Unlearn Innovator Ltd.

正文共：2500字  预计阅读时间：7分钟 分享一组有趣的数据。 根据PitchBook最新发布的行研报告，从创立之初即全面引入AI技术的药企，其估值较传统创新药企高出近100%。以2024年数据为例，AI药企的中位估值达到7800万美元，而行业平均中位估值为4000万美元。 为什么会出现如此明显的估值差距？ 从近五年风险投资数据来看，AI药企的单笔交易中位值达2180万美元，显著高于行业整体的1370万美元。仅过去一年间，风投对AI药物研发的总投资额达32亿美元，涉及135笔交易。其中，70.1%的资金流向以AI为核心驱动的药物研发企业，基于人工智能的制药工具与服务占总交易数量的62.5%。 值得一提的是，从2024年某券商研报警示“AI+制药技术进展不及预期”，到2025年同期普遍宣称AI制药“破局在即”，市场对AI制药的态度在一年间发生了180度的大转变。 这一转变的核心，在于AI在临床成功率上的结构性突破。 众所知道，新药研发有一个“三十定律”，即一种新药推向市场往往需要超过10年时间，耗资高达10亿美元，而临床成功率仅约为10%，风险高、周期长。而研究发现，早期AIDD（AI药物研发）中，I期临床试验的成功率高达80%至90%，远高于行业平均的40%至65%。 虽然，这一数据只基于10项试验的有限样本，且II期临床试验的结果与历史平均水平持平，为40%。但初步研究表明，若对历史各阶段的基准进行调整，整体成功概率将翻倍，从约8%增至16%。更为重要的是，AIDD还能够低研发成本并缩短研发周期。即便未来疗效结果趋近于传统水平，这一优势仍具可持续性。 从市场角度来看，科技巨头正加速布局AIDD赛道。英伟达投资十数家AI药企并推出生物分子平台BioNeMo；谷歌DeepMind拆分的Isomorphic Labs已成行业标杆。 全球十大制药巨头（MNC）更是无一缺席。以万亿美元市值的礼来为例，（不完全统计）仅2025年内礼来就进行了十次对外的AI制药领域合作，合作方中也不乏英伟达、OpenAI等AI领域龙头。其中大单笔AI制药合作总价值高达13亿美元，合作方是专注于专注于G蛋白偶联受体的AI制药公司Superluminal Medicines，涉及领域则是礼来最擅长的心血管代谢疾病和肥胖领域。 下表为，全球AIDD相关交易首付额和总额Top 20的项目。可以发现大交易集中发生在近5年内，总额超过500亿美元。 最后，从监管角度来看，相关监管框架与风险管控机制逐渐完善。 2023年，FDA发布《药品生产中的人工智能》与《在药品和生物制品研发中的人工智能和机器学习》两份指南，明确支持AI辅助研发的合规路径。欧盟《人工智能法案》将于2025年2月正式实施，对"不可接受风险"AI系统（如缺乏可解释性的黑箱模型）实施禁令，为欧洲AI制药市场设置准入门槛。 值得注意的是，FDA对AI的期待并非颠覆式创新，而是模块化工具开发：针对特定研发环节建立精准决策辅助系统，而非追求全流程替代。 综上所述，投资者支付的估值溢价，相当一部分是在购买这个“平台”的期权。他们赌的不是单一药物的成功，而是这家公司持续产出高质量候选药物资产的能力，这带来了巨大的可扩展性和长期价值想象空间。 如今，随着AI模型能力的不断提升，一类全新的AI药企应运而生。在融资金额最高的AI药企中，Xaira Therapeutics、Generate:Biomedicines位居前列，两家公司均在完成前两轮融资后便已达到独角兽地位。 这些初创药企，将AI技术赋能与整个产业链条上。如AI实验室助理，通过生成实验方案、推荐试剂以及提供靶点选择建议，从而优化实验流程，帮助研究人员在设计实验时能够纳入更加广泛和深入的科学证据。 BenchSci是该领域领先的公司之一，该公司迄今已筹集了1.667亿美元的风险投资，并与赛默飞世尔科技和赛诺菲建立了合作伙伴关系。BenchSci利用文本和视觉模型来指导试剂选择、绘制疾病生物学图谱，并提升临床前发现的效率。还有一家明星初创企业Causaly则专注于通过科学文献综述进行生物标志物识别和靶点优先级排序。 此外，还有运用在临床试验中的AI工具，通过模拟最有可能对药物产生反应的患者群体、识别关键生物标志物或筛选患者，为试验设计提供参考。 Unlearn就是该领域的佼佼者，其平台利用数字孪生技术，预测个体在标准治疗或安慰剂条件下可能出现的进展，从而缩减对照组的规模。其他初创企业如PhaseV更是提出了“成本降低50%，将入组人数和试验时长缩短40%，并将试验成功的可能性提高30%”的宣传语。 当然，AI制药还在发展初期，目前仍面临多重挑战： 数据孤岛：AlphaFold 2等模型依赖公开蛋白质数据库（20万+结构），但细胞扰动、RNA结构、毒理学等生物数据高度孤立且质量参差。这促使药企选择垂直整合，自建湿实验室生成数据，导致成本高昂，使资金雄厚的初创企业成为模型创新主力。 输出验证：与文本/图像模型不同，生物模型输出需实验室验证，迭代周期长且成本高。各模型缺乏统一基准，阻碍了进展的量化评估。 工作流集成：生物制药研发根植于人工主导的成熟流程，AI有效集成需技术能力与组织管理双重变革。 生物安全：AI生成病毒基因组的能力已引发重大生物防御风险。10月，AI生物安全平台Valthos获OpenAI、Lux Capital等3000万美元A轮融资，凸显该领域紧迫性。 AI药企正从"估值溢价"向"临床价值"转化，其成功核心在于通过技术重构研发流程，实现"降本、提速、提效"的结构性变革。 未来，随着更多由AI发现的药物进入临床试验，Xaira Therapeutics等领先企业启动临床试验，AI发现候选药物的临床疗效将逐步明朗。 在此期间，实验设计和临床试验优化的AI工具仍将持续融入药物研发流程，并对生物制药行业的商业模式带来最为深远的影响。 AI制药的黄金时代，已来。 参考资料： 1.https://pitchbook.com/news/reports/q4-2025-pitchbook-analyst-note-ai-in-drug-development#downloadReport 2.国金医药甘坛焕丨创新药前瞻：从数据、算力、模型切入的3类龙头，看全球AI制药全景图（国金证券） 3.其他公开资料 图片来源：即梦AI “多事之秋”中，诺和诺德迎来三项积极进展… 2025-11-28 2025-11-27 每月仅需1针！全球首创IgA肾病新药获批上市 2025-11-26 版权声明/免责声明 本文为原创文章。 本文仅作信息交流之目的，不提供任何商用、医用、投资用建议。 文中图片、视频、字体、音乐等素材或为药时代购买的授权正版作品，或来自微信公共图片库，或取自公司官网/网络，部分素材根据CC0协议使用，版权归拥有者，药时代尽力注明来源。 如有任何问题，请与我们联系。 衷心感谢! 药时代官方网站:www.drugtimes.cn 联系方式: 电话:13651980212 微信:27674131 邮箱:contact@drugtimes.cn 点击查看更多精彩内容！

