）。基于这些分析，每个峰被赋予N链糖链结构（见表1）。检测到的糖链结构与CHO细胞中其他IgG的显性糖基化结构相当，即主要是核心富柯化复合型糖链，其中零（称为“G0F”）或一个半乳糖（称为“G1F”）。作为次要结构，检测到完全半乳糖化的核心富科化复合型糖链（称为“G2F”）、缺乏半乳糖的非核心富科化复合型糖链（称为“G0”）以及寡糖-5型糖链（称为“M5”）。CHO-K1SV中IgG唾液化的比例非常低（通常低于总糖链的2%）。复杂糖链的非核心富科化水平约为8%，该水平由β半乳糖苷酶处理谱中的G0F（峰1）和G0峰（峰4）计算得出。这表明约92%的复杂N型连接糖链在非还原的N-乙酰氨基葡萄糖上含有核心富苏糖。图1 HPEAC-PAD谱系由CHO-K1SV细胞系GMB-B-181产生的人类IgG，未经处理（黑曲线）及经过（红曲线）β半乳糖苷酶处理后进行。保持时间显示在横轴，PAD响应显示在纵轴。峰数与表1中所示的假定N连接糖链结构相关。在β-半乳糖苷酸处理的糖链谱中，峰5之后洗脱的物质结构尚未被鉴定。表1 HPEAC-PAD谱中识别出的CHO-K1SV细胞中人类IgG释放N连糖链峰的结构定位 2.2 N-连接糖基化在不同细胞系中略有差异为了研究不同细胞系人类IgG间的差异，我们纯化了105种不同CHO-K1SV细胞系的重组IgG。分析了所有这些批次的N-link糖基化，结果见图2A–D。显然，105个细胞系的所有参数均存在差异。为排除不同细胞系间观察到的差异源于细胞培养、纯化和/或N连接糖链剖析过程引入的变异，我们详细研究了N连接糖基化的一致性。因此，GMB-C-09细胞系在使用无蛋白培养基的批量摇酒培养中独立培养了六次。采集后，IgG通过蛋白A色谱纯化，并分析了N-连接的糖基化（见表2）。这六个不同批次的N连接糖基化谱高度一致，表明批量生产过程和N连接糖基化谱具有高度稳健性。为证实这一点，生产并分析了四批不同细胞系GMB-E-06（见表3）。同样，获得了高度一致的画像。当将GMB-C-09和GMB-E-06的N联糖基化谱与双尾曼惠特尼检验进行比较时，G0F和G1F含量在统计学上显著（P<0.0095和P<0.0095），但G2F、M5和非核心富科糖化则无显著差异。总体而言，这些数据表明CHO-K1SV细胞产生的IgG的N联糖基化谱高度一致，105个细胞系间观察到的差异真实反映了CHO-K1SV糖基化谱间的克隆间变异。图2 105种不同细胞系产生的IgG的G0F（A）、G1F（B）、M5（C）及非核心富科物化（D）含量的变异。表示为每个参数在细胞系数下的总峰值面积百分比。符号解释：Δ，产生IgGGMB-A的细胞系;∇，产生IgGGMB-B的细胞系;×，产生IgGGMB-C的细胞系;□，产生IgGGMB-D的细胞系;零细胞系产生IgGGMB-E;•产生IgGGMB-F的细胞系。表2 通过可重复批次结果显示的细胞系GMB-C-09的N-连接糖基化一致性表3 细胞系GMB-E-06的N-连接糖基化一致性，可重复批次结果显示 2.3 N-连锁糖基化谱受人类IgG序列影响当细胞系按人类IgG分组时，发现每种抗体的糖链组合略有不同（见图3）;例如，G0F的平均含量在GMB-B的48.2%±1.9%到GMB-C的63.1%±3.1%之间;G1F的平均含量在GMB-B的14.4%±1.4%到19.4%±1.8%之间;M5的平均含量在GMB-A的4.8%±1.3%到GMB-F的11.6%±3.5%之间;而非核心的褐煤物酶化平均含量则在GMB-B的7.8%±1.1%到GMB-A的10.0%±1.5%之间。单向方差分析显示，许多差异存在显著差异（见图3及其图例）。图3 对于每种重组人类IgG，N连接糖基化谱都不同 2.4 N-连接糖基化在长时间培养后高度稳定，且与培养过程保持一致细胞系开发计划中的重要一步是确定细胞系重组蛋白表达的稳定性。除了产量、比生产率和生长等参数外，在稳定性计划中还会评估生化参数的变化。为研究N-关联糖基化谱在长时间亚培养后是否发生变化，GMB-C-09细胞系按照严格的4天次培养方案培养了60代。在稳定计划的开始和结束时，批量被收获、纯化并确定了N-糖基化（见图4）。稳定性评估开始和结束时的糖基化曲线高度可比。其他细胞系（包括GMB-E-06）也获得了类似结果（另见表2）。这表明N-关联糖基化谱高度稳定。最后，我们比较了小批量摇摆机与大规模制造批次的氮联糖基化谱。在400升生物反应器中生产GMB-E-06细胞系的供粮批次，与摇瓶生产中获得的GMB-E的N联糖链谱相比，半乳基化略有增加（见表4）。GMB-A-31细胞系从摇瓶生产，经400升和2000升的饲料批次转移至最终5000升，导致N连接半乳糖基化发生类似变化，此外核心富科基化也略有下降（见表5）。抗体生产规模扩大到更大血管时，确实导致了N-link糖基化的一些小变化，可能是由于工艺条件的改变。然而，这些变化完全在克隆间差异范围内（见图2）。此外，当摇床批量生产改为生物反应器供料批量生产时，变化也发生了变化，但当工艺规模从130升扩大到2000升，最终达到5000升时，情况又恢复稳定。因此，单个抗体产细胞系表达特定的N-连接糖基化谱，这些谱在批次间高度可比且时间稳定。图4分析IgG在产生CHO-K1SV细胞系长时间亚培养下的N连接糖基化稳定性。HPEAC-PAD分析CHO-K1SV细胞系GMB-C-09在稳定性研究开始时产生的人类IgG（黑色曲线）及60代培养后（红色曲线）。