生物类似药是指在质量、安全性和有效性方面与已获准注册的参照药具有相似性的治疗用生物制品,其开发基于“整体证据”原则,通过药学分析相似性、非临床相似性及临床相似性研究全面地证明候选药与参照药的相似性。近 20 年,生物类似药的研发和供应在全球范围内取得了巨大发展,特别是抗肿瘤药物和免疫类疾病治疗药物生物类似药的应用,在保证疗效的同时,有效地缓解了患者个人和医疗体系的经济压力。
与创新型生物制品相比,生物类似药的药学研究除常规研究项目外,还需针对候选药和参照药开展全面的分析相似性研究,而生物制品三维结构复杂、糖基化及各类翻译后修饰影响不一、产品和工艺相关杂质种类繁多,均增加了分析相似性的评价难度。特别是当实际检测结果存在一定波动时,如何在海量的比对研究数据中发现关键差异,给审评工作带来了极大挑战。
在此背景下,人工智能(Artificial Intelligence,AI)工具凭借其强大的海量数据处理能力、定量分析及微小差异的精准识别能力,有望实现候选药和参照药质量特征图谱的精准构建、分子结构修饰差异的自动识别以及多维度质量数据的定量比对,有效解决传统评价模式数据利用率低、差异预判不足、审评尺度可能存在差异等痛点,为生物类似药学研究评价的数字化、精准化、标准化提供全新技术路径。
本文将从全球主要药品监管机构的 AI 工具在药品监管领域的应用、AI 工具在生物类似药研发和生产中的应用、AI 工具在生物类似药评价中的应用前景及 AI 工具应用面临的挑战四方面进行梳理并展开讨论,以期引发监管部门和业界的思考,并促进相关工具的开发和应用。
1 AI 工具在药品监管领域的应用
1.1 中国国家药品监督管理局
总体上,国家药品监督管理局(National Medical Products Administration,NMPA)坚持“政策先行、基础夯实、分层推进”的实施路径。2024 年 NMPA首次发布药品监管 AI 典型应用场景清单 [1],明确了 15 个具有示范性的应用场景,覆盖从药品准入审批、日常监管、辅助决策到服务公众等全方位工作,为后续 AI 工具的开发明确了方向,具有极为重要的指导意义。2026 年 4 月,NMPA 发布了《关于“人工智能 + 药品监管”的实施意见》[2],进一步提出了 AI 技术在药品监管领域全面应用的实施框架,该文件明确要求到 2030 年,初步构建药品监管与 AI 融合创新体系,到 2035 年基本形成数智驱动、智能敏捷、自主可控、生态协同的智慧化药品安全治理新格局。稳扎稳打推进“两步走”战略的同时,文件也指出要确立“数智赋能、人工复核、全程留痕”的人机协同机制,明确了人在决策中依然处于核心地位。在数据基础设施方面,药品审评中心全面推进电子通用技术文档(eCTD)实施并启动v4.0 升级,将eCTD定位为“AI审评的数据基石”,加速建立 AI 工具应用和机器学习的高速通道 [3-4]。
1.2 美国食品药品监督管理局
2025年1月,美国食品药品监督管理局(Food and Drug Administration,FDA)发布《使用人工智能支持药品和生物制品监管决策的考量》 (Considerations for the Use of Artificial Intelligence to Support Regulatory Decision-Making for Drug and Biological Products)[5]指南草案,首次提出基于风险的可信度评估框架。该草案以应用场景为基础,基于风险分层这一核心,提出了标准化的七步可信度评估要求,有效统一了研发机构与监管机构对 AI 工具的判断标准,为未来的实际应用奠定了良好的预期和基础。2025 年 6 月,FDA 在实际应用上更进一步,宣布全机构启用生成式 AI 工具 Elsa。这款基于大语言模型的工具将服务于从科学评审员到调查员的全体FDA 员工,目标直指加速药品审批、优化监管流程 [6]。FDA 表示 Elsa 构建在高安全性的政府本地云环境中,以确保所有信息保留在机构内部,且该模型的训练不基于受监管行业所提交的数据。2025年 12 月,FDA 宣布已将具备多步骤复杂任务处理能力的 Agentic AI 系统部署于全流程审评场景,该代理式 AI 部署将使 FDA 员工能够进一步推进 AI在更复杂任务上的应用,如会议管理、上市前审查、评审验证、上市后监测、检查以及合规和管理职能 [7]。上述 AI 工具的使用,有效地提高了 FDA在审评和其他方面的工作效率,取得了积极的成效。
