AI制药的瓶颈:不在算法,在临床样本
王中健
创始人 CEO
视频简介
AI制药把候选分子的数量推向了指数级增长,但候选分子最终转化为临床成果的比例,仍然停留在10%左右。分子变多了,药并没有同比例变多,问题到底出在哪里?本视频围绕两条主线展开:高质量的数据底座,以及可以不断回血的干湿闭环验证。
从临床前阶段看,结构预测、分子生成、靶点发现和虚拟筛选都已经明显提速,临床一期成功率也有大幅提升。但到了二期,成功率仍然卡在40%左右,三期更是还没有AI原研药获批。原因在于,算法擅长基于已有数据做预测,而面对没见过的耐药机制、免疫互动和体内药代动力学,预测能力会骤然下降。
那么这个底座该怎么建?视频的观点是,专病队列在AI时代同时承担数据源、试验场和裁判员三重角色,真正有价值的队列,要让每一份样本同时产出分子、功能和临床结局三类配对数据。其中,新鲜的临床样本保留了细胞活性、自体免疫环境和细胞比例,是其他材料很难替代的第一手原料。
光有队列还不够。临床结局只能告诉我们用过的药有没有效,没用过的药则是一片空白,需要中间层的功能验证来补。PDX模型、类器官以及快速体内药敏平台,可以在患者新鲜样本上完成药敏测试,把算法的预测变成能够核对的证据,再把结果回写给算法,一轮一轮地迭代。
最后,视频还以细胞层面的预测模型为例,说明真正的卡点是同源数据的质量和实验验证的迭代速度。一个起点只有60分的算法,借助真实的患者样本完成三到四轮迭代,就有机会涨到90分。想进一步了解AI制药与转化医学的相关内容,欢迎继续观看摩熵医药的更多同类视频,获取更多药物研发资讯。
确定
微信扫码预约
对不起!您还未登录!请登录后查看
立即登录