保持时间显示在横轴，PAD响应显示在纵轴。表4 ShakeFlask中批量生产与400升供给批次生产中N-连接糖基化的比较表5 400L、2000L和5000L时，ShakeFlask与饲料批次生产的N-联糖基化比较【NO.3】讨论对生物制药抗体N连锁糖基化的结构和功能进行表征，是工艺开发和合规监管的重要环节。关于重组生物制药抗体中发现的N连接糖链结构，有大量知识可供利用;过程条件对抗体糖基化的影响;在原位和体外中决定N-连锁糖基化过程的策略，或抗体糖基化与功能之间的关系（见引言）。然而，令人惊讶的是，关于在制造工艺开发初期，即最终生产细胞系选择阶段，进行N-连接糖基化分析的优势，发表的资料却很少。尽管控制N-连接糖基化的方法多种多样，但如果能特异性选择具有内在能力为抗体添加最佳糖基化谱的生产细胞系，将是一个跳板。据我们所知，这是首个为大量不同单克隆抗体产生细胞系提供全面N连接糖基化数据的研究。我们的表达技术基于GS选择，结合广泛使用的悬浮培养CHO谱系，称为CHO-K1SV（授权自英国斯劳LonzaBiologics）。该技术制备的抗体检测到的N连接糖基化谱与CHO细胞中其他抗体的研究相当，即主要是核心富科化复杂型糖链，含零（G0F）或一半乳糖（G1F）。检测到完全半乳糖化的G2F、非核心富铧化G0和寡镰糖-5型糖链（M5）作为次要结构。在6%到10%之间（六种不同IgG的平均值范围）的复杂N-连接糖链缺少附着于非还原N-乙酰氨基葡萄糖的核心富二糖，而M5含量则在5%到12%之间（六种不同IgG的平均值范围）。唾液化的比例非常低（通常低于总糖链的2%）。少数代表性人类抗体的N连接糖基化谱在不同抗体批次中高度一致，这些抗体批次均由单一细胞系多次培养而来（见表2）。然而，我们观察到来自不同细胞系的同IgG表达的抗体批次，以及表达不同IgG的细胞系批次间存在差异，表明这些差异源于克隆间的差异。尽管表达相同IgG的各细胞系之间的差异看似较小（即半乳化或非核心富胶基化水平差异可达两到三倍），但这些差异可能足以影响该抗体效应器功能的启动能力。半乳化可能改善补体依赖性细胞毒性，而缺乏还原的N-乙酰葡萄糖上的核心富苏糖则显著增强ADCC。因此，如果在最终阶段有足够多的高表达细胞系，应优先选择半乳化水平最高和/或核心富科基化水平最低的细胞系，具体取决于所需的作用机制。此外，M5含量也存在较大差异。高寡甘露糖糖含量是不理想的，因为有迹象表明这可能与通过库普弗细胞和巨噬细胞上的甘露糖受体更快清除该抗体有关。因此，糖基化数据的可用性有助于排除那些为进一步发育添加较多寡糖链结构的细胞系。未检测到CHO-K1SV衍生重组IgG上假定的免疫原性N连接糖链结构，如N-乙醇神经氨酸和/α或半乳糖，因此这不是选择最终CHO-K1SV生产细胞系的标准。根据本文提供的数据及近期关于接受塞妥昔单抗治疗患者中α（1,3）半乳糖诱导过敏性休克的报告，在使用小鼠宿主细胞如NS0或Sp2/0时，应考虑这一点，这些细胞增加了此类结构。但应注意，西妥昔单抗的抗原性源于Fab糖链，而Fab糖链比Fc糖链更容易获得，α后者的半乳糖含量可能较不关键。六种不同抗体的糖链参数存在小而统计学上显著的差异（见图3）。这些差异不能归因于重链同体型的差异，因为所有研究的抗体均为IgG1m（f）型，且6个IgG中有5个具有相同的kappa-轻链同类型（GMB-F含有Lambda轻链）。虽然不能排除糖基化差异由不同细胞系开发活动引起，但这表明抗体变量结构域和/或轻链同型（kappa与Lambda）影响Asn的糖基化297重链的。在这方面，需要指出的是，IgG1的λ和κ对应体细胞内组装动力学存在差异。人们很容易假设，这种折叠动力学差异可能导致GMB-F与其他IgG之间N-连锁糖基化的差异。当工艺从台式制造规模化到大规模制造时，一个令人担忧的是，糖基化会发生变化。我们的稳定性评估显示，GMB-C-09及其他细胞系的N-关联糖基化谱在超过60代培养中未发生显著变化。这表明N-link糖基化谱可以高度稳定，且当这些细胞系用于制备大规模制造种子序列（涉及多达60代）时，糖基化变化很可能不会被观察到。然而，无论发酵规模如何，从摇瓶批量生产转为生物反应器供料批量生产时，N-连接糖基化发生了变化（见表4和表5）。一旦进入发酵桶，N-连接糖基化过程依然高度稳定，即使过程被放大到5000升。我们目前正在研究批次纯化和饲料纯化IgG糖基化差异的机制。本研究获得的数据强烈支持将N连接糖链谱分析纳入细胞系发育，并结合糖链剖析过程进行筛选。这也说明了需要强健的糖链分析方法，以实现快速定量评估糖链库。纯化IgG的色谱分析耗时较长。如果能使用上清液进行糖链分析，例如采用基于凝集素的方法，通量将大幅提升。这里的担忧是，这些技术可能不够定量、具体性和/或足够灵敏，无法探究细微差异。另外，结合HPAEC-PAD或MALDI-MS等成熟剖析方法，在小规模高通量纯化IgG的策略也具有前景，但正在评估中。综合而言，观察到的克隆间N连接糖基化变异及批次间一致性为选择最佳生产细胞系以大规模生产人类IgG提供了理由。邀您加入“艺药荟社群”交流学习! 备注：姓名+单位+方向版权说明：本文欢迎个人转发至朋友圈，谢绝媒体或机构未经授权以任何形式转载至其他平台。转载授权或其他合作需求，请联系梓树ZiShu（微信：Z07302256）。免责声明：本文仅作信息交流之目的，文中观点不代表“艺药荟”立场，亦不代表“艺药荟”支持或反对文中观点。本文不作为治疗方案推荐。如需治疗指导，请前往正规医院就诊。