1.3 欧洲药品管理局
2024年10月, 欧 洲 药 品 管 理 局(European Medicines Agency,EMA)发布《关于人工智能(AI)在药品生命周期中使用的思考性文件》 (Reflection Paper on the Use of Artificial Intelligence (AI) in the Medicinal Product Lifecycle)[8],该文件为人用药品(包括化学药、生物制品)和兽用药品监管领域中AI 工具评价的纲领性文件。该文件详细列举了在药品全生命周期中可能的应用场景,如药物发现、非临床开发、临床研究、精准医疗、药品信息整理等,并提出了区分高风险和低风险的界限,即是否用于支撑特定药品的申报。同时,该文件特别指出,AI 工具本质上仍为数据驱动的辅助工具,而非最终决策因素,所有直接影响患者安全、产品放行、上市审批的关键决策必须保留审评员审核及最终决定权。在实践方面,EMA 及欧盟成员国监管机构已部署多项 AI 工具或实施团队,包括用于知识挖掘的智能工具 Scientific Explorer,用于数据提取和脱敏等方面工具开发的 Analytics Centre of Excellence,用于从结构化产品特性摘要中提取并探索不良反应数据的智能工具 EurEKA 等。2026年 1 月,FDA 与 EMA 联 合 发 布《药 物 开 发 中 AI实践质量管理规范指导原则》 (Guiding Principles of Good AI Practice in Drug Development)[9],其重大意义在于作为全球首个由主要医药产品监管机构合作制定的指导原则,全面覆盖了药品研发和生产的各个阶段,明确了相关企业在 AI 工具的开发、应用和验证中的标准化和合规化方向,并有效降低了向不同国家和地区监管机构申报的成本。
2 AI 工具在生物类似药研发和生产中的应用
工业界尝试将 AI 工具应用于生物类似药的研发和生产过程的实践较早,自 2013 年起已有依托监督学习工具建立的预测模型进入应用阶段。此外,非监督学习、深度学习、集成学习和组合模式工具也得到广泛应用 [10]。
在生物类似药药学研究的设计和开发阶段,AI 工具可以应用于蛋白结构分析以及制剂处方设计等方面。例如,贝叶斯优化或神经网络回归等算法被用来探索复杂的多变量制剂组分空间(如缓冲剂、辅料等),以维持产品的稳定性和相似性[11-12]。生物类似药生产工艺的拟定和优化是 AI 工具应用最为集中的领域,特别是人工神经网络通过提取既往不同结构产品在细胞扩增与培养、工艺中间品纯化等方面的标签数据,以更好地理解输入工艺参数和输出产品质量之间的内在关系,进而实现提高产品产量和质量的最终目标 [13-14]。在表征研究方面,目前 AI 工具的应用更多集中在研究数据的分析方面,以减少检测中系统性误差引起候选药和 / 或参照药检测结果的偏倚,以及后续可能对相似性结论产生的影响,实际应用包括核磁共振图谱的分析或凝胶电泳的图像处理等 [11-12]。此外,在生物类似药的临床试验方案设计、安全性和有效性评价、上市后药物警戒等方面,AI 工具也逐步受到青睐 [15]。
3 AI 工具在生物类似药评价中的应用预期
3.1 AI 工具在分析相似性评价中的应用
生物类似药的审评核心在于“相似性”的科学判定。在过去的 20 年中,全球主要监管机构的技术要求已基本趋于一致,即生物类似药需在药学、非临床和临床 3 个层面与参照药进行比对研究。其中,药学分析相似性研究是对候选药与参照药物质基础进行评价的关键环节,而智能化辅助审评工具的引入有望在该领域发挥重要作用。
3.1.1 应用预期
