在第一个AIDD（AI辅助药物设计）药物完整跑完临床试验全程之前，政策与监管的不确定性主要集中于审评标准、数据要求与算法可解释性三大维度，这直接决定了AI制药能否从“辅助工具”走向“被认可的方法”。对约投顾平台上的投资者而言，理解这些不确定性，比追逐任何单一技术突破更重要。

审评标准：尚未有“AI专属”通道

目前，全球主要药监机构（如美国FDA、中国NMPA）尚未为AI辅助研发的药物设立独立的审评通道。AI制药仍须遵循传统药物研发的审评框架，这意味着：

  • 审评逻辑仍以终点数据为准：药监部门关注的是药物在临床中的安全性、有效性证据，而非其研发过程是否使用了AI。因此，AI在药物发现环节的贡献，不会直接转化为审评优势。
  • “第一个跑完全程”是关键节点：在第一个AIDD药物完整走完临床前到上市的全流程之前，科学界与资本市场都很难完全承认AIDD的独立价值。这一“首证”的出现，将极大影响监管机构对AI制药的整体态度。

数据要求：高质量数据的“稀缺”是核心瓶颈

AI模型训练依赖高质量、标准化的生物医学数据，但当前行业面临结构性矛盾：

  • 数据孤岛与质量不足：高质量的生物医学数据缺乏，数据孤岛是长期未解决的难题。对许多疾病，人类尚未建立足够精细的量化标准，健康与表型的定量测量也刚刚起步。
  • 标签缺失制约模型训练：通过作用机理和适应症对药物进行标签注释十分困难，化合物—蛋白质—作用机理—药效之间的联系尚未厘清，这使得AI方法在缺少标签的数据集中很难发挥作用。

算法可解释性：监管与模型迭代的张力

监管机构对AI决策逻辑的“可解释性”要求，与深度学习模型本身的“黑箱”特性存在天然张力：

  • 人类经验仍是基准：AI的本质是复制并优化人类经验。在药物开发领域，人类对大部分蛋白功能、细胞信号通路等机制的理解仍很局限，这限制了AI可学习经验的边界。
  • 反直觉设计的合规挑战：在蛋白质工程领域，AI已能发现违背人类直觉的优化点位，其基于高维向量的描述可能抓住更本质的因素。但这种“反直觉”设计如何在审评中证明其合理性，将是未来监管需要回答的问题。

常见问题

监管框架完善前，AI制药企业应如何制定合规策略？

企业应将合规重心放在“数据合规”与“过程留痕”上。 一方面，确保训练数据的获取符合数据隐私法规，避免使用来源不明的数据；另一方面，完整记录AI模型的迭代过程与决策依据，以便在申报时向药监部门展示研发逻辑的严谨性。

中国与海外监管对AI制药的态度有何差异？

整体都处于探索阶段，尚无明确的分化性结论。 中国AI药物研发主要应用于药物发现和临床前研究环节，受生物系统复杂性和疾病异质性制约，AI技术尚不能为研发效率和成功率带来革命性改变。海外监管同样在观察首个完整案例的审评结果。

算法可解释性要求会否阻碍AI制药的模型迭代？

会形成一定约束，但不构成根本性障碍。 监管对可解释性的要求，会促使企业在模型设计中兼顾性能与逻辑可追溯性。同时，AI在蛋白质设计等领域已展现出超越人类经验的能力，这种能力如何在合规框架内被验证和接受，是行业共同面对的课题。