会议推荐 ＋ 2025第二届中国医药企业项目管理大会将于11月召开 ＋ 2024首届中国医药企业项目管理大会成功召开 ＋ PPT干货︱医药企业PMO和项目经理独家会刊学习资料 本文目录 一、JAMA观点 | 人工智能在临床研究中的应用 二、人工智能应用于临床试验的8个考虑要素 三、变革性影响 | 人工智能在临床研究中的创新作用 四、“AI+CRO”下个超级风口？人工智能如何助力临床研究。计算机“摩尔定律”向左，药物开发“反摩尔定律”向右，如何破局？ 五、人工智能与临床试验的结合——从数据到治疗的革命 一、JAMA观点 | 人工智能在临床研究中的应用。 （leila 精医光瀚） 本期文章和大家分享一篇发表在JAMA（《美国医学会杂志》）上的评论文章《AI在临床中的应用》（Translating AI for the Clinician），探讨了医学AI技术开发的框架，并概述了该技术在现代医疗中的目的和潜在用途。 迄今为止，机器学习（machine learning，ML）和人工智能（artificial intelligence，AI）在医学领域稳步发展，有望改善患者的治疗效果、优化临床实践，并可能降低医疗费用。 随着传统AI（如机器学习、计算机视觉技术和自然语言处理）向以生成式预训练转换器（generative pre-trained transformers，GPT）为基础的生成式AI的扩展，带来了大量开发和向医生和患者普及的空间。 然而，为了最大限度发挥这些工具的积极影响，需要制定一个框架，帮助医生和患者在临床实践的背景下理解AI，包括AI在临床实践中的用途、安全性和监测证据。我们认为，AI开发和测试的临床框架将加速AI工具在医学中的发展和应用，该框架将证据生成与适用场景、获益和风险联系起来，并使临床医生能够在实践指南背景下快速理解AI。 为充分发挥其潜力，当前医疗AI技术的开发需要重点关注将AI技术与具体的临床“适应症”（clinical indications）和可能的临床应用方式（clinical use case）对齐，以最大限度地发挥影响。我们认为，这一步是对目前开发途径的概念性变革。 现有的开发路径侧重于使用先进计算技术和现有医疗数据源，尤其强调多样、数量和广度，虽然这对形成AI算法和模型很必要，但却不足以确保AI技术在临床中的成功应用。因此，我们必须首先明确哪些具体问题或场景能获益于AI的应用。 图中的A部分列举了临床医生在诊疗患者时的10个常见临床问题，包括与患者沟通、记录患者就诊情况、风险分层、诊断、解释检验检查结果、使用行为疗法、药物或手术治疗患者、监测、学习、参与研究和继续教育。这些将是AI在医疗保健领域发挥作用的关键“适应症”。 人工智能在临床实践中的整合、开发和指南建议 医疗人工智能技术的证据应该像所有临床实践指南一样进行评估和审查（图C）。如果人工智能技术像医学中的传统疗法一样进行测试，我们当前的标准通常会评估诸如正在治疗的特定疾病（即指示）、可用数据集所代表的患者群体、人工智能整合到临床实践的研究设计以及与现有护理相比的治疗效果等因素，以制定指南建议。I类建议（例如，用于冠状动脉血管成形术期间的人工智能算法，以减少对患者的辐射和对比剂暴露）将需要一个随机试验策略，有和没有算法的算法在足够广泛的接受冠状动脉干预的患者人群中展示好处。 通过这种方式，使用证据、成本效益、人因测试和总体健康结果都将是临床推荐使用证据审查的一部分（就像它们今天对药物疗法、生物制剂和设备一样）。 未来几十年的医疗保健创新无疑将依赖于日常医疗交付中产生的健康数据量。结合人工智能能力的快速增长所带来的技术突破，这些医疗保健创新才能真正彻底改变我们所知的医学实践。然而，如果不将人工智能技术开发的重点重新聚焦于与临床医生和患者理解的确保广泛采用和最大影响以改善人类健康所需的健康目标更紧密的对齐，这种潜力将无法实现。 参考文献：Patel MR, Balu S, Pencina MJ. Translating AI for the Clinician. JAMA. 2024;332(20):1701–1702. 二、人工智能应用于临床试验的8个考虑要素 （临床药理知识库 ，作者CP-Knowledge） 导语 不可否认新药研发是一个数据密集型的工作。虽然过去几年中人工智能（AI）取得了令人瞩目的进展，但研究者们仍然面临着海量数据的挑战。本文探讨了在临床试验中利用AI进行数据管理的宏观策略，同时避免潜在的陷阱。 1.理解临床试验数据的复杂性 ConcertAI首席执行官Jeff Elton表示：“临床试验数据的复杂性可能难以让领域以外的人理解”。 “可能会有60到70个不同的纳入和排除标准，这些标准可能包括实验室检查结果、过去的药物暴露史、药物反应，甚至包括类似“这名患者是否预计还能活六个月”的猜测性问题”——Elton解释到。 “临床试验是一个相当繁琐的过程，针对每个患者，研究人员可能都需要查看数十个屏幕、文件和应用程序，这需要很长时间”，Elton表示。 此外，临床试验数据的固有复杂性和多样性面临着进一步的挑战。例如，在肿瘤治疗领域，临床试验通常包含多方面的设计，包括复杂的组织取样和分子处理要求。 当面临这种复杂性时，医疗组织必须确保拥有具备经验的人员，维护有组织和标准化的数据记录流程。