当 前, 较 为 迫 切 的 应 用 场 景 在 于 分 析 相 似性 结 论 的 智 能 化 辅 助 分 析(Intelligent Analytical Assistance,IAA)。在生物类似药产品的临床试验申请、上市许可申请及部分上市后变更申请中包含大量的质量研究数据及繁复的相似性研究报告。一方面,审评员需逐一核对数据,在大量的波动数据中发现候选药和参照药关键质量属性(Critical Quality Attribute,CQA)的变化趋势,必要时甚至需重新进行数据分组和统计学分析,消耗了大量的审评资源;另一方面,虽然生物类似药分析相似性判定标准已经严格统一,但在糖基化、翻译后修饰、电荷异构体等具体研究结果的评价上仍然在一定程度上依赖于审评员的知识和经验积累,从而在发补资料要求或批件遗留药学关注内容等方面可能存在一定差异。因此,分析相似性评价中 IAA 工具的应用将极大地节省审评资源,且更有力地保证审评尺度的统一与公平。
实践中,可以考虑制定分析相似性研究资料提交的结构化模板,申请人可按照模板要求填写候选药和参照药的分析相似性原始检测结果甚至检测记录源文件,并通过独立通道上传上述文件。IAA工具可以自主完成上述数据的分析和处理,输出初步的相似性研究数据比对结果,并对异常情况进行特殊标注,例如,候选药检测结果超出相似性可接受标准限度、个别数据偏倚导致相似性结果判定存疑、质谱或色谱图中异常峰标记等。此时,该工具可进一步基于已筛选的高质量文献汇总信息以及审评员既往在生物类似药相似性和已上市重组生物制品的可比性研究相关评价内容,结合特定产品的作用机制(Mechanisms of Action,MoA)进行综合研判并给出初步建议,以减轻审评人员的重复劳动和工作负担。该阶段,IAA 工具仍为辅助工具,最终决策必须由具有丰富审评经验的审评团队作出判断。今后,随着技术的不断演进和发展,IAA 工具可能发挥更大的作用。
3.1.2 潜在应用示例
以研究基础较好的贝伐珠单抗注射液为例,该产品是以血管内皮生长因子为靶点的人源化单克隆抗体,其通过抑制肿瘤新生血管生成发挥抗肿瘤作用,在全球范围内获批用于多种恶性肿瘤的治疗。在 IAA 工具的训练阶段,可采用经监管机构审核和认可的数据作为训练数据库,基于贝伐珠单抗的 MoA,对其各项质量属性进行分级,并自动完成相似性可接受标准的计算、候选药与参照药检测结果的比对分析,对于单项或存在关联的各项质量属性综合分析已有差异的潜在影响,结合既往已批准产品的研究结果和审评结论,对该产品的相似性评价提出建议。在实际应用中,当候选药和参照药在电荷异构体各组分含量中存在差异时,IAA 工具首先对异常的统计学结果进行标注,以提醒审评人员关注;其次对电荷异构体各组分组成和生物学活性研究进行关联分析,若发现差异是碱性异构体中重链 C 末端赖氨酸切除比例不一致所致,且产品生物学活性未受影响,则给出分析建议,即该差异不影响候选药和参照药的相似性;若发现差异是由于酸性异构体中天冬酰胺残基 N84 脱酰胺修饰或甲硫氨酸残基 M258 氧化修饰所致,且酸性峰的生物学活性显著下降,则应进一步分析上述差异是否导致候选药与参照药在受体亲和力及细胞生物学活性方面存在差异。若与 MoA 相关的生物学活性检测结果未见显著差异,则输出以上分析结果,并提示审评员关注是否存在进一步优化层析等生产工艺的可能;若进一步结合生物学活性检测结果发现候选药与参照药存在显著性差异,则输出建议:该产品可能需谨慎按生物类似药途径申报,以供审评员作出最终决策。
当上述 IAA 工具的研发和应用进展顺利时,还可考虑在此基础上更进一步,直接由申请人上传各项分析检测仪器的原始数据文件,并由监管机构开发的 AI 工具直接完成图谱分析、数据核对等工作,更大程度地避免因申报资料错误甚至真实性问题而导致的误判。
3.2 AI 工具在豁免临床疗效比较研究中的应用
