AI药物研发中监管科学的关键路径

AI药物研发中监管科学的关键路径演讲人01AI药物研发中监管科学的关键路径02引言：AI驱动药物研发的范式革命与监管科学的使命03数据治理：构建AI药物研发的“可信基石”04算法透明与可解释性：打开AI决策的“黑箱”05临床试验与审评审批：构建适应AI特性的“动态监管”06伦理与合规：筑牢AI药物研发的“底线思维”07国际协作：构建全球统一的“监管语言”08结论：监管科学——AI药物研发的“导航仪”与“压舱石”目录01AI药物研发中监管科学的关键路径02引言：AI驱动药物研发的范式革命与监管科学的使命引言：AI驱动药物研发的范式革命与监管科学的使命作为深耕医药研发与监管领域十余年的实践者，我亲历了传统药物研发从“大海捞针”式的随机筛选到“理性设计”的缓慢迭代。近年来，人工智能（AI）技术的爆发式发展，正从根本上重构药物研发的底层逻辑——从靶点发现、化合物筛选到临床试验设计、药物警戒，AI不仅将研发周期缩短30%-50%，更将成功率从不足10%提升至20%以上。然而，技术的狂飙突进必然带来监管的全新挑战：当AI模型替代部分人工决策时，如何确保其预测结果的可靠性？当训练数据存在偏差时，如何避免药物研发中的“算法歧视”？当算法持续迭代时，如何建立动态的监管适应机制？这些问题直指监管科学的核心使命：在鼓励创新与保障安全之间寻找动态平衡，为AI药物研发铺设一条“可信赖、可追溯、可控制”的关键路径。引言：AI驱动药物研发的范式革命与监管科学的使命监管科学并非简单的“合规审查”，而是贯穿药物研发全生命周期的“科学支撑体系”。在AI时代，其内涵已从传统的“基于证据的决策”拓展为“基于数据、算法与伦理的综合评估”。本文将从数据治理、算法透明、审评创新、伦理合规、国际协作五个维度，系统梳理AI药物研发中监管科学的关键路径，以期为行业实践与政策制定提供参考。03数据治理：构建AI药物研发的“可信基石”数据治理：构建AI药物研发的“可信基石”数据是AI的“燃料”，但燃料的质量直接决定了AI的“性能”。在药物研发中，训练数据的完整性、准确性、代表性和隐私保护性，不仅影响AI模型的预测能力，更直接关联药物的安全性与有效性。因此，数据治理是监管科学的首要关键路径，其核心是建立“全链条、可追溯、高可信”的数据管理体系。打破数据孤岛：建立多源异构数据的标准化整合机制当前，药物研发数据分散在临床试验机构、电子健康记录（EHR）、基因组数据库、文献数据库等不同来源，存在格式不一（如结构化临床数据与非结构化医学影像）、标准各异（如不同医院的诊断编码系统）、质量参差不齐（如数据缺失、噪声干扰）等问题。我曾参与过一个肿瘤靶点发现项目，因早期未整合多中心的真实世界数据（RWD），导致AI模型在体外验证中表现优异，但临床试验阶段因患者人群特征与训练数据不匹配而失败。这一教训深刻表明：没有标准化的数据整合，AI模型就如同“盲人摸象”。监管科学需推动建立跨领域的数据标准体系。一方面，应强制要求采用国际通用数据标准（如CDISC临床数据标准、FHIR医疗信息交换标准），确保不同来源数据的语义一致性与互操作性；另一方面，需鼓励建立行业级数据共享平台，打破数据孤岛：建立多源异构数据的标准化整合机制如美国FDA的“PrecisionMedicineInitiative”和中国的“国家药物基因组数据平台”，通过“数据可用性声明（DUA）”机制，在保护隐私的前提下实现数据可控共享。值得注意的是，数据整合需兼顾“广度”与“深度”——不仅要覆盖多样化人群（如不同年龄、性别、种族、地域），还需包含多维度的数据类型（如基因组、蛋白质组、影像组、代谢组），以避免模型产生“认知偏差”。隐私保护：在数据利用与隐私安全间寻求平衡药物研发数据常涉及患者隐私敏感信息（如基因数据、病史），传统“匿名化处理”已难以满足需求：研究表明，即使去除直接标识符（如姓名、身份证号），通过多源数据关联仍可能重新识别个体。为此，监管科学需推动隐私增强技术（PETs）的应用，从“被动防御”转向“主动保护”。联邦学习（FederatedLearning）是当前最具潜力的技术路径之一。其核心逻辑是“数据不动模型动”——各机构保留原始数据，仅共享模型参数更新，在中心服务器聚合全局模型。例如，某跨国药企利用联邦学习整合全球12家医院的糖尿病数据，训练AI预测药物不良反应，既避免了数据跨境传输的合规风险，又将模型预测准确率提升了18%。