人工智能和机器学习工具的使用可以简化数据处理工作。 2.采用迭代方法利用AI进行临床试验数据管理 在最近举行的2023年美国临床肿瘤学会(ASCO)会议上，Concert AI分享了它如何成功地自动化了一项研究所需的55%的数据。同时，他们也承认可能很难实现100%的数据自动化。 该公司研发的DTS eScreening软件，是一种基于机器学习的工具，旨在根据根据临床试验入排标准对患者进行排名。该公司在一项多中心临床试验中评估了该工具，该试验涉及49项数字化标准和10156名患者。DTS eScreening采用了机器学习算法LightGBM来开发17个模型。这些模型根据各种标准预测患者参加临床试验的资格，包括ECOG评分（癌症研究中采用的标准衡量标准）。使用的其他指标包括癌症分期、实验室结果和生命体征，平均预测准确率超过99%。 AI的应用，如DTS电子筛选软件，有望引领临床试验未来发展的方向。“AI也许可以使得人们的生产力提高10倍，从长远来看，通常需要一整天的临床试验文书工作现在有望在一到两个小时内完成”。 1992年~2022年PubMed收录的临床试验中 提及人工智能的研究数量 3.AI中用于临床试验数据管理的多维方法 正如2019年NPJ Digital Medicine的一篇文章所指出的那样，药物临床研发阶段一直较为缓慢地接受新兴技术。但是现在，通过使用光学字符识别（OCR）和自然语言处理（NLP）等工具，显著提高效率已成为可能。这些技术可以从PDF及其它文档中提取文本，并可以快速处理大量文件。例如，OCR和NLP可系统地提取和组织诸如纳入和排除标准之类的数据。这种技术极大地加速了数据处理效率，使研究人员能够专注于更重要的任务。 Concert AI依赖于传统方法（例如随机森林）和深度领域知识（如大型语言模型）的组合。此外，跨科学的交叉碰撞非常关键，临床试验中AI工具的开发需要医学、药学、临床信息学、流行病学、编码人员等的共同参与。 专业团队应将AI模型的开发视为科学研究，旨在实现AI达到与人类相同的准确性和记忆力。这种方法与传统的AI开发流程形成鲜明对比，传统流程中80%的时间用于数据准备，只有20%的时间用于模型开发和验证。 4.越具针对性的AI工具，性能越优 Elton详细解释道：“目前AI系统仍处于早期阶段，尚未广泛涉足各个领域。我们正在利用其算法能力来处理具体、有限的领域，以确保最佳性能。当下的主要应用之一是让AI分析临床文件并重新编码诊断代码。然后，将这些代码与医疗记录中的实际诊断代码进行比较，将AI打造成医学信息编码专家。” "仅仅三天时间，我们看到AI编码的准确性达到了惊人的高度，这是非常卓越的。更令人兴奋的是，我们可以为AI提供模板或表型，引导它寻找我们想要的特定模式和关联，并为其提供支持。" 临床概念提取和医学关联提取任务AI模型的F1 Score比较 在机器学习中，F1 Score是一种度量指标，结合了精确度和召回率，用于评估模型在二元分类任务上的准确性。 （引用自NPJ Digital Medicine 文章 “A large language model for electronic health records“） 5.开源和透明可以推动医药研究的进步 在科学研究中，特别是在AI领域，开源能够推动创新，加快进展。GatorTron AI模型和Google的DeepMind开发者通过共享训练代码，不仅增强了其工作的可靠性和可验证性，同时也为领域内的合作进步铺平了道路。 该研究作者在github上公布了训练代码。 6.监管和可解释的重要性 缺乏监督的问题是，最终会得到一个黑匣子AI系统。如果无法解释AI的决策，就不知道是否能够信任它。它可能会产生偏差甚至没有依据的联想，这可能会对医疗保健等领域造成不利影响。 7.在临床试验中采用AI进行数据管理时，确保问责制 采用AI进行临床试验数据管理时，以下几点需注意： ①将AI引导到特定问题上。 ②在数据集成中限制其创造能力。 ③审慎地管理其对不同数据集的访问。 美国政府问责局通过制定联邦政府的第一个框架意见来确保AI工具的问责制和负责任的使用。 8.应对AI滥用场景 本领域中存在AI误用的可能性，表现形式可能为各种各样。比如，AI可能会深度伪造出一些信息。这会给临床试验的真实性带来威胁。 应理性认识新技术发展过程中带来的潜在威胁，不能因噎废食放弃新技术的发展和应用。官方的倡导、网络安全专家的参与、相关政策的完善、执法机构的介入会有效减轻这些滥用，推动AI在医疗领域中的应用。 三、变革性影响 | 人工智能在临床研究中的创新作用。 （leila 精医光瀚） 通过数据分析、预测建模和患者招募，人工智能正在加强诊断、个性化治疗和临床试验，从而彻底改变医疗保健。 人工智能（AI）正在通过加强患者招募和简化药物开发来改变临床研究。在本文中，我们将通过先进的数据分析和预测建模，探讨人工智能对临床试验的变革性影响。 人工智能对医疗保健的影响包括增强诊断、个性化治疗和提高运营效率。但鲜为人知的是，机器学习在临床试验中的重要性与日俱增，它通过数据分析、预测建模和患者招募优化推动了临床试验的进展。 人工智能加快了药物发现的速度，提高了试验的准确性，并在加快治疗的同时降低了成本。例如，人工智能算法可以高效地分析大量数据，以确定潜在的候选药物，准确预测治疗结果，并优化临床试验设计，从而更快、更成功地进行试验。 此外，人工智能驱动的平台（如 DeepMind 的 AlphaFold）已证明有能力预测分子的三维结构，从而彻底改变药物设计和发现过程。 图 AlphaFold 等人工智能平台预测分子结构 人工智能在临床试验中的应用 人工智能正被应用于临床研究的各个领域，以提高效率、准确性和成果。 以下是人工智能在临床试验中产生重大影响的关键领域的详细介绍： - 数据分析和模式识别。人工智能可以分析来自临床试验、电子健康记录和其他来源的大量数据，发现人类无法发现的模式和相关性。这能更精确地确定治疗效果和患者反应。 - 招募和留住患者。人工智能算法可简化临床试验的参与者选择，通过分析庞大的数据集，迅速准确地识别符合条件的患者。这样就能使参与者更符合试验标准，从而加快招募速度并提高保留率。 - 治疗效果预测分析。通过分析患者的历史和当前数据，预测算法可以准确预测治疗结果。这有助于设计高效的试验和定制治疗方案，从而提高疗效并最大限度地减少对患者的副作用。 - 自动化数据收集和管理。人工智能可以自动收集、组织和分析数据，最大限度地减少人为错误并提供实时见解。这可以简化流程，加快研究速度，推动新疗法的发展。 临床研究中的人工智能 面临的挑战 随着人工智能不断推动临床研究领域的变革，我们必须认识到其在带来希望的同时也存在着潜在的隐患。虽然人工智能具有提高效率、增强准确性、简化患者招募和降低成本等诱人优势，但其实施并非没有挑战。 以下是一些关键注意事项： - 人工智能算法中的潜在偏差。人工智能系统是根据历史数据进行训练的，这些数据可能包含固有的偏差，如选择偏差、抽样偏差或测量偏差。例如，由于训练数据以男性为主，模型在女性患者身上的表现可能很差（选择偏差）；在城市数据上训练时，模型不能很好地推广到农村患者身上（抽样偏差）；或者由于数据收集中的系统误差（测量偏差），导致不准确性长期存在。 如果不加以控制，这些偏差可能会导致结果偏差，影响患者护理和研究结果。 - 数据隐私和安全问题。临床研究涉及大量敏感的患者数据，因此确保数据隐私和安全至关重要。人工智能系统很容易受到网络攻击和破坏，从而引发对患者信息保密性和完整性的担忧。 - 监管和道德挑战。人工智能技术的飞速发展往往超越了监管框架和伦理准则。有关在临床研究中适当使用人工智能的问题层出不穷，其中包括知情同意、透明度和问责制等问题。 - 对高质量数据的依赖。虽然人工智能依赖数据而发展，但其有效性取决于数据集的质量、多样性和范围。不充分、有偏见或不足的数据会影响人工智能见解的可靠性和有效性，阻碍临床研究的进展。 通过解决这些问题，利益相关者可以为人工智能在临床研究中的应用铺平道路，从而提高医疗保健成果。 人工智能在临床研究中的 重点和未来前景 由于多种因素，心脏病学、肿瘤学、神经病学和罕见病已成为临床研究中实施人工智能的重点领域。首先，这些领域通常涉及复杂的数据集，因此人工智能驱动的分析和预测时机已经成熟。 其次，这些领域的疾病（如心脏病、癌症、神经系统疾病和罕见病）具有高风险的性质，需要精确和个性化的诊断和治疗方法，而人工智能恰恰擅长提供这种诊断和治疗方法。 此外，人工智能技术的进步使研究人员能够针对这些医学专科所面临的独特挑战，开发出创新的解决方案。因此，人工智能已越来越多地融入到这些领域的临床研究中，为改善患者治疗效果和提高医疗服务效率铺平了道路。随着研究人员不断探索人工智能的能力，它在临床研究中的作用有望扩展到以前未知的领域，开创精准医疗和改善医疗效果的新时代。 四、“AI+CRO”下个超级风口？人工智能如何助力临床研究。计算机“摩尔定律”向左，药物开发“反摩尔定律”向右，如何破局？ （原创 Jo的随笔 Jo的随笔） 一款创新药，10亿美元、10年、不到8%成功率，一半都耗费在了临床研究，AI如何助力临床研究？       2024年3月在《Nature》杂志上刊登了一篇关于AI如何加速临床试验的文章，提及了多家人工智能（AI）科研机构和初创公司在助力临床试验优化方面取得的进展，非常值得细品。“AI+制药”到“AI+医疗”掀起了千层浪，但能实现产业化规模的，即将在一二级市场有所突破的下一个超级投资风口，会是“AI+CRO”吗？ 计算机“摩尔定律”向左，药物开发“反摩尔定律”向右，如何破局？       几十年来，计算能力遵循摩尔定律(Moore’s Law)，以可预测的速度前进。2012年，研究人员创造了“Eroom’s Law”（反向摩尔定律，Moore’s Law倒着拼写）这一术语来描述药物开发的对比路径，揭示了药物开发面临的困境，即新药研发的成本和时间随着时间的推移而呈现指数级增长的趋势。对药企来说，一款新药的面世可能历经“10亿美元的资金投入、10年的研发周期”。这里面，有一半的时间和金钱花在了临床试验上，这些试验规模越来越大、越来越复杂。       如下图所示，据统计，全球每100个启动一期临床的创新药里，到最后仅约7个药物能走到获批上市阶段，POS（Probability of Success，成功概率）仅7.87%。如果按照适应症划分，过去成功概率最高的是血液疾病（Hematology）23.94%、其次是代谢疾病（Metabolic）15.48%、感染类疾病（Infection disease）紧随其后13.20%；肿瘤疾病（Oncology）成功概率仅5.27%、心血管（Cardiovascular）则更低仅有4.75%。换句话说，即便排除万难进入临床一期阶段的药物，最终真正能够成功获批上市的几率，仅7.87%，更不用说在早期的靶点发现和验证阶段，淘汰率更是高得惊人。       一些研究人员希望计算机领域的摩尔定律（Moore’s Law）的成果，能够帮助遏制制药领域的Eroom’s Law（反摩尔定律）。人工智能 (AI) 已被用于在药物发现的早期阶段取得重大进展，协助寻找合适的疾病靶点和新分子设计。现在，科学家开始使用人工智能来管理临床试验，包括编写方案、招募患者、和分析数据的任务。 提高临床方案设计合理性       临床试验过程的第一步是临床方案设计。应该给予什么剂量的药物？给多少病人？应该收集哪些数据？University of Illinois（伊利诺伊大学）计算机科学家 Jimeng Sun 实验室开发了一种名为 HINT（分层交互网络）的算法，可以根据药物分子、目标疾病、和患者资格标准来预测试验是否会成功。他们随后开发了一个名为 SPOT（临床试验结果的顺序预测模型）的系统，该系统还考虑了训练数据中试验的发生时间，并对最近的试验进行了更大的权衡。根据预测的结果，制药公司可能会决定改变试验设计，或完全尝试不同的药物。       伊利诺伊州罗斯蒙特市（Rosemont, Illinois）一家名为“Intelligent Medical Objects”的公司开发了 SEETrials，这是一种促使 OpenAI 的大型语言模型 GPT-4，从临床试验摘要中提取安全性和有效性信息的方法。