Nerandomilast

引言 特发性肺纤维化（IPF）是一种慢性、进行性、纤维化性间质性肺疾病，其核心病理机制为持续性炎症驱动成纤维细胞向肌成纤维细胞转化，导致细胞外基质过量沉积与肺组织不可逆重塑。当前，多项随机对照试验（RCT）已评估多种IPF药物对肺功能的影响，但药物间直接比较匮乏，且各结局指标孤立报告，缺乏系统性整合。现有网状Meta分析（NMA）虽纳入吡非尼酮（PFD）、尼达尼布、N-乙酰半胱氨酸（NAC）等药物，但涵盖药物种类有限，关注指标单一。2026年2月发表于《Frontiers in Pharmacology》（IF：5.4）的这项NMA，系统评估了现有IPF治疗药物对肺功能的多维影响，其结论可为IPF精准化治疗决策提供循证医学依据[1]。鉴于 NAC 在 IPF 临床实践中的广泛应用，本文重点解读该研究中 NAC 及以 NAC 为基础的联合方案的表现，其他干预措施的完整结果请参考原文。 方法学 本研究报告遵循系统综述和荟萃分析优先报告项目NMA扩展声明。 1 信息来源与检索策略 系统检索PubMed、Embase、Web of Science、Cochrane Library、中国知网（CNKI）、万方、维普和中国生物医学文献服务系统8个数据库，检索时间为建库至2025年6月5日。检索策略聚焦于“IPF”、“药物治疗”和“特定药物名称”，同时使用主题词和自由词。 2 纳入和排除标准 本研究的纳入与排除标准遵循“受试者、干预措施、对照组、结局指标及研究类型”（PICOS）框架。 3 偏倚风险评估 在Review Manager 5.4软件中，采用Cochrane偏倚风险评估工具对研究质量进行独立评估，共涉及七项标准。 4 数据合成与分析 采用 Stata 19.0 和 R 4.5.1 软件进行网状Meta分析。 结果 1 文献筛选过程与结果 根据检索策略，最初从八个数据库中检索到 8,456 篇文献，最终有121篇符合要求的文献被纳入研究（图1）。 图1 研究-检索流程图 2 纳入的研究描述 本研究纳入121篇文献，包含162项研究（其中NAC纳入研究最多（52项），远超PFD（27项）与尼达尼布（24项）），覆盖9个国家16525名IPF患者：干预组8719例，对照组7806例。 3 纳入研究的质量评估 采用Cochrane工具评估121项研究的偏倚风险。结果显示：随机序列生成质量较高（101/122项低风险），报告偏倚与失访偏倚风险较低；但分配隐藏与盲法实施方面低风险研究均仅占19/122项，一定程度限制了结果的可信度。 4 贝叶斯网状Meta分析与排序结果 静态肺容积参数 · 用力肺活量（FVC） 该指标分析纳入19项干预措施、116项研究。网状关系图（图2A）显示，NAC与对照组的直接比较最多。漏斗图（图2B）基本对称，但底部有少量离散点，提示存在NAC相关的小样本研究。效应量分析（图2C）显示，NAC显著改善FVC（MD = 0.62，95% CrI [0.12，1.1]）。因存在闭环，进一步进行稳健性检验，未检测到显著局部不一致性（P > 0.05）（图2E）。 图2 药物治疗对特发性肺纤维化患者 FVC 的影响 (A)网状关系图；(B)漏斗图；(C)森林图；(D) SUCRA 排序图；(E)局部不一致性检验图 · 肺活量（VC） 该结果指标涵盖10项干预措施及36项研究。网状关系图（图 3A）显示，NAC 与对照组之间形成了最广泛的直接比较关系。漏斗图（图3B）整体呈现对称分布，但底部存在少量散点，提示NAC相关研究中包含小样本研究。效应量分析（图3C）显示，与对照组相比，NAC（MD = 1.2，95% CrI [0.63，1.8]）及NAC_罗红霉素（RXM）（MD = 2.9，95% CrI [0.32，5.5]）均可显著改善VC。SUCRA排序（图3D）表明，NAC_RXM（SUCRA：88.8%）为最优方案，其次为PFD（SUCRA：83.31%）和NAC（SUCRA：59.87%）。 