AI在药物研发中的应用边界与合规考量：风险分级与监管框架

人工智能正在快速渗透药物研发的各个环节——从靶点发现、先导化合物优化到临床试验数据分析。AI带来的效率提升令人振奋，但一个不容回避的问题是：在高度监管的药物研发领域，AI的应用边界在哪里？如何在发挥AI优势的同时，满足监管合规要求并确保患者安全？理解AI在药物研发中的应用边界与合规考量，是每一个涉足AI制药的团队必须面对的课题。

AI在药物研发中的应用层次与风险分级

不是所有AI应用都承担同等级别的风险。根据AI在研发决策中的角色和影响程度，可以将其分为不同层级，每一层级的合规要求有所不同。

全球主要监管框架概览

FDA的立场

美国FDA持续关注AI/ML在药物研发中的应用，强调基于风险的监管方法。FDA在多个讨论文件中提出：AI模型应具备可解释性，输入数据质量需要被评估验证，AI辅助的结论需要人类专家复核，模型在真实世界中的持续性能监控机制必不可少。

中国监管动态

中国NMPA对AI在药物研发中的应用持审慎开放态度。监管关注的核心问题是数据完整性、模型可靠性和决策可解释性。研发企业需要对AI工具的使用建立内部SOP，明确AI辅助分析的适用范围、验证标准和人工审核流程。

AI药物研发的合规实践框架

建立AI工具使用SOP

对于引入AI工具的研发团队，建议建立书面的AI使用标准操作规程（SOP），至少涵盖：适用AI的场景清单和不适用的禁区、AI输入数据的质量要求和来源验证流程、AI输出结果的复核标准和流程——包括何时需要独立验证、模型版本管理和变更控制流程、异常情况和偏差的处理程序。

模型验证与文档化

用于药物研发关键决策支持的AI模型应当经过系统验证。验证文档应包括：训练数据和测试数据的来源和特征描述、模型性能的评估指标和结果、已知局限性和适用范围的说明、与其他方法（如传统统计方法）的对比分析。这些文档在注册申报时可能需要作为支撑材料提交。

保持人的最终决策权

在当前监管框架下，AI不应成为药物研发中涉及安全性或有效性的最终决策者。无论AI的分析预测看起来多么可靠，关键决策（如候选药物是否进入临床、临床试验是否因安全性暂停）必须保留人类的专业判断和最终责任。衍因科技的灵研合规助手 yanReviewer 定位为AI辅助审核工具，其输出供专业人员参考和复核，而非替代专业判断。

常见问题

AI辅助设计的药物需要额外申报资料吗？

目前各主要监管机构尚未要求专门的"AI申报"途径，但如果在研发过程中使用了AI工具进行关键决策支持，建议在申报资料中说明AI工具的使用情况、验证数据和人类专家复核的记录。透明度是建立监管信任的关键。

如何证明AI模型没有"过拟合"？

通过使用独立的、不在训练集中的测试数据进行验证，并说明测试数据与训练数据的分布差异。对于关键预测模型，建议进行外部验证（使用完全不同的数据集）和前瞻性验证（在新产生的数据上验证预测准确性）。

AI工具供应商变更或模型更新了怎么办？

模型更新应被视为变更控制的范畴。需要评估更新的影响范围和风险等级，对于影响关键决策的模型更新，可能需要重新验证、桥接研究或在申报资料中进行说明。

小团队如何平衡AI创新和合规要求？

对于资源有限的小型研发团队，关键是"用好AI、管好边界"。从低风险的信息辅助应用开始积累经验，逐步向分析辅助延伸。确保所有AI输出有据可查、有人复核。选择合规设计完备的AI科研平台可以降低自建合规体系的成本。

AI正在成为药物研发不可或缺的工具，但技术越强大，边界意识越重要。在合规的框架内创新、在透明的原则下应用、在人类的监督下决策——这是AI制药走得远、走得稳的根本保障。对于认真对待AI技术的研发团队而言，合规不是创新的障碍，而是赢得监管信任和患者信心的基石。