这使得试验设计者能够快速了解其他研究人员如何设计试验以及结果如何。加利福尼亚州斯坦福大学遗传学家 Michael Snyder 的实验室去年开发了一种名为 CliniDigest 的工具，该工具可同时汇总来自美国主要医学试验注册处 ClinicalTrials.gov 的数十条记录，并添加对统一摘要的引用。他们用它来总结临床研究人员如何使用智能手表、睡眠追踪器、和血糖监测仪等可穿戴设备来收集患者数据。       改革临床研究是“业界感兴趣的一个大话题”，不仅是上面提到的University of Illinois Jimeng Sun实验室、和Intelligent Medical Objects公司，此外，Saama 是一家位于加利福尼亚州坎贝尔（Campbell, California）的软件公司，该公司利用人工智能帮助组织实现部分临床试验的自动化。 匹配最符合资格的入组志愿者       临床试验中最耗时的部分是招募患者，占研究时间的1/3。几乎每5个临床试验项目就有1个甚至没有招募到所需的受试者人数，而且几乎所有试验都超出了预期的招募时间表。一些研究人员希望在保持安全的同时放宽一些资格标准来加速这一进程。由生物医学数据科学家 James Zou 领导的斯坦福大学（Stanford University）团队开发了一个名为 Trial Pathfinder 的系统，该系统可以分析一组已完成的临床试验，并评估调整参与标准如何影响风险率，或患者中严重疾病或死亡等负面事件的发生率。在一项研究中，他们将其应用于一种肺癌的药物试验，发现按照 Trial Pathfinder 的建议，调整标准将使符合条件的患者数量增加一倍，增加风险率不会增加。研究表明，该系统也适用于其他类型的癌症，并且实际上减少了有害后果，因为它使病情较重的人（他们可以从药物中获益更多）有资格接受治疗。       人工智能可以消除优化资格标准时的一些猜测和体力劳动。 James Zou说，有时即使是在同一家公司工作并研究同一疾病的团队也会提出不同的试验标准。但现在包括罗氏（Roche）、基因泰克（Genentech）和阿斯利康（AstraZeneca）在内的几家公司正在使用 Trial Pathfinder。 前面提到的伊利诺伊大学计算机科学家 Jimeng Sun 实验室，最近已经开发出 AutoTrial，这是一种训练大型语言模型的方法，以便用户可以提供试验描述并要求其生成适当的标准范围，例如体重指数。       一旦研究人员确定了资格标准，他们就必须找到符合条件的患者。纽约哥伦比亚大学（Columbia University in New York City）生物医学信息学家 Chunhua Weng 实验室开发了 Criteria2Query。通过基于网络的界面，用户可以用自然语言输入纳入和排除标准，或输入试验的识别号，程序将资格标准转换为正式的数据库查询，以在患者数据库中查找匹配的候选者。       Chunhua Weng 实验室还开发了帮助患者寻找试验的方法。一个称为 DQueST 的系统由两部分组成。第一个使用 Criteria2Query 从试验描述中提取标准。第二部分为患者提出相关问题，以帮助缩小搜索范围。 Jimeng Sun 实验室与美国国立卫生研究院（US National Institutes of Health）合作开发的另一个系统 TrialGPT 是一种提示大型语言模型为患者找到合适试验的方法。根据患者和临床试验的描述，它首先确定患者是否符合试验中的每个标准并提供解释。然后，它将这些评估汇总为试验级分数。它对许多试验都这样做，并为患者对它们进行排名。       帮助研究人员和患者找到彼此不仅可以加快临床研究的速度，它还使其更加可靠。试验常常不必要地排除儿童、老年人或孕妇等人群，但人工智能可以找到方法将他们纳入其中。患有晚期癌症和患有罕见疾病的人尤其很难找到可以参加的临床试验，然而在真实世界里，这部分晚期癌症喝罕见病患者在努力寻找临床试验机会方面，往往超出大多数人的想象，因为他们迫切需要接受治疗，临床试验就是这些患者生存的希望，这方面，Chunhua Weng实验室的人工智能可以帮助他们与相关项目匹配。       人工智能还可以减少试验所需的患者数量。位于加利福尼亚州旧金山（San Francisco, California）的一家名为 Unlearn 的初创公司在临床试验中为患者创建数字双胞胎。根据试验开始时实验患者的数据，研究人员可以使用双胞胎来预测同一患者在对照组中的进展情况并比较结果。 Unlearn 的创始人兼首席执行官 Charles Fisher 表示，这种方法通常可以将所需的对照患者数量减少 20% 到 50%。该公司与多家小型和大型制药公司合作。Charles Fisher 表示，数字双胞胎不仅有利于研究人员，也有利于参加试验的患者，因为他们接受安慰剂的机会较低。 患者Drop-out老大难问题的解决       一旦患者入组，临床试验的退出率（Drop-out rates）一直是个老大难的话题，退出率高。在对 95 项临床试验的分析中，近 40% 的患者在第一年停止服用处方药物。诺华公司（Novartis）的研究人员曾经提到，人工智能可以提供帮助的方式，其中包括使用过去的数据来预测谁最有可能退出，以便临床医生进行干预，或者使用人工智能来分析患者服药的视频，以确保不会错过剂量。       无论是在研究期间还是在正常的临床实践中，聊天机器人都可以回答患者的问题。Ayers, J. W. et al.的一项研究从 Reddit 的 AskDocs 论坛获取问题和答案，并将问题提交给 ChatGPT。近 80% 的情况下，医疗保健专业人员更喜欢 ChatGPT 的答案而不是医生的答案。在Li, Y. et al.的一项研究中，研究人员通过对医患对话的大型语言模型（Meta 的 LLaMA-7B）进行微调并使其实时访问在线资源，创建了一个名为 ChatDoctor 的工具。 ChatDoctor 可以回答有关比 ChatGPT 训练数据更新的医疗信息的问题。 