图3 药物治疗对特发性肺纤维化患者VC的影响 (A)网状关系图；(B)漏斗图；(C)森林图；(D) SUCRA 排序图 · 肺总量（TLC） 该结局指标涵盖10项干预措施及30项研究。网状关系图（图4A）显示，NAC与对照组的直接比较最多（n=17）。漏斗图（图4B）总体对称，底部存在少量散点，表明存在NAC的小样本研究。效应量分析（图4C）显示，与对照组相比，NAC显著改善了TLC（MD = 1.1，95% CrI [0.58，1.6]）。SUCRA排序（图4D）显示，NAC_RXM（SUCRA：70.78%）排名第三。 图4 药物治疗对特发性肺纤维化患者TLC的影响 (A)网状关系图；(B)漏斗图；(C)森林图；(D) SUCRA 排序图 气体交换能力指标 · 一氧化碳弥散量（DLCO） 该指标分析纳入16种干预措施及68项研究。网状关系图（图5A）显示，NAC与对照组直接比较最为广泛（n=28）。漏斗图（图5B）基本对称，底部少量散点提示存在NAC相关的小样本研究。效应量分析（图5C）显示，与对照组相比，NAC显著改善了DLCO（MD = 6.5，95% CrI [1.2，12]）。SUCRA排序显示，NAC（SUCRA：63.74%）排名第三。稳健性检验未检测到显著局部不一致性（P > 0.05）（图5E）。 图5 药物治疗对特发性肺纤维化中 DLCO 的影响 (A)网状关系图；(B)漏斗图；(C)森林图；(D) SUCRA 排序图；(E)局部不一致性检验图 动态通气功能指标 · FEV1（第一秒用力呼气容积）/FVC 该指标分析纳入9种干预措施及42项研究。网状关系图（图6A）显示，NAC与对照组直接比较最为广泛（n=27）。漏斗图（图6B）基本对称，底部少数离群点提示存在NAC相关的小样本研究。效应量分析（图6C）显示，与对照组相比，NAC（MD = 1.3，95% CrI [0.64，1.9]）与NAC_RXM（MD = 4.9，95% CrI [1.5，8.4]）均可显著改善FEV1/FVC。SUCRA排序（图6D）表明，NAC_RXM（SUCRA：97.45%）为最优方案，NAC（SUCRA：63.21%）排名第三。 图6 药物治疗对特发性肺纤维化患者FEV₁/ FVC 比值的影响 (A)网状关系图；(B)漏斗图；(C)森林图；(D) SUCRA 排序图 讨论 NMA是整合临床研究证据并比较不同干预措施有效性的重要方法。本研究通过NMA系统整合现有RCT证据，直接比较了各药物方案对IPF关键肺功能指标（FVC、VC、TLC、DLCO、FEV1/FVC）的相对疗效。分析涵盖20种药物：氨溴索、阿奇霉素、布地奈德、卡托普利、环磷酰胺、肝素、干扰素（IFN）-γ1b、二甲双胍、甲泼尼龙、孟鲁司特钠、NAC、那米司特、尼达尼布、Pamrevlumab、吡非尼酮、泼尼松、RXM、西地那非、Simtuzumab及沙利度胺。其中，NAC（52项）、PFD（27项）和尼达尼布（24项）研究最多。在疗效方面那米司特改善FVC最佳，氨溴索改善TLC效果最佳，沙利度胺则对提高DLCO最为突出。 NAC在IPF治疗中应用广泛，也是本研究中唯一在FVC、VC、TLC、DLCO、FEV1/FVC中均达到统计学显著改善的药物，这与其抗氧化、祛痰、抗炎等多重药理学机制，以及良好的安全性和治疗获益密切相关，因此NAC常被纳入联合方案。IPF以进行性肺纤维化所致肺组织弹性与顺应性降低为核心病理特征，常伴小气道炎症浸润与黏液栓形成。NAC通过清除活性氧（ROS）减轻氧化应激损伤并抑制炎症反应，联合RXM可协同延缓纤维化进展、维持肺弹性、促进肺扩张，从而改善VC；同时，减轻炎症与氧化应激有助于维持小气道上皮完整性，改善FEV1所反映的早期呼气流速。二者靶向IPF从肺泡到小气道的共同核心机制——氧化应激与慢性炎症，通过多靶点协同效应同步增强VC与FEV1/FVC。