无论是世界卫生组织(World Health Organization,WHO) 的 定 制 化 临 床 路 径, 还 是 FDA、EMA和 国 际 人 用 药 品 注 册 技 术 协 调 会(International Council for Harmonisation of Technical Requirements for Pharmaceuticals for Human Use,ICH)提出的豁免生物类似药的临床疗效比较研究(Comparative Efficacy Study,CES),均需要基于候选药与参照药的药学和非临床研究(包括但不限于相似性研究),甚至对参照药的临床研究情况进行全面评估,建立广泛的证据体系,这也正是 AI 工具在多源异构数据整合分析中的优势所在。
3.2.1 应用预期
针对特定产品是否能豁免 CES,AI 工具首先自动检索药品审评中心的内部数据库或经筛选及认可的文献数据库,以充分调研该类产品的背景信息,确认该产品在不同适应证中的 MoA 是否已被全面解析以及最新的研究进展是否涉及新的作用通路,分析该产品是否属于经高度纯化且能够充分表征的重组生物技术产品以及全面质量表征研究所需涵盖的项目等;在分析药物代谢动力学(Pharmacokinetics,PK)研究的可行性时,会特别关注该产品是否存在特殊的免疫原性风险,是否属于局部用药产品等风险因素。在综合上述信息后,AI 工具可将申请人实际提交的研究数据与前述各项条件一一比对,评估该类产品目前是否可以豁免 CES,并向审评员提出建议。此外,可以采用经监管机构审核和认可的数据作为训练数据库,建立重组生物技术产品各类质量属性与产品安全性、有效性和免疫原性之间的相关性,同时基于特定产品的研究结果,进行个性化标注。当生物类似药申报时,AI 工具可在判断其分析相似性的基础上,进一步结合特定产品中不同质量属性所产生的不同影响,推测对该产品 PK、药效学和免疫原性方面的潜在影响,并进一步指导豁免 CES 后续临床试验方案的设计。
3.2.2 潜在应用示例
以西妥昔单抗注射液为例,该产品是靶向表皮生长因子受体(Epidermal Growth Factor Receptor,EGFR)的嵌合型IgG1 单克隆抗体,参照药已获批用于 RAS 野生型转移性结直肠癌(metastatic Colorectal Cancer,mCRC)和复发 / 转移性头颈部鳞状细胞癌(Head and Neck Squamous Cell Carcinoma,HNSCC)适应证。该产品的特殊性在于两方面:一是参照药系采用小鼠骨髓瘤细胞SP2/0 细胞株进行表达生产,而目前在研的生物类似药品种均为中国仓鼠卵巢CHO 细胞表达,这直接导致了候选药和参照药在糖基化和翻译后修饰等多方面的差异;二是该产品在不同的适应证中,其 MoA 不完全一致。已有研究证实,在 HNSCC 适应证中,西妥昔单抗具有比靶点相同的帕尼单抗更强的抗肿瘤活性,而西妥昔单抗和帕尼单抗在生物学活性方面的差异主要在于前者具有显著的抗体依赖性的细胞介导的细胞毒作用(Antibody Dependent Cell-Mediated Cytotoxicity, ADCC)活性 [16-17]。而在 mCRC 中,来自关键Ⅲ期临床试验的分析提示,西妥昔单抗的治疗获益主要来自 EGFR 信号通路的直接阻断,ADCC 效应对总生存期和无进展生存期的独立贡献相对有限 [18]。由于西妥昔单抗注射液在上述 2 个适应证的获批上存在时间差,可能导致申请人和监管机构对产品信息掌握不全面。此时,AI 工具可能发挥重要作用,其可结合已发表的文献等信息提示各专业审评人员关注该产品在不同适应证中的 CQA 和 MoA 可能存在差异,同时,AI 工具可分析申报资料中是否已对可能相关的 CQA 及生物学活性开展了全面的高质量研究,并为该产品是否适宜按生物类似药申报或是否适宜豁免 CES 提出建议,供审评员决策参考。
3.3 其他方面
除上述提及的应用场景外,预期 AI 工具还可以在生物类似药的临床试验方案设计中,特别是豁免 CES 产品的Ⅰ期临床试验方案,包括需要开展单次给药或多次给药的 PK 研究、替代终点的选择等方面发挥重要作用。此外,AI 工具在生物类似药的上市后安全性评价、真实世界数据评估等方面也具有广阔的应用前景。
4 AI 工具应用面临的挑战
虽然将 AI 应用于生物类似药药学研究评价的优势众多,但上述构想仍处于预期阶段,尚未真正实现,其在实现过程中仍面临诸多挑战。
