AI在药物研发中的应用边界与合规考量：从监管框架到企业实践

AI技术在药物研发领域的应用正以前所未有的速度扩展：从靶点发现阶段的蛋白结构预测、先导化合物优化，到临床前阶段的毒性预测、生物标志物发现，再到临床试验方案的设计优化。然而，与AI能力同步增长的，是业界对其应用边界的认知和监管框架的逐步建立。对于药企研发管理者和平台建设者而言，厘清"AI可以做什么、不能做什么、在什么条件下可以做"，是合理部署AI技术、避免合规风险的前置功课。

AI在药物研发中的合理应用场景

早期发现与探索阶段

在靶点发现和先导化合物优化阶段，AI的应用空间相对较大。AlphaFold等蛋白结构预测工具已被广泛用于辅助结构生物学研究，生成式AI可用于分子生成和性质预测，知识图谱和大语言模型可用于文献和专利信息的快速梳理。此阶段的核心特征是：AI的输出是"可进一步验证的假设"，而非"直接决策依据"。每一项AI预测都需要通过后续实验进行验证。

临床前开发阶段

在ADME/T性质预测、毒性风险评估、制剂优化等环节，AI可以作为辅助工具加速筛选和优先级排序。但需要注意：如果AI预测结果将作为IND申报中的安全性评估依据之一，则预测模型本身需要经过充分的验证和文档化——包括训练数据的来源和质量、模型的验证方法和性能指标、预测结果的不确定性评估等。

临床试验阶段

AI在受试者筛选、方案依从性监测、不良事件信号检测等方面有辅助价值，但其应用受到最严格的约束。临床试验中的关键决策（如剂量调整、安全性信号判断、有效性终点评估）必须由合格的研究者和数据监查委员会做出，AI不可替代这些法定和专业的决策责任。

AI应用的核心合规考量

模型验证与文档化

如果AI模型的输出被用于支持监管决策，该模型应符合计算机化系统验证（CSV）的基本原则：明确的预期用途、验证过的算法和参数、受控的输入数据、记录在案的验证结果。这并不意味着每个AI模型都需要"完全锁定不可变更"——但模型变更需要有变更控制流程，变更前后的性能对比需要有记录。

数据完整性与可追溯

AI模型的训练和推理所涉及的数据必须满足ALCOA+数据完整性原则：可归属、可读、同步记录、原始（或经认证副本）、准确。特别需要注意的是，AI模型不能作为"数据过滤层"——不能使用AI模型自动筛选掉"不理想"的实验数据而未经人工审核和记录。

可解释性与透明度

监管机构对"黑箱"AI模型在关键决策中的应用持审慎态度。当AI模型被用于安全性相关评估时，应具备合理的可解释性——即能够说明"为什么给出这个预测"。对于深度学习模型，可通过SHAP、LIME等可解释性工具提供特征重要性分析，但需要认识到这些事后解释方法的局限性。

监管框架的演进

需要强调的是，AI制药的监管框架仍在快速演进中。上述指南的适用性和具体要求可能随监管机构的进一步讨论而更新。建议团队的法规事务（RA）部门持续跟踪最新动态，在产品开发早期即与监管机构进行沟通。

企业建立AI合规使用边界的实践建议

制定内部的AI使用分级策略

根据AI应用对患者安全和数据可靠性的影响程度，制定分级管理策略。例如：Level 1（探索性使用）——AI仅用于内部研究探索，不做任何监管决策依据；Level 2（辅助性使用）——AI辅助人工决策，但最终由人工确认并记录决策依据；Level 3（关键性使用）——AI输出直接影响监管提交内容，需要完整的验证文档和审批流程。

建立AI模型的版本管理和变更控制

每一个用于研发决策的AI模型，其训练数据、模型架构、超参数和验证结果都应文档化并受版本控制。模型更新后，需要在代表性数据集上验证新旧版本的性能差异，并评估变更对已有项目结论的潜在影响。

确保人机责任的清晰界定

在AI辅助药物研发的工作流中，必须明确"人"是最终的决策者和责任承担者。系统应设计为"AI提供建议和证据，人执行判断和决策"，并在审计日志中清晰记录每一步决策的主体和依据。

衍因灵研合规助手在AI合规方面的设计

衍因科技的灵研合规助手（yanReviewer）在设计时充分考虑了AI在药物研发中的合规边界。其AI审核功能提供的是"基于法规条款的合规提示"，每条审核建议均附带具体的法规条款引用，供人工复核确认。系统不会自动做出"通过/不通过"的合规判定，也不会在未经人工确认的情况下修改任何研发文档。灵研科研助手（yanResearch）的AI文献解读和实验总结功能同样遵循"AI建议-人工确认"的交互模式，确保AI始终处于辅助位置。平台底层的AI MEGASphere提供了统一的模型版本管理和审计日志，为AI在合规环境中的受控使用提供技术保障。

常见问题

AI预测的化合物活性数据可以直接用于IND申报吗？

不建议。目前监管机构期望IND中的药理学和安全性数据来自经过验证的实验方法。AI预测结果可以作为内部决策参考或实验设计的辅助信息，但在替代实验数据作为申报依据之前，需要与监管机构进行预沟通并获得认可。

使用公开的AI模型（如AlphaFold）需要做额外的验证吗？

如果预测结果仅用于内部研究参考，通常不需要额外验证。但如果预测结果将作为监管提交的支持性信息之一，建议对模型的适用范围、预测性能（尽量使用内部数据验证）和局限性进行文档化评估。

AI模型更新后，之前基于旧模型做出的决策如何处理？

这需要个案评估。如果新旧模型的预测结果一致，通常不需要回溯修正。如果新模型给出的预测与旧模型显著不同，且旧模型的预测曾作为重要决策的依据，则需要评估该决策是否需要复核。这正是AI模型变更控制流程需要提前设计的原因。

CDMO/CRO使用AI辅助研发，申办方需要关注什么？

申办方应在合作协议和质量协议中明确CRO/CDMO使用AI的范围、验证要求、数据完整性和审计权限。作为最终的数据和申报责任人，申办方需要对服务商使用的AI工具和流程进行适当的尽职调查。

如果您关注AI在药物研发中的合规应用和边界设计，欢迎了解衍因灵研智能体（yanAgent）在可追溯性和合规设计方面的实践，获取针对您研发阶段的AI合规应用建议。