安全性方面，NAC单药及联合用药均耐受良好，主要不良反应为胃肠道症状。 提示：本材料仅供医疗卫生专业人士进行医学科学交流，不用于推广目的。 *乙酰半胱氨酸在中国上市剂型为口服及吸入制剂。乙酰半胱氨酸片0.6g在中国上市的适应症为“用于治疗分泌大量浓稠痰液的慢性阻塞性肺病（COPD）、慢性支气管炎（CB）、肺气肿（PE）等慢性呼吸系统疾病”，用法用量为“成人：口服，一次0.6g（1片），一日1-2次，或遵医嘱“。该药品在全球各国所获得的上市许可内容和条件有不同。 参考文献 1. Yin Y, Wu X, Liu Z, et al. Network meta-analysis of pharmacological treatments for idiopathic pulmonary fibrosis: evaluating effects on lung function. Front Pharmacol. 2026 Feb 23;17:1761899.

AI制药又被炒热了。2026年9月，英矽智能的肺纤维化药rentosertib因为一篇衰老研究登上头条。蛋白质组时钟显示患者趋向年轻，媒体马上接上“AI加速奇迹”。但冷静下来，两件事还没搞清楚。     第一，对患者，这个药到底能不能改善肺功能？Ⅱa期只有71人，60毫克组肺活量增加了98毫升，安慰剂组下降了20毫升。差异看着不错，但只是统计学信号，不等于肺部瘢痕好了。16人提前退组，有的因为肝毒性或拉肚子。样本小，风险看不全。蛋白质时钟说年轻了，可那只是算法根据蛋白特征的预测，不是直接测你多年轻。六种时钟算的是同一拨人的数据，不是六次验证。     第二，对行业，AI到底省了钱还是只省了时间？分子确实找得快，30个模型一块跑。但“18个月”只是到临床前，不是整个研发。更关键的是，AI有没有降低总成本？目前Ⅱ期成功率约四成，跟传统差不多。候选药多了，临床试验资源不够分，总成本可能不降反升。     还有第三，叙事别急着封神。真实事实都有，但FDA暂停过，竞品已上市，这些被省略了。 ==============================================     2026年9月7日，一篇衰老研究再次将英矽智能推到台前。研究涉及肺纤维化候选药rentosertib。六种蛋白质组时钟，给出了趋向年轻的预测。社交传播随即将它与AI制药的加速联系起来。     对于患者，真正的问题却比标题朴素得多。肺功能能否持续改善，治疗能否长期承受？对于行业，另一笔账同样没有算清。AI究竟降低了成功药物的成本，还是加快了候选药的产生？     这项研究值得认真看，也经不起随意拔高。论文真实，候选分子真实，患者试验也真实。但“药物改变了某些指标”与“人变年轻了”，中间仍隔着尚未完成的验证。     先要拆开被压缩在一起的三个时间点。2024年，研究团队发表发现与早期验证成果。2025年，Ⅱa期随机试验结果正式发表。2026年9月的新论文，则分析既有试验血样。“昨天的突破”，并非昨天才找到那个蛋白。科学验证维度——生物标志物信号 ≠ 临床治疗获益 项目 具体内容核心论断 AI筛选的分子及蛋白质组时钟显示的“年轻化”信号是真实发现，但绝不能等同于肺功能实质性改善或生理性逆转衰老。关键证据与支撑 1. 临床信号有限：Ⅱa期试验仅随机分配71人，60毫克组FVC（用力肺活量）增加98.4毫升仅为“值得关注的信号”，不能读作肺部瘢痕消失。2. 停药与风险：16人提前停药，涉及肝毒性或腹泻，小样本下“未发现显著差异”不等于安全性相同。3. 时钟算法局限：六种蛋白质组时钟基于同一批患者数据（非六次独立试验），且算法无法单独拆分疾病效应与衰老效应，预测的“年龄下降”并非对身体的直接读数。最终结论性判断 指标变化是重要的生物学发现，但必须完成更大规模、更长时间的Ⅲ期试验（验证年肺活量下降速率），才能成为支持患者治疗决策的临床依据。     