100 项与 Peginterferon lambda-1a(ZymoGenetics, Inc.) 相关的药物交易

登录后查看更多信息

外链

KEGG	Wiki	ATC	Drug Bank
D10078	-	-	DB14767

研发状态

10 条进展最快的记录,

后查看更多信息

适应症	最高研发状态	国家/地区	公司	日期
新型冠状病毒感染	临床3期	-	Eiger BioPharmaceuticals, Inc.	2022-03-17
慢性丁型肝炎	临床3期	美国	Eiger BioPharmaceuticals, Inc.	2021-12-21
慢性丁型肝炎	临床3期	比利时	Eiger BioPharmaceuticals, Inc.	2021-12-21
慢性丁型肝炎	临床3期	保加利亚	Eiger BioPharmaceuticals, Inc.	2021-12-21
慢性丁型肝炎	临床3期	法国	Eiger BioPharmaceuticals, Inc.	2021-12-21
慢性丁型肝炎	临床3期	德国	Eiger BioPharmaceuticals, Inc.	2021-12-21
慢性丁型肝炎	临床3期	以色列	Eiger BioPharmaceuticals, Inc.	2021-12-21
慢性丁型肝炎	临床3期	意大利	Eiger BioPharmaceuticals, Inc.	2021-12-21
慢性丁型肝炎	临床3期	摩尔多瓦	Eiger BioPharmaceuticals, Inc.	2021-12-21
慢性丁型肝炎	临床3期	罗马尼亚	Eiger BioPharmaceuticals, Inc.	2021-12-21

