202502-FDA-人工智能和机器学习在药品和生物制品研发过程中的运用Using Artificial Intelligence & Machine Learning in the Development of Drug & Biological Products-附下载

当人工智能（AI）与机器学习（ML）技术渗透到医疗健康的核心领域，药物开发这一长期被 “高投入、长周期、高风险” 困扰的行业，正迎来前所未有的变革契机。近日，美国食品药品监督管理局（FDA）发布的《人工智能和机器学习在药品和生物制品研发过程中的运用》（2023 年发布，2025 年修订），不仅系统梳理了 AI/ML 在药物开发全流程的应用现状，更开启了监管机构与行业各方的深度对话。

一、AI/ML：药物开发 “效率引擎”

药物从实验室到临床应用，需历经发现、非临床研究、临床研究、上市后监测及生产等多个阶段，每个环节都面临着数据庞杂、决策复杂、成本高昂等难题。FDA 在文件中明确指出，AI/ML 的核心价值在于通过数据驱动的智能分析，破解这些传统痛点，其应用已覆盖药物开发的全生命周期。

在药物发现阶段，AI/ML 正成为靶点识别与化合物设计的 “加速器”。传统靶点筛选依赖大量文献调研和实验验证，而 AI 能整合基因组学、转录组学等多组学数据，从海量生物信息中挖掘潜在药物靶点的结构与功能，预测其在疾病通路中的作用；在化合物筛选环节，AI 模型可快速预测化合物的化学性质、生物活性及潜在毒性，甚至通过 “从头设计” 技术生成全新的药物分子结构，大幅减少实验筛选的盲目性。例如，AlphaFold 等 AI 工具在蛋白质 3D 结构预测中的突破，为精准设计靶向药物提供了关键支撑。

进入非临床研究阶段，AI/ML 赋能 pharmacokinetic（PK）/pharmacodynamic（PD）建模，让药物代谢与疗效预测更精准。传统 PK/PD 模型难以处理复杂的时间序列数据和个体差异，而递归神经网络等 ML 算法能整合动物实验、体外细胞模型等多源数据，构建更贴合真实生理机制的预测模型，为后续临床剂量设计提供可靠依据。

在临床研究阶段，AI/ML 的应用更是多点开花。临床招募中，AI 通过挖掘电子健康记录（EHRs）、社交媒体、疾病登记库等数据，快速匹配符合试验标准的受试者，解决传统招募 “耗时久、覆盖面窄” 的问题；受试者筛选与分层方面，AI 模型可基于基线特征预测患者的治疗反应和不良事件风险，帮助研究者富集目标人群，提升试验效率；数据管理环节，AI 能自动完成数据清洗、重复检测、缺失值填充，甚至通过自然语言处理（NLP）整合非结构化数据，让临床数据更高效地转化为可用证据。值得关注的是，AI 还推动了去中心化临床试验、虚拟患者模型（数字孪生）等创新模式，进一步降低试验成本、扩大受试者覆盖面。

上市后安全监测与先进制药制造是 AI/ML 的另两个重要应用场景。在 pharmacovigilance（PV）领域，AI 能自动处理海量的个体病例安全报告（ICSR），从文献、社交媒体等多源数据中识别潜在的药物不良事件信号，快速完成病例分类、因果关系评估，大幅提升上市后药物安全监测的响应速度；在制造环节，AI 通过数字孪生优化生产工艺设计，利用实时传感器数据实现先进过程控制，通过智能监测预测设备故障，不仅能提高药品质量稳定性，还能减少生产浪费，助力 “工业 4.0” 在制药行业的落地。

二、FDA 关注的三大核心议题

技术潜力的释放离不开对风险的审慎管控。FDA 在文件中强调，AI/ML 在药物开发中的应用并非 “无懈可击”，其复杂性和不确定性带来了独特挑战，需要从三个核心维度建立规范：