这个蛋白叫TNIK，是一种丝氨酸／苏氨酸激酶。它的存在并非此次由AI首次发现。项目的新意，是将它优先选作抗纤维化靶点，再设计能够抑制其活性的小分子。     2024年的发现论文披露了一项具体细节。Chemistry42并行使用了30个生成模型。研究人员还设置了结合位点和分子设计约束。这段方法，比“AI自己盯上了它”更有解释力。机器承担搜索，人的知识参与规定搜索方向。     化学证据也超出了电脑绘制结构的范围。同年发表的药物化学论文，描述了双咪唑甲酰胺类化合物。团队研究结构与活性关系，并逐步优化分子。酶、细胞和动物实验，随后检验这些设计。     一个分子能结合蛋白，距离能做药还很远。进入身体后，它还要到达合适的组织。吸收、代谢、排泄和毒性，都可能让方案失败。所谓新颖结构，并不自动带来更高疗效。作用于新靶点，也可能带来陌生的风险。     这正是AI制药容易被误解的地方。生成答案与取得证据，是两种不同的产出。前者可以批量增加，后者必须接受现实检验。分子图画得再漂亮，也无法替患者完成一次随访。产业效率维度——加速分子产出 ≠ 降低总成本或提高成功率 项目 具体内容核心论断 AI确实加快了候选分子的早期生成速度，但现有证据无法证明其降低了药物研发的整体成本，或显著提高了临床阶段的成功率。关键证据与支撑 1. 成功率对比：2024年行业分析显示AI发现分子的Ⅱ期成功率约四成，与历史行业水平相近，尚不能证明因果优势。2. 贡献难以拆解：团队经验、投入强度、外包协作均影响速度，无法单独量化AI相比传统方法节省的具体时间与金钱。3. 验证瓶颈：若候选药数量激增而临床验证能力未同步扩张，后续预算和患者招募压力会上升，候选数量不能独自衡量生产率。最终结论性判断 行业真正需要核算的账本是“每获得一项可靠临床收益的总成本”（必须包含失败项目及平台实验投入），而非仅凭单条成功管线的产出速度来标榜效率     最受关注的临床数字，来自中国患者。2025年发表的Ⅱa期研究，共随机分配71人。受试者分为四组，接受12周治疗。主要终点关注安全性，肺功能属于次要终点。     60毫克每日一次组，平均用力肺活量增加98.4毫升。安慰剂组的平均变化，则为下降20.3毫升。两者点估计相差118.7毫升。这是值得继续研究的信号，却不能直接读作肺部瘢痕已经消失。     试验还有一个不能省略的数字：16人提前停止治疗。部分停药与肝毒性或腹泻有关。样本少、时间短，也限制了风险判断。没有发现明显差异，不等于证明安全性相同。接受治疗的人数越少，罕见风险越难显现。     “剂量依赖”也需要更准确的解释。30毫克每日两次，与60毫克每日一次，每日总量相同。给药频率会影响体内暴露的变化。两组结果不同，不能只用“吃得越多越有效”概括。剂量、频次和持续时间，需要一起判断。     新论文使用其中42人的蛋白质组数据。六种时钟提供了方向一致的年轻化信号。但六种算法，仍然面对同一批患者。这既不是六场独立试验，也不能把证据强度乘以六。     “时钟”这个词，容易让模型看起来像测量仪器。实际上，它根据蛋白特征估计生物年龄。药物如果改变炎症和疾病相关蛋白，预测值也可能改变。模型报出的年龄下降，并非对身体年轻程度的直接读数。     论文自己承认了这个关键限制。蛋白质组时钟无法单独拆分疾病与衰老效应。多种模型方向相同，使观察更值得关注。它们却仍可能共同响应疾病状态的变化。此时需要另一种独立证据，而不只是再换一个时钟。     因此，争论不必停在“逆龄是真是假”。更有价值的问题，是指标能否预示实际获益。如果时钟变化不能预测功能和长期结局，它首先是一项生物学发现。只有完成进一步验证，才可能成为治疗决策的依据。叙事归因维度——独立真实事实 ≠ 完整的成功故事 项目 具体内容核心论断 文中涉及的所有事实（新靶点、真实试验、公开代码）均真实，但社交传播中常通过压缩时间线和跳跃归因，将阶段性“进展”错误包装为最终“成功”。