Ayers, J. W. et al. JAMA Intern. Med. 183, 589–596 (2023). Li, Y. et al. Cureus 15, e40895 (2023). 整合功能       人工智能可以帮助研究人员管理录入的临床试验数据。诺华公司（Novartis）的研究人员报告称，可从非结构化报告中提取数据，并对图像或实验室结果进行注释，添加缺失的数据点（通过预测结果中的值）并识别人群中对治疗有独特反应的亚组。斯坦福大学的 James Zou 实验室开发出了 PLIP，这是一种人工智能驱动的搜索引擎，可以让用户在大型医疗文档中查找相关文本或图像。James Zou教授一直在与制药公司洽谈，希望用它来组织临床试验中的所有数据，包括笔记和病理照片。患者的数据可能以不同的格式存在，分散在不同的数据库中；同时，James Zou教授还在与保险公司合作，开发了一种语言模型，可以从医疗记录中提取账单信息，并且此类技术还可以从恢复结果、症状、副作用和不良事件等报告中提取重要的临床试验数据。       为了收集试验数据，研究人员有时必须制作 50 多个病例报告表。中国一家名为太美科技（Taimei Technology，今年1月29日递交港交所上市申请）的公司正在使用人工智能根据试验方案自动生成这些数据。       一些公司正在开发将许多人工智能方法集成到一个系统中的平台。Intelligent Medical Objects生命科学部门负责人Xiaoyan Wang与同事合作共同开发了AutoCriteria，这是一种促使大型语言模型从临床试验描述中提取资格要求并将其格式化为表格的方法。这为软件套件中的其他人工智能模块提供信息，例如寻找理想试验地点、优化资格标准和预测试验结果的模块。 Wang 表示，该公司很快将提供 ChatTrial，这是一个聊天机器人，研究人员可以询问系统数据库中的试验情况，或者如果以某种方式调整假设的试验会发生什么。该公司还帮助制药公司准备临床试验报告，提交给负责对药物在美国的使用进行最终批准的美国食品和药物管理局（FDA）。       伊利诺伊州 Jimeng Sun 实验室的学生 Zifeng Wang 正在与 Jimeng Sun 教授和另一位联合创始人 Benjamin Danek 一起，为一家名为 Keiji AI 的初创公司筹集资金，他们正在孵化一款名为 TrialMind 的产品，将提供一个聊天机器人来回答有关试验设计的问题，类似于Xiaoyan Wang的产品，它将完成通常需要数据科学家团队才能完成的任务，例如编写代码来分析数据或生成可视化效果。人工智能在临床试验中有很多机会，尤其是随着最近大型语言模型的兴起。       在大新冠疫情开始时，Saama 公司与辉瑞 (Pfizer) 合作进行了 COVID-19 疫苗试验。使用 Saama 公司的人工智能技术 SDQ，他们在短时间内“清理”了3万多名患者的数据。这是真正推动人工智能为该领域带来的影响的完美用例。该工具使用多种机器学习方法来标记异常或重复数据。专家可能需要两个月的时间才能手动发现数据集的任何问题，而此类软件可以在不到两天的时间内完成。       Saama 公司开发的其他工具可以通过预测哪些患者需要推动来预测试验何时达到某些里程碑或降低退出率。它的工具还可以结合患者的所有数据，例如实验室测试、可穿戴设备的统计数据和笔记来评估结果。       人工智能在临床试验中的部署存在一些伦理和实际挑战。人工智能模型可能存在偏见；它们的结果可能很难重复；它们需要大量的训练数据，这可能会侵犯患者隐私或造成安全风险；研究人员可能会变得过于依赖人工智能；算法可能太复杂而难以理解。缺乏透明度在临床试验中可能会出现问题，因为了解决策的制定方式对于信任和验证至关重要。International Journal of Surgery最近发表的一篇Chopra, H. et al. 评论文章指出：“在临床试验中使用人工智能系统，尚无法取代人类的常识、直觉、和医学训练等的模仿和学习”。 Chopra, H. et al. Int. J. Surg. 109, 4211–4220 (2023).       随着2024年3月18日，全球瞩目的顶级AI盛会 - 英伟达（Nvidia，NVDA） 2024年GPU技术大会（NVIDIA GTC 2024）的召开。据会上公开数据显示，今年大会与医疗保健和生命科学相关的会议共有90场，数量在具体行业分布中排名第一。由此可见英伟达CEO黄仁勋押注“AI+制药”赛道的决心。2023年英伟达投资了9家制药行业中以人工智能和数据为核心的公司。英伟达正在寻求“AI+医疗”，即将人工智能应用于医疗保健领域。今年3月末，英伟达最近透露，正在与一家名为 Hippocratic AI 的初创公司合作开发能够理解和处理与患者护理相关的基本任务的虚拟代理。黄仁勋公开表示，“学计算机的时代过去了，生命科学才是未来。”黄仁勋说，如果有重来一次的机会，他会首先考虑生物学，特别是和人类相关的生物学。       从“AI+制药”、到“AI+医疗”已然席卷全球，距离规模化最近的下个一二级市场的投资超级风口会是“AI+CRO”板块吗？拭目以待！ 五、人工智能与临床试验的结合——从数据到治疗的革命 （原创 合成生物催化剂工程2 微生物遗传与工程生物学） 对于开发新药的初创公司来说，临床试验的过程不仅充满了风险，而且过程缓慢、成本高昂，特别是在患者招募和罕见病试验中，挑战尤为艰巨。目前人工智能和机器学习已经应用到了加速药物研发的流程，那么我们是否能够让临床试验也从中受益呢？ 近期，Highlander Health宣布愿意投资支持通过简化临床试验流程，来推动个性化医疗发展的公司。在先前的临床试验中就已经有利用电子健康记录来筛选合适试验参与者并跟踪临床结果，并在2012年Flatiron Health公司开发了专门的软件将肿瘤学临床试验中电子健康记录数据整合到一个庞大的数据集中，并用于AI模型的训练，帮助制药公司加速临床试验招募。在肿瘤学领域，这种基于现实世界数据来应用于机器学习的方式已经取得了显著的成果，并且通过了临床专家验证，确保其准确性。 