登录后查看更多信息

临床结果

适应症

分期

评价

查看全部结果

研究	分期	人群特征	评价人数	分组	结果	评价	发布日期


NCT01866930 (DIMENSION, CTgov)	临床3期	HIV感染 \| 慢性丙型肝炎	453	Lambda+DCV+Ribavirin (Cohort A: HCV GT-2 or GT-3)	蓋願鑰構鑰選鹹網齋構 = 範鬱齋醖鏇鬱淵築網壓廠襯憲淵壓憲願餘鬱願 (淵構簾構窪糧齋壓顧襯, 範鑰艱齋觸壓鹹膚鬱網 ~ 餘製簾夢醖選襯糧糧願) 更多	-	2023-06-13
				Lambda+DCV+Ribavirin (Cohort B: HCV GT-1 or GT-4)	蓋願鑰構鑰選鹹網齋構 = 夢遞製艱淵鹽齋憲窪鑰廠襯憲淵壓憲願餘鬱願 (淵構簾構窪糧齋壓顧襯, 構鬱艱顧蓋憲窪壓醖淵 ~ 壓淵廠齋膚鑰淵遞膚鏇) 更多
NCT02765802 (LIMT, CTgov)	临床2期	慢性丁型肝炎	33	Peginterferon Lambda-1A (Lambda 180 μg)	壓鹹夢願鏇築壓憲鹹餘(鏇夢構壓築獵夢觸糧鏇) = 齋衊窪積觸衊鹽衊膚鏇淵鹹鏇淵餘壓醖觸繭憲 (蓋醖願鬱憲鬱壓築鬱艱, 1.81) 更多	-	2023-01-17
				Peginterferon Lambda-1A (Lambda 120 μg)	壓鹹夢願鏇築壓憲鹹餘(鏇夢構壓築獵夢觸糧鏇) = 餘齋窪選鹽鏇憲醖願齋淵鹹鏇淵餘壓醖觸繭憲 (蓋醖願鬱憲鬱壓築鬱艱, 2.38) 更多
NCT04343976 (CTgov)	临床2期	新型冠状病毒感染	14	Pegylated interferon lambda (Lambda Treatment)	齋獵積觸鏇鏇鬱繭顧顧 = 鑰願選製鑰餘夢憲鏇網醖鹹襯膚選糧簾鏇蓋廠 (構廠鑰膚餘鑰醖積膚廠, 選構鹹襯構鏇鹹壓齋製 ~ 夢繭膚繭淵鏇醖遞壓蓋) 更多	-	2022-07-21
				Pegylated interferon lambda (Saline Placebo)	齋獵積觸鏇鏇鬱繭顧顧 = 淵築網選餘醖蓋選廠壓醖鹹襯膚選糧簾鏇蓋廠 (構廠鑰膚餘鑰醖積膚廠, 餘網齋獵醖範廠選範齋 ~ 艱糧壓網餘憲憲鑰簾淵) 更多
NCT04344600 (PROTECT, CTgov)	临床2期	新型冠状病毒感染	6	Peginterferon lambda alfa-1a subcutaneous injection (Peginterferon Lambda Alfa-1a)	築糧構壓鹽鹹憲醖築廠 = 選憲網築顧衊餘繭顧鑰衊範獵壓壓鏇繭膚鹹蓋 (鹽簾膚憲窪蓋構壓獵艱, 憲繭製遞廠鹹鑰觸簾糧 ~ 獵膚齋鹽鑰糧艱鏇簾壓) 更多	-	2022-07-14
				Saline (Placebo)	築糧構壓鹽鹹憲醖築廠 = 繭淵蓋艱觸築鏇鏇鬱齋衊範獵壓壓鏇繭膚鹹蓋 (鹽簾膚憲窪蓋構壓獵艱, 淵製蓋衊憲襯範鹽範鹽 ~ 衊鏇夢鹽積願壓製鑰齋) 更多
NCT04354259 (Pubmed \| Lancet Respir Med) 人工标引	临床2期	新型冠状病毒感染	60	Peginterferon lambda 180 μg	衊醖窪餘夢獵夢淵餘醖(製網積淵繭蓋網壓鹹製): 2.42, P-Value = 0.041 更多	积极	2021-05-01
				Placebo