关键证据与支撑 1. 时间错位：2026年的新论文分析的是既有血样，“昨天的突破”并非昨天才找到TNIK靶点（2024年已发表）。2. 选择性忽略：叙事常刻意省略美国Ⅱa期曾被FDA暂停（2025年5月）以及竞品（nerandomilast）已获批等关键背景。3. 归因夸大：将“AI辅助设计”简化为“AI独自发现”，忽视了药物化学、动物实验及后期临床开发中人的专业干预。最终结论性判断 英矽智能值得获得与当前证据相称的评价，但成败不能由新闻标题提前结算。公司、媒体和读者均需回归朴素标准：AI的速度最终必须由患者肺功能的长期获益来定价。     研究团队公布了数据存储位置及分析代码。这给外部复核留下了可操作的入口。独立研究者可以检查处理流程和结果稳健性。不过，复现分析仍不同于复现药效。前者重算同一批数据，后者需要新的患者证据。     研究发生在哪里，也值得说得准确些。药物化学论文的署名机构涉及上海、香港、阿布扎比和蒙特利尔。关键Ⅱa期患者研究则在中国完成。国际合作网络与患者来自哪里，属于两层信息。     论文方法写21个研究中心，公司新闻稿写22个。两种口径存在差异，不能假装没有看见。本文采用论文口径，也不据此指控造假。公开报道最基本的工作，是说明差异来自哪里。     在中国完成试验，不会天然降低证据价值。但相近地域和人群，限制了外推的范围。患者背景、合并用药与医疗实践，都值得核查。美国新闻稿的落款，也不会让中国试验自动变成美国证据。     公司的上市申请材料，还披露了一段曲折。美国Ⅱa期试验在2025年5月被FDA暂停。同年10月，暂停解除，公司获准恢复试验。据其披露，监管要求涉及安全监测及文件澄清。这是公司对监管过程的公开说明。     这段经历不能被改写成“FDA判定药物无效”。同样，也不该从一份只谈进展的叙事中消失。它提醒读者，临床开发仍需回应具体问题。“AI设计”的身份，没有免除这些工作。     竞争背景也已经发生变化。FDA于2025年10月批准了nerandomilast，用于成人特发性肺纤维化。沿用“现有治疗只有两种药”的介绍，已经落后于美国市场。新候选药面对的比较标准，也不会停在立项那年。     真正的商业问题，因而比“是不是首创”更严格。它能否在疗效、耐受性或使用方式上带来价值？这些优势需要相应证据，不能靠跨试验数字直接排名。患者需要更好的治疗，并不负责奖励某种研发方法。     公司于2026年7月宣布启动Ⅲ期试验。其计划在中国47个中心招募320人，观察52周。主要终点是年度用力肺活量下降速率。这是计划与启动公告，不能当作已完成的结果。截至本次核查，尚无Ⅲ期结果支持疗效定论。     从这里再看“18个月”，含义就清楚了。发现论文报告的，是靶点发现到临床前候选提名。这段时间没有覆盖整个上市过程。把它与传统药物从立项到获批的年限比较，会制造一个口径不一致的速度奇迹。     即使早期阶段确实缩短，AI贡献也难以单独拆出。同一团队若不用AI，会花多久、失败几次？这项成功案例没有提供相应对照。团队经验、投入强度和外包协作，也可能影响速度。承认这些因素，并不否认工具的价值。     2024年一项行业分析提供了有趣的参照。其统计的AI发现分子，Ⅰ期成功率约为八至九成。Ⅱ期成功率约四成，与历史行业水平相近。作者也强调，Ⅱ期样本仍然有限。这些数字不能直接当成2026年的完整行业画像。     它们提出的疑问，却仍值得追踪。AI可能更擅长改善分子的可开发性质。但治疗是否有效，还取决于疾病假说是否正确。与历史数据比较又有选择偏差，尚不能证明因果优势。行业需要完整队列，也需要披露失败项目。     这引出了一个容易被增长数字遮住的问题。如果候选药增加，验证能力没有同步扩张，后续成本可能上升。临床预算会分散到更多项目，患者招募也会承压。因此，候选数量可以衡量产出，不能独自衡量生产率。     