Nat. Biotechnol.｜AI驱动的新方法正在重塑动物实验，但全面替代仍需时间

传统临床前研发长期依赖小鼠、大鼠和非人灵长类模型，但跨物种差异使实验结果难以稳定外推至人体，免疫学尤其如此。实验动物通常近交繁殖，研究设计还可能只使用单一性别；即便给药剂量远高于人体暴露水平，也未必能够复现人类疾病或发现人体特异毒性。支持新方法学的一方据此指出，以动物为中心的药物开发伴随约95%的失败率和高昂成本，既拖慢候选药物进入临床，也可能在安全性判断上留下盲区。

FDA所说的新方法学（new approach methodologies，NAMs）并非某一种单独技术，而是能够在临床前阶段减少或避免动物使用的一组体外与计算方法。其中既包括已经发展多年的类器官和器官芯片，也包括整合器官功能、医学影像、组学数据与生物标志物的新型AI生物模拟。AI在这里并不直接取代实验，而是负责从高维、多模态检测数据中提取模式，预测在不同药物或生理条件下可能出现的响应，使人源模型从“可观察”进一步走向“可计算、可比较”。

TGN1412事件集中体现了这一风险。这种靶向CD28的“超级激动剂”抗体在小鼠和非人灵长类动物中完成临床前安全测试，后者接受的剂量最高达到人体剂量的500倍，却没有暴露关键毒性。进入伦敦开展的I期试验后，6名健康志愿者均出现危及生命的细胞因子释放综合征。该案例说明，问题并非简单增加动物数量即可解决，而在于模型没有重建人体免疫系统的反应条件。

AI首先改变的是科研推理的规模和速度。Google牵头的团队开发了多智能体系统Co-Scientist，用结构化方式执行科学思考和假设生成，并在药物再利用、靶点发现和抗菌药耐药机制三个生物医学领域进行验证。另一支由非营利AI研究机构FutureHouse领导的团队构建Robin系统，将干性年龄相关性黄斑变性的潜在治疗策略指向增强视网膜色素上皮的吞噬作用。

Robin进一步识别出药物再利用机会：日本已批准用于青光眼治疗的Rho激酶抑制剂ripasudil，并通过机制分析把ATP结合盒转运蛋白A1（ABCA1）脂质外排泵指向另一潜在靶点。这里的价值不只是自动检索文献，而是让多个智能体围绕证据、机制和实验方向协同推理，形成可以进入实验验证的假设链。Incyte已与FutureHouse的商业衍生公司Edison Scientific合作，计划在研发体系中使用下一代系统Kosmos，显示这类工具正从学术验证走向产业流程。

数字孪生把器官功能、影像、转录组、蛋白质组和生物标志物等信息与AI结合，用计算模型模拟特定器官在不同条件下的变化。多伦多肺移植项目利用1000个人体供肺的多模态数据建立肺数字孪生。这些肺均经历离体肺灌注，临床团队可在体外维持器官并评估是否需要清除血栓、感染或过多液体，使其达到移植标准。模型的近期用途是辅助外科决策，团队也在使用移植受者的病变肺建立特发性肺纤维化和慢性阻塞性肺疾病数字孪生，为直接在人肺背景中研究药物反应提供基础。

心血管领域拥有丰富影像、物理机制数据和成熟三维建模传统，因此成为数字孪生的活跃方向。杜克大学Amanda Randles团队开发了随时间模拟血流的新方法，既往公开结果覆盖450万次心跳，约相当于六周。一项正在评审的新研究已扩展到完整一年的血流。如此高的时间分辨率可用于持续监测已确诊患者，在急性事件发生前判断干预窗口，也为药物筛选提供更接近长期生理过程的计算环境。

数字孪生的优势也决定了它的边界：模型只能反映训练数据和建模假设所覆盖的生物过程。Emory大学Ashley Eadie将肝脏和肿瘤学列为另外两个重点领域，前者与药物性肝损伤这一晚期失败主因相关，后者拥有大量临床基因组数据并重视个体化治疗。但任何局部模型都尚未完整复现人体整合生理网络，若缺少跨器官作用、免疫反馈或长期适应机制，预测仍可能产生系统性偏差。

更成熟的新方法学正在通过AI提高预测能力。Parallel Bio使用人体血液和淋巴结组织中的完全分化细胞培养淋巴结类器官，以模拟人体免疫系统。与需要复杂分化流程的干细胞路线不同，这些类器官可在标准96孔板中生长，并接入现成机器人开展规模化筛选。该公司即将发表的研究显示，其淋巴结类器官能够对TGN1412产生类似休克的反应，而人血和非人灵长类动物血液都没有重现该反应，进一步说明外周血并不是完整免疫系统的可靠替代品。Parallel Bio已代表8家制药合作伙伴评估超过50种药物和免疫疗法，其中包括Centivax通用流感疫苗的临床前测试。

Vivodyne则把细胞自组织能力与机器人控制的微流控系统结合，单个器官模型包含20万至50万个细胞，并通过血管化设计改善药物摄取的模拟。其平台已培养20多种人类器官模型，覆盖从早期发现、先导物优选和毒性评价到临床试验分层的临床前流程；公司称实验周期可缩短十倍。这些结果仍需独立验证，但它们展示了“在人身上试验、又不直接让人承受早期风险”的技术方向。

ISTAND自2020年以试点形式建立，之后转为常设项目，目前约有20项申请处于不同阶段，但尚无NAM正式完成FDA资格认定，部分申请已经被拒绝。开发者可以在具体药物项目中使用未获资格认定的工具，但一旦完成资格认定，该工具便可在约定使用情境内进入任何药物开发项目，而无需每次重新接受同等审查。这一高门槛解释了为什么技术快速涌现并不等于监管路径会同步改写。

监管验证还必须回答三个层面的问题：模型针对哪一种决策有效，性能相对于现有方法改善多少，以及在数据来源、疾病亚型或实验条件改变后是否仍然可靠。用于预测药物性肝损伤的肝芯片，不能因此自动获得评估免疫毒性或疗效的资格；以移植供肺训练的数字孪生，也需要证明能否推广到不同疾病人群。把适用情境写清楚，并持续记录误差和失效案例，是这些平台进入药物申报体系的前提。

未来的核心是为每个决策寻找最具人体相关性的证据组合。多智能体系统适合生成和梳理假设，数字孪生适合模拟连续生理过程，类器官和器官芯片可提供人源组织层面的实验响应，药代模型则能在边界明确的任务中支持剂量与相互作用判断。它们相互补充，却都不能单独覆盖完整人体生理。