相比之下，个性化医疗和罕见病的进展较慢，主要是因为这一类患者的病史复杂，症状也更复杂，导致电子病历的数据质量差且难以共享。对此，Highlander Health公司计划通过创建一个学习型医疗保健系统，将临床数据和日常护理数据相结合，并不断利用这些数据来改善病人的治疗，加快药物开发的速度。 对于新兴的生物公司来说，若从一开始就将人工智能和机器学习融入其生态系统，可快速获得收益。例如，利用大型语言模型可以处理电子健康记录中的手写笔记，精准地匹配患者与临床试验，甚至可将临床成像和诊断数据纳入试验结果。随着时间推移，AI有望优化整个临床试验设计，通过将现实世界数据融入到试验中，从而减少安慰剂组人数，并降低患者的招募成本。 在未来，AI模型有可能创建出“数字双胞胎”，这些虚拟的患者副本可以帮助预测特定治疗的效果。美国食品药品监督管理局对使用现实世界数据的兴趣也在增加，意味着这正是公司探索并测试这些新方法的最佳时机。 在药物开发中，成功的关键在于数据。AI需要高质量的训练数据，而现阶段的临床试验虽然生成了大量数据，但尚未充分利用这些数据进行有效的模型训练。随着Highlander Health的资金大力支持，生物技术公司现在有机会在AI领域迈出重要一步，通过改进数据利用，推动药物研发的速度与效率。  （曹晟源摘译） end 本公众号声明： 1、如您转载本公众号原创内容必须注明出处。 2、本公众号转载的内容是出于传递更多信息之目的，若有来源标注错误或侵犯了您的合法权益，请作者或发布单位与我们联系，我们将及时进行修改或删除处理。 3、本公众号文中部分图片来源于网络，版权归原作者所有，如果侵犯到您的权益，请联系我们删除。 4、本公众号发布的所有内容，并不意味着本公众号赞同其观点或证实其描述。其原创性以及文中陈述文字和内容未经本公众号证实，对本文全部或者部分内容的真实性、完整性、及时性我们不作任何保证或承诺，请浏览者仅作参考，并请自行核实。

点击上方DIA资讯关注我们 DIA Glaobal Forum中文版 文章选读 虚拟患者，真实结果：数字孪生如何重塑药物研发 作  者：Colin Hill 作者单位：Aitia Bio 授  权：本文翻译已获作者授权 在医学领域，似乎没有比给有需求的患者提供安慰剂更残忍的事情。然而，尽管存在伦理方面的担忧，自20世纪50年代现代临床试验出现以来，所谓的对照组一直是医学进步的基石。没有它，科学界、患者和监管机构将缺乏数据来判断一种新疗法是否优于安慰剂或现有疗法。 除了伦理问题，实际操作中事情同样引发诸多难题。细胞和基因疗法等新兴治疗手段为患者带来了令人瞩目的进步，但这些药物只能在大城市的大型医疗中心中使用，使得临床试验招募变得更加困难，更不用说实现患者多元化所面临的挑战，美国食品药品监督管理局（FDA）正通过出台新指南重点解决这个问题。 幸运的是，技术发展催生出虚拟患者，或者说数字孪生。它可以用于从发现新候选药物到临床试验开发的各个环节。通过利用新生成的基因组、蛋白质组和临床数据，数字孪生正被用来提高研究结果转化为可行药物靶标的成功率，减少临床试验所需的人数，并用虚拟患者代替安慰剂对照组。 数字孪生的演进，从登月计划到分子研究 数字孪生并非新兴概念：美国宇航局（NASA）在20世纪60年代就提出了这个想法，并在“阿波罗13号”任务中使用“实物模型”帮助因氧气罐爆炸导致主引擎受损的宇航员。制造业也早已使用数字孪生，通过实体产品对自身的实验和想法进行模拟。例如，联合利华在其肥皂和洗涤剂中运用数字孪生技术减少了90%需要关注的误报。在中国，中信重工利用数字孪生和3D建模来预测设备故障，为其水泥业务提供运营和维护解决方案，节省了30%以上的成本。KINEXON公司借助数字孪生技术使汽车转配速度提高了5%，并显著减少了人为错误和产品召回。 但在医疗保健和生物医学领域，数字孪生直到最近才成为，这得益于DNA测序成本的急速下降下降⸺从2003年人类基因组计划花费27亿美元，降低到2023年Illumina公司的200美元，同时可以快速且低成本生成每个基因产物的高通量分子数据（多组学数据），以及计算能力的指数级增长。随着更多可用的遗传和多组学数据，以及在超级计算机上运行的生成性因果人工智能能够快速筛选信息，科学 家 们 现 在 可 以 先 在 计 算 机 中 进 行 模 拟 （ i nsilico），再进行活体动物试验（通常使用小鼠）（in vivo），最后在人体中开展临床试验。与现实世界中可能需要数年时间来确定一种实验药物是否安全有效不同，借助数字孪生，研究人员可以在数小时或数天内测试数十亿中猜想。 监管机构正致力于指定新的政策和指南，以允许在药物研发和临床试验中使用数字孪生。FDA发布了一份文件，详细说明了该技术的当前和未来的用途，表示其有潜力“以多种方式推动药物研发，包括助力更快地将安全有效的药物带给患者；扩大药物的可及性，从而促进健康公平性。”此外，FDA表示，数字孪生“可能提供一份全面、纵向且经计算生成的临床记录，描述特定参与者接受安慰剂可能出现的情况。”欧洲药品管理局（EMA）也已开始探索和实施纳入数字孪生的框架，从其更广泛的“人工智能行动计划”开始，对数字孪生在二期和三期临床试验中的应用给出了积极的资质认定意见。EMA的这一举措标志着监管机构首次认可基于机器学习的方法应用于关键临床试验。 制药公司和人工智能（AI）公司之间的合作已经初见成效。AI公司Unlearn与强生公司合作开展的研究表明，在三期阿尔茨海默症试验中，数字孪生可将对照组的规模减少多达33%。临床开发数据分析公司Phesi在6月证实，AI驱动的数字孪生能够在慢性移植物抗宿主病试验中取代标准治疗的对照组。 Phesi的首席执行官兼创始人Gen Li博士在于2024年9月发表于《应用临床试验》杂志的一篇文章中写道，“数字孪生技术使申办方在启动临床试验之前‘接触患者’，通过使试验设计和目标患者群体更好地契合，避免代价高昂的方案修正；并提高商业可行性”。 像素取代移液管（Pixels over Pipettes）：推进临床前研究 然而，医疗保健领域更大的一场革命，或许源于在药物研发过程中更早地运用数字孪生技术，即决定哪些疗法应进入人体试验的临床前阶段。