更值得披露的，是每获得一项可靠临床收益的总成本。这个账本应包含失败项目，以及平台和实验投入。如果只展示最成功的一条管线，再省略共同基础设施，就很难知道节省究竟发生在哪里。 医药公司用的AI，到底比我个人的PC强多少？     普通人于是会问：公司用的AI，到底比我的强多少？现有公开信息，无法支持一个统一倍数。PandaOmics负责靶点分析，Chemistry42负责分子设计。它们是专业平台，不能与聊天订阅档位直接对号入座。     2024年论文里的30个生成模型，也不是30个聊天账号。多个模型围绕化学结构与评分协同工作。平台名称不等于具体模型版本。要重建一次历史运行，还需权重、数据、参数和筛选记录。仅知道产品名称，并不足以复现实验。     设备比较则必须先区分云端与本地。个人调用云端模型时，主要计算发生在服务端。换一台更贵的笔记本，不会自动提升模型知识。本地部署才直接受到显存、内存和计算速度限制。公司和个人都可以租用计算资源。     本次查阅的近期资料，没有提供该项目完整的硬件清单。GPU型号、数量和累计计算时长，均不足以核算。因此，不能凭企业规模推断用了多少顶级显卡。设备存在与设备贡献，也必须分开讨论。     更难补齐的是实验设备背后的整个流程。合成、纯化、结构鉴定和生物测试，彼此依赖。仪器需要维护，结果需要质控，异常需要追查。公司也能通过外包取得部分能力。这说明核心差距包括组织协作，而非单纯拥有机器。     相比之下，token账单尤其容易制造错觉。token是部分模型处理和计费的文本单元。它既不是统一的科学计算单位，也不是药效单位。分子模拟、模型训练和临床随访，不能全部换算成聊天字数。     公开材料没有提供rentosertib项目的token总账。所谓“公司比个人多付几千倍”，因而没有依据。研发总支出更不能直接冒充模型调用费。计算、软件、数据、实验和临床，应当分别核算。     单看调用数量，也不能推算研究能力。相同价格下，调用量增加百倍，相关费用可以增加百倍。错误假说却不会因此更接近事实。多次询问同一模型，也不等于获得多份独立证据。输出相互呼应，有时只是在重复共同的偏差。     个人仍有真正可以参与的空间。查阅论文、整理证据和复核公开分析，都可能用普通设备完成。形成新的治疗证据，则需要专业合作与实验。门槛并非完全来自秘密模型，而是来自验证问题的能力。     医学能力研究也不支持“升级账号就升级医生”的直觉。2024年一项随机研究纳入50名医生。获得大模型辅助，并未显著提高诊断推理评分。2025年另一项研究纳入92名医生，却在模拟管理任务中观察到改善。     两项研究并不必然矛盾，它们测量的任务不同。模型、使用方式和工作流程，都可能改变结果。模拟病例评分改善，也不等于患者结局改善。会解释一张化验单，与能设计有效药物，更是不同能力。     这也是评价公司的适当尺度。应比较具体任务上的增益，再检查收益是否延续到患者。不能拿聊天模型的医学成绩，替分子平台作证。也不能拿一款药的成功，证明整个平台普遍有效。     营销最有力的部分，往往由真实事实组成。新靶点、新分子、临床信号和衰老时钟，各有依据。将它们连续排列，却容易让读者自行补出“已经成功”。问题常发生在证据之间的连接，而非某个孤立数字。     企业需要合作和资本，推广研究并不奇怪。质疑者也不必猜测作者是否想抬高估值。只需检查原本限定的结论，传播时是否扩大。同一期刊发表，不等于所有结论同样确定。同行评审也不是临床疗效的担保。     英矽智能值得获得与证据相称的评价。它把AI参与设计的分子推进了患者研究，也公开了可供讨论的方法与结果。下一步，仍要靠更大、更久的试验判断价值。成败不能由新闻标题提前结算。     对患者而言，重要的是治疗后能否保住更多肺功能。对行业而言，重要的是能否稳定降低有效药物的研发成本。在这两本账算清之前，可以承认进展，不能预支疗效。AI的速度最终要由人的获益来定价。