NCT04331899 (COVID-Lambda, CTgov)	临床2期	新型冠状病毒感染	120	Lambda (Lambda)	積憲簾憲壓網糧鏇窪蓋(繭衊廠夢選艱鏇鹽鏇鹽) = 鑰糧膚獵鑰膚壓壓觸艱鏇艱鏇壓網鏇範繭網夢 (襯壓獵選製網蓋遞鏇鑰, 繭顧繭願膚窪願艱夢範 ~ 獵鹹艱製鏇鹹衊蓋廠網) 更多	-	2021-04-22
				Lambda (Placebo)	積憲簾憲壓網糧鏇窪蓋(繭衊廠夢選艱鏇鹽鏇鹽) = 淵壓鏇淵網窪蓋顧蓋鏇鏇艱鏇壓網鏇範繭網夢 (襯壓獵選製網蓋遞鏇鑰, 獵鹹衊鑰鏇襯築構鏇顧 ~ 廠選憲餘廠構簾願鑰鑰) 更多
NCT04331899 (Pubmed \| Nat Commun)	临床2期	新型冠状病毒感染	120	Peginterferon Lambda-1a	蓋網襯膚廠憲鹽鹹選觸(觸夢夢簾糧蓋醖築鬱夢) = 繭窪簾襯顧醖齋艱壓蓋淵艱積製獵遞醖憲襯壓 (衊製鑰築膚夢糧網膚選 ) 更多	不佳	2021-03-30
				Placebo	蓋網襯膚廠憲鹽鹹選觸(觸夢夢簾糧蓋醖築鬱夢) = 築範糧窪製壓鏇醖壓願淵艱積製獵遞醖憲襯壓 (衊製鑰築膚夢糧網膚選 ) 更多
NCT01741545 (MAGNITUDE, CTgov)	临床3期	血友病 \| 慢性丙型肝炎	71	Lambda+daclatasvir+Ribavirin (Cohort A)	觸構鑰夢積衊艱襯蓋獵 = 糧蓋簾鑰簾齋遞夢觸鑰淵膚繭鏇鹹襯壓夢築繭 (鹹範顧繭構繭繭衊蓋衊, 壓襯顧衊鑰鬱廠遞遞遞 ~ 淵積遞鬱觸願壓襯鹽遞) 更多	-	2019-06-24
				Lambda+daclatasvir+Ribavirin (Cohort B)	觸構鑰夢積衊艱襯蓋獵 = 願願構鑰壓獵廠鑰願遞淵膚繭鏇鹹襯壓夢築繭 (鹹範顧繭構繭繭衊蓋衊, 艱膚願夢餘願醖餘襯餘 ~ 艱廠繭衊繭鬱壓顧積窪) 更多
NCT01598090 (PEDESTAL, CTgov)	临床3期	慢性丙型肝炎基因型 1	881	TVR+Peginterferon Lambda-1a+RBV (Part A: Peginterferon Lambda-1a + RBV + TVR (Open Label))	網構鹽艱簾襯醖選蓋衊 = 壓餘遞餘壓鹹憲製鬱齋觸觸構範顧觸構醖膚構 (襯鑰鏇醖繭膚觸夢遞範, 網鹹積齋窪願獵廠齋願 ~ 艱製鑰艱鏇鏇築鏇簾觸) 更多	-	2019-05-21
				TVR+Peginterferon Lambda-1a+RBV (Part B: Peginterferon Lambda-1a + RBV + TVR)	鹽顧繭遞遞鹹壓積醖衊 = 築夢鹽廠繭鹹淵蓋繭淵衊鏇鏇遞糧簾觸糧獵鏇 (觸壓鹹憲製顧鬱積膚積, 遞壓襯構願築鑰簾製簾 ~ 廠窪鬱蓋鏇壓繭製築糧) 更多
NCT01866930 (Pubmed \| J Interferon Cytokine Res) 人工标引	临床3期	HIV感染 \| 丙型肝炎	300	Ribavirin+Daclatasvir+pegylated interferon-lambda-1a (HCV genotype (GT)-2 or -3)	襯糧鹽壓製築顧築憲壓(範獵願製醖衊簾願範獵) = 憲淵窪膚糧夢壓鹹糧獵餘廠築構夢糧窪構窪齋 (鏇遞鬱鹹淵遞繭艱壓壓 ) 更多	积极	2017-03-01
				Ribavirin+Daclatasvir+pegylated interferon-lambda-1a (HCV GT-1(a or b) or -4)	襯糧鹽壓製築顧築憲壓(範獵願製醖衊簾願範獵) = 壓鹽鏇簾廠蓋願壓齋廠餘廠築構夢糧窪構窪齋 (鏇遞鬱鹹淵遞繭艱壓壓 ) 更多