与创新药相比,生物类似药的审评,尤其是在候选药和参照药的相似性判断方面,对高质量研究和分析数据的依赖性较强,需筛选一批具有扎实研究基础的科研文献和逻辑正确清晰的评价报告对AI 工具进行训练,在工具的使用过程中还需不断加入新的经筛选的文献和评价内容,并开发 AI 工具根据审评员的后续调整进行自主学习的能力,以确保审评结论的准确性和最终判断的专业性。而对文献和评价信息的筛选,以及后期 AI 工具信息筛选和评价的结果校正,均需要持续投入具备专业知识的人力资源和 AI 硬件资源。
另一方面的挑战则来源于药品审评工作的保密性。无论是 AI 工具的训练资料还是硬件部署,均需考虑保密相关要求的特殊性。同时,AI 工具训练时可能利用申请人或研发机构的相关研究数据,还需考虑其中可能涉及的知识产权问题 [19]。
5 结论
当前,AI 工具在医药监管领域的应用已从概念验证迈向实践探索,特别是在生物类似药等具有一定研发和生产经验的品种中具有良好的应用前景。生物类似药的研发与生产中所产生的海量数据恰好与 AI 工具的应用场景相契合,该类工具可整合多维度质量控制分析数据集,定量解析分子修饰特征,构建标准化质量表征图谱,助力生物类似药相似性评价走向数字化精准管控。该类工具的使用不仅可以在降低审评员工作强度的基础上极大地提高审评效率,更重要的意义在于可以有效避免数据分析方面的疏漏,保证生物类似药审评尺度的统一,减少监管机构与申请人之间的争议。“十五五”规划已将生物医药列为新兴支柱产业,强调“全链条攻关”与“系统性创新”。NMPA 同步发布《关于“人工智能 + 药品监管”的实施意见》,明确提出构建人机协同的智能审评审批体系,目标到2030 年形成满足监管需求的高质量数据集、垂直大模型和智能体。AI 工具辅助生物类似药的药学研究评价将为后续更广泛的应用积累大量实际经验,为我国早日建成制药强国、切实服务患者需求奠定坚实基础。
参考文献
[1] 国家药品监督管理局 . 药监综函 [2024]313 号 药品监管人工智能典型应用场景清单 [EB/OL]. [2026-08-01]. https://www.nmpa.gov.cn/xxgk/fgwj/gzwj/gzwjzh/20 240618144318144.html.
[2] 国家药品监督管理局 . 国药监综 [2026]6 号 关于“人工智能 + 药品监管”的实施意见 [EB/OL]. [2026-08-01]. https://www.nmpa.gov.cn/xxgk/fgwj/gzwj/gzwjzh/2026 0402091552114.html.
[3] 国家药品监督管理局 . 关于扩大药品电子通用技术文档实施范围的公告(2025 年第 10 号)[EB/OL]. [2026-08-01]. https://www.nmpa.gov.cn/xxgk/ggtg/ypggtg/ypqtggtg/20250123164542175.html.
[4] 国家药品监督管理局药品审评中心 . 关于公开征求ICH《M8:电子通用技术文档(eCTD)v4.0》指导原则及问答文件中文翻译稿意见的通知 [EB/OL]. [2026-08-01]. https://www. cde.org.cn/main/ne ws/viewInfoCommon/87f7cdf8bc0b0dd4f945423d0802eeb6.
[5] Food and Drug Administration. Considerations for the Use of Artificial Intelligence to Support Regulatory DecisionMaking for Drug and Biological Products[EB/OL]. [2026-08-01]. https://www.fda.gov/regulatory-information/search-fda-guidance-documents/considerations-useartificial-intelligence-support-regulatory-decisionmaking-drug-and-biological.
