今年4月，FDA一则将分阶段取消单克隆抗体和其他药物研发中的动物实验要求，优先采用人工智能(AI)模型、类器官、器官芯片等非动物测试方法，以提高预测准确性、降低研发成本并加速药物上市的规定，犹如一颗重磅炸弹在全球医药领域掀起了波澜，也为医药研发的非临床研究领域带来了全新的机遇与挑战。

在此背景下，如何借助 AI 提升非临床研究的效率，成为了众多药企、科研机构以及相关从业者关注的焦点。近日，一场由北京英飞智药科技有限公司等单位主办的“FDA新政下，如何用AI提升非临床研究的效率”活动在北京成功举办，业内学者、创业者齐聚一堂，共同探讨在 FDA 新政下，利用 AI 提升非临床研究效率的有效路径。

新政解读：AI助力临床前研究

中国医学科学院肿瘤医院GCP中心临床负责人王书航对FDA新政进行了解读。从她的介绍中可以知道，其实业界对于减少动物实验的主张由来已久。

早在1959年，英国动物学家William Rusell和微生物学家Rex Burch就提出3R原则：Reduction(减少)、Replacement(替代)和Refinement(优化)，以此来减少动物在科研和测试中的使用，同时提高伦理性和结果的可靠性。

现在来看，FDA减少动物实验是多维度考虑后的结果：

从科学的角度看，随着AI等技术在研究中的应用，物种差异瓶颈被打破;从伦理角度看，减少实验动物使用，符合3R原则;从经济角度看，减少动物实验，有望缩短研发周期，降低开发成本。

 而FDA为何选择从单克隆抗体药物开始?可能有以下几方面原因：

从免疫原性来说，动物对人源化抗体产生免疫反应，改变暴露剂量。

从实验室环境影响来说，实验室生活的压力和研究用途可能会影响免疫功能、炎症反应、代谢以及疾病易感性和进展。

从人体预测效果来说，效果受限，动物模型可能无法发现安全性风险。

从价格来说，其成本昂贵，约6.5亿至7.5亿美元，耗时长达9年。

对于提高药物安全性并加速评估过程，同时减少动物实验，降低研发成本并最终降低药物价格，FDA给出的替代方法有：基于AI的计算模型、实验室环境中的类器官毒性测试和来自其他国家的预先存在的真实世界安全数据。

具体到AI的应用，其在药物研发中有三大战略目标需要实现：机制解析突破、临床前预测革新和全流程创新驱动。

在机制解析方面，深化疾病机制认知、提示分子互作机制、解析药物药效动力学特征。

在临床前预测方面，无需大规模临床试验、精准预测药代动力学参数。

在全流程创新方面，先导化合物智能化发现、候选药物多维优化、治疗配点系统识别、患者分层精准选择都是AI正在或即将实现的功能。

AI制药落地的核心挑战

作为国内知名AI制药企业，英飞智药一直以创新药物为目标，以人工智能为驱动，致力于打造全球最硬核的AI药物设计系统伙伴，专注于发展应用于真实世界的药物设计技术。

其创始人兼首席科学家裴剑锋在《如何用Al设计高成药性分子》主题演讲中提到，目前AI药物设计的整体成功仍然偏低，稳定的高设计成功率是AI制药落地不可回避的核心挑战。

为此，英飞智药推出了两大产品来提高成功率，分别是一站式分子设计与评估计算平台PharmaMind®和靶点发现与评价计算平台TopTargets®。

PharmaMind®是一站式分子设计与评估计算平台，会针对不同来源的数据资料进行标准化的清洗与对齐流程;针对高质量数据，充分利用人工智能、计算机辅助药物设计、生物与药物信息学等前沿的技术，开发高质量计算模型;可灵活运用与迭代高质量模型，针对表型、靶点或已知配体进行的高精度分子设计。

例如其超高精度AI药物筛选工具——MolClip。“在各种标准数据集上性能优于同类虚拟筛选工具、计算速度比AF3快1000倍;在一个例子中仅筛选20个化合物即得到2个活性好于阳性药物的纳摩尔级别的分子，体现了高质量数据的迭代和更高的性能上限。”

在分子成功药性预测方面，其高精度的类药性预测工具PCCLikeness的精度也远超业界常用的QED指标。

TopTargets®是靶点发现与评价计算平台，可探索生物分子间的相互作用，以全面地理解疾病发生机制，保证靶点发现的合理性与有效性;也可通过生物疾病网络、蛋白序列与结构、化合物等多层次信息来挖掘和评价潜在的靶点的价值。

随着 FDA 新政的逐步推进和 AI 技术的不断发展，未来非临床研究领域有望迎来一场深刻的变革。在政策支持和技术创新的双重推动下，我们有理由相信，AI将在非临床研究领域创造更多的价值，为全球患者带来更多安全有效的创新药物，推动医药行业迈向一个新的发展阶段。