简介:本文对比大型制药与大型软件的规模化路径,梳理数据、迭代速度、监管、成本结构和复用性的差异。文章给出可迁移能力、不可迁移边界和选型检查清单,帮助技术负责人判断哪些软件方法可用于生物医药AI项目,哪些环节必须保留行业流程。
有观点认为,生物医药AI正处在类似大规模预训练模型刚出现拐点的阶段,未来几年药物发现可能出现新的研发路径。这一预期值得关注,但需要先看清前提。模型能否在新任务上减少甚至免去任务相关训练,取决于三个条件:任务分布与预训练数据是否接近,标注数据量是否足够,评估口径是否统一。满足这些条件时,基础模型或多任务学习才能减少训练成本。若目标靶点、分子类型或实验条件与预训练数据差异较大,模型效果可能明显下降。
软件行业经过多年发展,已从定制开发走向标准化产品和平台生态。制药行业则依赖实验室研发与临床试验,周期长,投入高,并受监管约束。两个行业的差异决定了软件经验能迁移到哪些环节,又会在哪些环节遇到边界。
技术负责人评估生物医药AI项目时,通常会问三个问题:这类项目能否像软件产品一样复用?数据、模型和实验室流程各自承担什么角色?什么情况下必须保留传统研发流程?下文依次回答。
本文对软件行业的描述基于三种通用模式:标准化交付、平台化扩展和订阅或用量计费。SaaS 产品常以周或月为单位发布版本,但核心平台与基础设施的变更周期通常更长。边际复制成本低,这一结论成立的前提是产品已完成开发,且用户增长不需要大量定制实施。具体周期和成本因产品类型与企业规模而异,本文不引用固定数字。
先给结论:软件经验最容易迁移到数据工程、模型服务和研发管理环节,最难迁移到临床验证和审批环节。
| 维度 | 大型软件 | 大型制药与生物医药研发 | 生物医药AI可迁移条件 | 不可迁移边界 |
|---|---|---|---|---|
| 数据 | 用户行为日志可大量采集,数据在产品运行中自然产生 | 数据来自实验、临床和文献,获取慢、成本高,格式不统一 | 建立统一数据标准和元数据管理,记录实验批次与来源 | 湿实验数据量有限,无法像日志那样快速扩大 |
| 迭代速度 | 版本发布常以周或月计,用户反馈可直接回流 | 一个研发周期常以年计,结果依赖实验和临床观察 | 计算预测和虚拟筛选可以快速迭代,用于缩小实验范围 | 实验验证和临床结论的反馈周期无法压缩到软件级别 |
| 监管 | 以隐私、信息安全和行业合规为主 | 需满足 GLP、GCP、GMP 等规范,药品注册需经监管机构审评 | 模型版本、数据来源和决策依据可追溯,满足数据完整性要求 | 模型输出不能替代临床证据,上市审批依靠临床数据 |
| 成本结构 | 边际复制成本低,主要成本在研发和运营 | 研发成本集中在临床阶段和失败项目,需要按项目摊销 | AI 可降低早期筛选成本,但验证实验成本仍需计入 | 失败项目的成本难以通过软件式规模效应摊薄 |
| 规模化瓶颈 | 多在工程能力、获客和留存 | 多在实验通量、样本获取和临床入组 | 借助自动化实验平台和算力提高通量 | 生物系统复杂,个体差异大,体外结果外推受限 |
药物从发现到上市通常要经过多个阶段。下表列出各阶段的主要工作和监管要点。周期为行业常见的粗略估计,实际因疾病、靶点和项目而异。
| 阶段 | 主要工作 | 周期参考(粗略) | 监管要点 | 软件可借鉴点 |
|---|---|---|---|---|
| 靶点发现与先导化合物 | 筛选靶点,设计和优化候选分子 | 数年 | 实验记录需可追溯 | 虚拟筛选、结构化实验数据管理 |
| 临床前研究 | 体外与动物实验,评估药效和毒性 | 约1至2年 | 需符合 GLP 要求 | 实验流程自动化、数据版本管理 |
| 临床I期 | 小规模人体试验,观察安全性和耐受性 | 约1年 | 需符合 GCP 要求,伦理审查 | 受试者数据的权限与审计 |
| 临床II期 | 初步评估疗效并确定剂量 | 约2年 | 方案变更需报备并审查 | 入组与随访的数据质量监控 |
| 临床III期 | 大样本验证疗效与安全性 | 约3年 | 证据需足以支持注册申请 | 统计分析流程的可复现性 |
| 审批与上市后监测 | 提交注册材料,审评后上市,持续监测不良反应 | 视审评而定 | 上市后需持续报告安全性数据 | 药物警戒系统、事件追踪 |
公开报告显示,从I期进入批准的整体概率约为8%(参考 BIO 等机构发布的 2011 至 2020 年临床开发成功率数据,应以最新版本为准)。这意味着研发成本大部分来自失败项目,而不是成功项目。因此,软件式的规模效应难以直接摊薄药物研发成本。
在决定是否引入软件化方法前,可以按下面的流程逐项检查。
判断流程如下:
检查表包括以下六项:
有四类风险需要在立项阶段写入评估材料。第一是监管证据不足,模型输出不能直接用于注册。第二是数据偏差,训练数据若集中于某类人群或某类化合物,结论难以推广。第三是实验可重复性,同一模型在不同实验批次上结果可能不一致。第四是模型外推风险,超出训练分布的预测可靠性较低。
AI 能否缩短药物发现的前期环节,需要通过实验与临床数据检验,本文不对疗效或上市概率作出承诺。
对技术负责人而言,软件经验最适合用于数据治理、模型工程和研发管理。临床验证、审批和生物学不确定性仍需依靠行业既有流程。选型时应先判断任务是否满足数据与验证条件,再决定投入规模。