平均而言，从靶点发现到新药获批大约需要 14 年时间，成本高达 10 亿美元以上，而失败率在 90% - 95% 之间。鉴于这些情况，生物制药公司一直在探寻新的、更有效的方法来提高成功率。 近年来，生物制药行业临床开发成功率出现令人担忧的下滑，获批上市的药物越来越少。疾病生物学的复杂性和靶标选择不当等因素，导致了较高的淘汰率。最近一份报告指出，一种新的一期临床试验药物获批的平均可能性仅为 令人沮丧的6.7%。 通过创建生物系统的虚拟模型，研究人员能够更好地预测哪些候选药物可能在临床研究中取得成果，最终减少对临床前研究的依赖。这并非只是理论设想；一项对人工智能发现的药物的分析表明，这些疗法在一期临床试验中的成功率 “显著” 高于传统方式发现的疗法，达到 80% - 90% 。如果这些成果在后续阶段可以依然保持，这将使制药行业现有的药物研发能力几乎翻倍。 在研发领域，数字孪生可用于创建疾病的计算机模型，使科学家能够基于人体生物学进行数十亿次虚拟实验。这些数字孪生模型是通过对驱动临床结果的已知及先前未知的基因与分子相互作用进行逆向工程构建而成。其关键区别在于使用因果人工智能：超越药物研发中传统使用的模式识别和相关性分析，去寻找真正的因果联系。有关因果人工智能的专题报道，可参见《全球论坛》2024 年 10 月刊。 这种方法的一个典型例子是在亨廷顿病研究中对数字孪生的应用。尽管研究人员早在 1983 年就确定了导致该病的基因，但有效的治疗方法却寥寥无几。为解决这一问题，研究人员利用一些规模最大的亨廷顿病研究数据创建了该疾病的数字孪生模型，生成的模型包含约 23000 个节点和 530 万种交互作用。 借助这个复杂的模型，研究人员得以确定一个影响亨廷顿病认知和运动功能的新靶点。一种抑制该靶点的小分子候选药物有望减缓运动症状的进展，同时不影响正常的细胞代谢。 这个结合了人类多组学数据、因果人工智能以及临床前和临床数据的数字孪生平台，也正应用于一系列肿瘤学和神经学疾病的研究，包括阿尔茨海默病、帕金森病、胰腺癌、前列腺癌和多发性骨髓瘤。 “目前，数字孪生方法最大的应用机会在于药物研发的临床前及生产环节，因为只有约 0.1% 的药物化合物能够进入人体临床试验阶段，所以提高这一比例是最大的投资回报点。”Medable 公司数字成果与治疗领域副总裁Musaddiq Khan说道，Medable 是一家为临床试验提供技术平台的公司。“随着我们能够从不同渠道收集并研究更多数据 ——通过可穿戴设备、健康记录、基因组数据以及历史数据集——我们将更有能力在数字孪生试验参与者中模拟特定途径和系统。” Khan补充说：“同样至关重要的是，研究人员不仅要做好收集相关数据的准备，还要确保使用数字孪生技术的操作优势，并且保证试验设计合理。此外，还有伦理方面的考量。我们如何验证预测结果？如果两个模型表现不同该怎么办？这就引发了关于如何在行业内进行标准化以便获得适当审批的更多问题。数字孪生为改善我们的研究方式提供了巨大潜力，但也需要进行很多前期思考。” 比特、字节和突破（Bits, Bytes, and Breakthroughs）：绘制数字生物未来蓝图- 行业专家认为，这项技术在变革药物研发方面潜力巨大。随着生物数据的数量和种类呈指数级增长——诸如单细胞组学等进展带来了更为详尽的认知——且人工智能和计算能力也同步提升，预计会出现更精准、更具预测性和解释性的数字孪生模型。 数字孪生技术的更广泛应用，有望降低长期困扰制药行业的高淘汰率。在药物研发早期，数字孪生有助于识别更有潜力的药物靶点以及能够抑制这些靶点的优化化合物。在临床开发阶段，数字孪生可通过筛选出会对药物产生反应的患者来完善试验设计，还有助于优化试验方案、预测入组率并预估完成时间。 通过模拟患者反应，数字孪生或许还能促成更有效的适应性试验设计，使研究人员能够实时做出基于数据的决策。这可能会带来更高效的试验，减少对患者数量和资源的需求。它们甚至有可能减少或消除临床试验中对安慰剂组的需求。“要实现数字孪生的广泛应用并产生变革性影响，需要全行业的协作与数据共享，” Khan说道，“我们正朝着正确的方向前进，尤其是借助去中心化试验证据生成平台和人工智能驱动的工具。我预计这一领域会取得重大进展，但人体和所研究药物的复杂性意味着这并非易事。” 随着该领域的持续发展，科技公司、药物研发企业、监管机构和医疗服务提供商之间的合作至关重要。通过整合多样的专业知识和数据来源，行业能够朝着数字孪生成为药物研发过程不可或缺一部分的未来迈进，这有可能带来更有效的治疗方法、降低研发成本、缩短药物上市时间，最终为患者带来更好的治疗效果。 阅读DIA Global Forum中文版全部文章，请扫描二维码加入优享Plus。 优享Plus可直接登录网站查看完整版 SETP 1 进入优享Plus学员登录优惠专区 http://kc.dianow.cn/ STEP 2 使用学员账号登录，从“课程中心”进入，查看您Plus权益中的DIA“Global Forum中文版”完整版阅读 DIA中国近期会议/培训 2026 May 14-17 ● 2026 DIA药物信息大会暨展览会 ► 点击阅读 Sep 18-19 ● 2025 DIA 第六届M4/M8全球与中国申报 实战经验研讨班 ► 点击阅读 Sep 26-27 ●2025 DIA 大湾区专题会议暨第二届药品监管 科学澳门论坛 ► 点击阅读 Oct 21-22 ●2025 DIA 从中国出发-全球影响力由此开启 DIA北京论坛 ► 点击阅读 Oct 23-25 ● 2025 DIA  药物研发定量科学论坛（QSF） ► 点击阅读 Nov 1 ● AI在医药研发中的合规体系构建与策略设计 ► 点击阅读 Nov 14-15 ● 高级统计学 贝叶斯早期创新临床试验(Ib+II)线下班 ► 点击阅读 Nov 20-21 ● 2025药物警戒科学和风险管理论坛 ► 点击阅读 关于DIA DIA是一个全球化、跨学科的国际性学术平台，在中立的环境中，融合医药研发领域全行业的意见领袖，探讨当前研发的技术问题，提升专业能力，以及催化行业共识，在全球医药研发领域享有很高的声誉。 扫码关注我们 微信号｜DIA资讯 长按识别左侧二维码即可关注 我们努力为你提供有内容的内容。