DSP-1181作为首个由AI设计并进入临床的分子被放弃后，药监部门对AI医疗设计分子的审评尺度预计不会“一刀切”收紧，而是会更关注AI模型的验证逻辑与可解释性，但官方尚未公布针对该事件的具体政策转向。 这一事件被行业视为AI制药的“成人礼”：它并未否定AI制药的价值，而是将监管和行业的注意力从“AI能否设计分子”转向“AI设计的分子如何被充分验证”。

事件本质：AI制药的“成人礼”而非“判决书”

DSP-1181的临床失败，根源在于新药研发本身的客观规律。传统药物研发平均上市时间长达10-16年，临床阶段本身就是耗时最久、资金花费最高、最容易出问题的环节。AI制药的核心价值在于优化早期研发效率——普遍认为AI可以缩短一半的研发周期、减少10%的研发投入，但AI无法消除临床阶段固有的生物学风险。因此，单一分子的临床失败，更多指向“AI模型的预测与真实人体反应的差距”，而非“AI制药路线失效”。

从全球AI药物管线数据看，AI制药仍处于积累训练期。以已获批临床的AI药物管线为样本，推进到Ⅰ期的占32.5%、Ⅱ期占36.3%、Ⅲ期仅占5.0%，且运用AI发现全新靶点的管线占比有限。这说明AI在药物研发中目前仍主要起辅助作用，监管机构对此有充分认知，不会因个例失败而否定整个技术路径。

监管关注点：从“结果审评”转向“过程审评”

对于AI设计分子的审评，监管的核心关切并非“分子是否由AI生成”，而是AI模型的验证逻辑是否经得起推敲。具体而言，未来审评可能更关注以下维度：

  • 可解释性：AI给出分子设计或靶点预测的依据是什么？模型决策路径能否被追溯和解释。
  • 临床前多维度验证：AI预测的成药性、ADMET性质（吸收、分布、代谢、排泄、毒性）是否有充分的体外和动物实验数据交叉验证，而非仅依赖算法置信度。
  • 数据质量与偏差控制：训练数据集的来源、规模、偏差是否会影响模型对特定人群或适应症的适用性。

值得注意的是，AI技术本身也可以反哺审评环节。例如，已有AI公司利用公开临床数据帮助评估临床试验设计的成功率——对于样本量过小的试验设计，AI评估体系能提前识别其说服力不足的风险。这意味着监管工具本身也在智能化升级，审评效率与严谨性有望同步提升。

常见问题

DSP-1181的失败是否意味着AI制药路线被否定？

不是。DSP-1181是首个由AI设计进入临床的分子，其被放弃更多反映新药研发固有的高失败率。全球AI药物管线中超过七成仍处于临床早期阶段，行业普遍认为当前是AI制药的“积累训练期”，个例失败属于技术成熟过程中的正常代价。

药监部门会专门为AI药物出台更严的新规吗？

官方尚未公布针对AI设计分子失败的专项政策调整。更可能的方向是：将AI模型的验证逻辑、数据可解释性等要求，融入既有的药物审评框架中。对于AI医疗器械与AI药物的监管，不同品类在风险属性上存在差异，监管细则预计会分类施策。

AI制药企业应如何应对潜在的审评趋严？

核心策略是用数据说话：在临床前阶段主动提供多维度的验证数据，包括但不限于AI预测与湿实验结果的对照、不同算法模型的交叉验证、以及针对目标适应症的充分样本量论证。将AI定位为“提效工具”而非“结论来源”，以传统药物研发同等甚至更高的证据标准来推进项目，是应对审评关注的最优路径。