[6] Food and Drug Administration. FDA Launches AgencyWide AI Tool to Optimize Performance for the American People[EB/OL]. [2026-08-01]. https://www.fda.gov/newsevents/press-announcements/fda-launches-agency-wideai-tool-optimize-performance-american-people.
[7] Food and Drug Administration. FDA Expands Artificial Intelligence Capabilities with Agentic AI Deployment[EB/OL]. [2026-08-01]. https://www.fda.gov/news-events/press-announcements/fda-expands-artificial-intelligencecapabilities-agentic-ai-deployment.
[8] European Medicines Agency. Reflection Paper on the Use of Artificial Intelligence (AI) in the Medicinal Product Lifecycle[EB/OL]. [2026-08-01]. https://www.ema.europa.eu/system/files/documents/scientific-guideline/reflectionpaper-use-artificial-intelligence-ai-medicinal-productlifecycle-en.pdf.
[9] Food and Drug Administration. Guiding Principles of Good AI Practice in Drug Development[EB/OL]. [2026-08-01].https://www.fda.gov/about-fda/artificial-intelligence-drugdevelopment/guiding -principles-good-ai-practice-drugdevelopment.
[10] Duarte V, Bas TG. Advances in Biosimilars: A Systematic Review of Machine Learning Applications[J]. Pharmaceuticals (Basel), 2026, 19(5): 745.
[11] Kim JH, Joshi SB, Tolbert TJ, et al. Biosimilarity Assessments of Model IgG1-Fc Glycoforms Using a Machine Learning Approach[J]. J Pharm Sci, 2016, 105(2): 602-612.
[12] Askari S, Ghofrani A, Taherdoost H. Transforming Drug Design: Innovations in Computer-Aided Discovery for Biosimilar Agents[J]. BioMedInformatics, 2023, 3(4): 1178-1196.
[13] Pathak M, Pokhriyal P, Gandhi I, et al. Implementation of Chemometrics, Design of Experiments, and Neural Network Analysis for Prior Process Knowledge Assessment, Failure Modes and Effect Analysis, Scale-down Model Development, and Process Characterization for a Chromatographic Purification of Teriparatide[J]. Biotechnol Prog, 2022, 38(3): e3252.
[14] Alam MN, Anupa A, Kodamana H, et al. A Deep LearningAided Multi-Objective Optimization of a Downstream Process for Production of Monoclonal Antibody Products[J]. Biochem Eng J, 2024, 208: 109357.
[15] Bas TG, Duarte V. Biosimilars in the Era of Artificial Intelligence-International Regulations and the Use in Oncological Treatments[J]. Pharmaceuticals (Basel), 2024, 17(7): 925.
[16] Ferris RL, Lenz HJ, Trotta AM, et al. Rationale for Combination of Therapeutic Antibodies Targeting Tumor Cells and Immune Checkpoint Receptors: HarnessingInnate and Adaptive Immunity through IgG1 Isotype Immune Effector Stimulation[J]. Cancer Treat Rev, 2018, 63: 48-60. Innate and Adaptive Immunity through IgG1 Isotype Immune Effector Stimulation[J]. Cancer Treat Rev, 2018, 63: 48-60.
[17] López-Albaitero A, Lee SC, Morgan S, et al. Role of Polymorphic Fc Gamma Receptor IIIa and EGFR Expression Level in Cetuximab Mediated, NK Cell Dependent in Vitro Cytotoxicity of Head and Neck Squamous Cell Carcinoma Cells[J]. Cancer Immunol Immunother, 2009, 58(11): 1853-1864.
[18] Van Cutsem E, Köhne CH, Hitre E, et al. Cetuximab and Chemotherapy as Initial Treatment for Metastatic Colorectal Cancer[J]. N Engl J Med, 2009, 360(14): 1408-1417.
[19] 王翔宇,侯艳,杨蕾,等 . 人工智能在药品监管应用中的法律挑战探讨 [J]. 中国食品药品监管,2026(4):4-15.
(收稿日期 2026 年 8 月 25 日 编辑 王雅雯)
------------THE END------------
内容来源:中国药事 2026年10月
本文仅供交流学习使用,版权归原作者所有,如有侵权请联系删除!微信:yaoyanluntan