1. 人为主导的治理、问责制与透明度

AI/ML 模型的 “黑箱” 特性是行业普遍担忧的问题。FDA 提出，药物开发中的 AI/ML 必须坚持 “人为主导”，建立清晰的治理框架和问责机制 —— 从模型设计、数据选择到结果解读，都需要明确责任主体，确保决策过程可追溯、可审计。同时，透明度至关重要：开发者需向监管机构和利益相关者清晰说明模型的开发过程、训练数据、性能指标及潜在局限性，避免因 “算法黑箱” 导致的监管信任缺失。例如，在临床 trial 中使用的 AI 筛选工具，不仅要证明其有效性，还需解释筛选逻辑，确保不会因算法偏差导致特定人群被歧视性排除。

2. 数据的质量、可靠性与代表性

AI/ML 的性能高度依赖数据质量，而药物开发数据往往存在来源分散、标准不一、存在偏差等问题。FDA 指出，数据的 “代表性” 是关键 —— 训练数据必须充分覆盖药物的目标人群（包括不同年龄、性别、种族、合并症患者），否则可能导致模型在真实世界应用中出现偏差，影响药物的安全性和有效性评估。此外，数据完整性、隐私保护、可重复性也是核心要求：开发者需建立严格的数据管理流程，防范数据造假、缺失或泄露，同时确保模型训练过程可复现，避免因数据问题导致模型性能不稳定。

3. 模型开发、性能监测与验证

药物开发的严肃性要求 AI/ML 模型必须经过严格的验证和持续监测。FDA 提到，模型开发需遵循 “风险导向” 原则，根据应用场景的风险等级（如用于晚期疾病药物疗效评估的模型 vs 用于早期药物筛选的模型）制定差异化的验证标准。同时，模型的 “动态性” 带来了额外挑战：AI/ML 模型可能会随着新数据的输入而持续迭代，这种 “自适应” 特性需要建立明确的变更控制计划，确保模型迭代后的安全性和有效性仍能得到保障。此外，模型的不确定性评估也不可或缺 —— 开发者需量化模型预测结果的置信区间，向使用者清晰传递 “模型并非绝对可靠” 的信号，避免过度依赖算法决策。

为应对这些挑战，FDA 参考了多项现有标准和框架，例如用于计算模型验证的 V&V 40 框架、医疗设备领域的良好机器学习实践（GMLP）等，同时强调需结合药物开发的特殊性，探索适配的规范体系。

三、监管与合作

作为医疗健康领域的重要监管机构，FDA 并未采取 “一刀切” 的严苛监管，而是以 “促进创新、保障安全” 为目标，推动多方协作。文件明确提出，后续将通过三大路径推进 AI/ML 在药物开发中的规范化应用：

一是广泛征集反馈：针对文件中提出的核心问题（如不同应用场景的监管清晰度需求、数据偏差的解决方法、模型透明度的实现路径等），向行业、学术界、患者群体等利益相关者征集意见，为后续监管框架制定提供依据；

二是深化多方合作：通过 Critical Path Innovation Meetings（CPIM）、ISTAND 试点项目、新兴技术计划等平台，加强与企业、科研机构的沟通，及时了解 AI/ML 技术的最新进展，为开发者提供早期指导；

三是推进监管科学研究：联合外部学术和临床合作伙伴，开展 AI/ML 模型 robustness、偏差识别、透明度评估等方面的研究，完善监管工具和方法，确保监管能力与技术创新同步发展。

值得注意的是，FDA 强调，这些监管探索并非为了限制创新，而是为了构建 “可信的创新环境”—— 通过明确边界、降低风险，让 AI/ML 技术更好地服务于药物开发，最终惠及患者。

四、结语

FDA 的这份讨论文件，不仅是对当前 AI/ML 在药物开发应用的系统梳理，更预示着一个 “智能 + 合规” 的行业新时代。未来，随着技术的成熟和监管框架的完善，AI/ML 有望从根本上改变药物开发的模式。

当然，这一切的实现离不开监管机构、企业、科研机构和患者的共同努力。正如 FDA 在文件中所强调的，AI/ML 在药物开发中的应用是一个 “持续学习、持续完善” 的过程 —— 唯有在创新与风险之间找到平衡，才能让技术真正服务于 “保护、促进和推进公共健康” 的核心使命。

链接：https://pan.quark.cn/s/22084df28536