此外，差分隐私（DifferentialPrivacy）、同态加密（HomomorphicEncryption）等技术也可用于数据脱敏：差分隐私通过向数据中添加“噪声”确保个体隐私不被泄露，同态加密允许在加密数据上直接进行模型计算，实现“数据可用不可见”。隐私保护：在数据利用与隐私安全间寻求平衡监管层面需明确隐私技术的应用标准。例如，FDA在《AI/ML医疗软件行动计划》中要求，采用隐私增强技术的AI药物研发项目需提交“隐私影响评估（PIA）”，说明技术选型依据、隐私保护水平及潜在风险；中国《数据安全法》则要求“重要数据”处理方需通过数据安全评估，确保数据全生命周期安全。这些规定既为技术创新提供了边界，也为患者隐私构建了“防火墙”。数据溯源：建立AI训练数据的“全链条档案”AI模型的“黑箱特性”部分源于数据来源的不透明——若监管机构无法追溯数据的采集过程、清洗规则、标注质量，便难以评估模型的可靠性。因此，数据溯源是数据治理的“最后一公里”，其目标是实现“数据从哪里来、经过哪些处理、由谁负责”的全链条可追溯。技术上，可采用区块链技术构建数据溯源系统。区块链的“不可篡改”“分布式记账”特性，可记录数据的生成时间、来源机构、处理人员、操作日志等信息，确保数据历史记录的真实性。例如，某AI制药公司在化合物筛选阶段，利用区块链记录化合物从实验室合成到数据库录入的全过程，当监管机构质疑某候选化合物的预测结果时，可快速调取原始合成记录、光谱数据及标注信息，验证数据质量。数据溯源：建立AI训练数据的“全链条档案”监管层面需制定数据溯源的强制性规范。例如，要求AI药物研发项目提交“数据溯源报告”，包含数据采集伦理审批文件、数据清洗标准、标注人员资质、质量控制记录等；对于涉及真实世界数据的项目，还需说明数据来源的合法性（如患者知情同意情况）、数据脱敏的合规性及数据代表性的评估方法。只有当数据“来路清楚、过程透明”，监管机构才能对AI模型建立“信任基础”。04算法透明与可解释性：打开AI决策的“黑箱”算法透明与可解释性：打开AI决策的“黑箱”如果说数据是AI的“燃料”，算法则是AI的“引擎”。传统药物研发中，科学家可通过实验设计、统计方法理解结论的形成逻辑；但深度学习等AI模型常因“黑箱特性”难以解释——当AI预测某化合物具有活性时，我们无法直接知道是基于其分子结构、还是训练数据中的偶然关联。这种“不可解释性”给监管审查带来了巨大挑战：若无法理解AI的决策依据，便无法评估其预测结果的可靠性，更无法在出现问题时快速定位原因。因此，算法透明与可解释性是监管科学的核心关键路径，其目标是让AI的“决策过程”可被理解、可被验证、可被信任。可解释AI（XAI）技术：从“事后解释”到“过程透明”可解释AI（ExplainableAI,XAI）是打开算法黑箱的核心技术。与传统AI模型不同，XAI模型在设计之初就融入了可解释性机制，能够输出“决策依据”而非仅给出“预测结果”。目前，XAI技术已在药物研发中展现出应用价值：-局部解释方法：如LIME（LocalInterpretableModel-agnosticExplanations）和SHAP（SHapleyAdditiveexPlanations），可针对单个预测结果解释“哪些特征贡献了该结果”。例如，在AI预测某患者对靶向药响应时，SHAP可量化显示“EGFR突变贡献度60%，PD-L1表达贡献度30%”，帮助医生理解AI的判断逻辑。可解释AI（XAI）技术：从“事后解释”到“过程透明”-全局解释方法：如特征重要性分析（FeatureImportance）和部分依赖图（PartialDependencePlot,PDP），可揭示模型整体决策的关键特征。例如，在AI辅助的药物靶点发现中，特征重要性分析可识别“哪些基因表达与疾病进展最相关”，为靶点验证提供方向。-内在可解释模型：如线性模型、决策树、规则模型等，因其模型结构简单（如决策树的“if-then”规则），决策过程天然透明。例如，某公司用决策树模型预测药物肝毒性，规则可直接呈现“若化合物含有苯环结构且ClogP>3，则肝毒性风险高”，便于科学家快速理解。可解释AI（XAI）技术：从“事后解释”到“过程透明”然而，XAI技术并非“万能药”——过度追求可解释性可能牺牲模型性能（如复杂模型预测更准但更难解释），而简单模型可能无法捕捉药物研发中的非线性关系。因此，监管科学需推动“性能与解释性的平衡”：对于高风险环节（如临床试验患者入组、药物安全性预警），应优先选择内在可解释模型；对于低风险环节（如文献数据挖掘），可采用“黑箱模型+事后解释”的组合模式。算法验证：建立“多维度、全周期”的评估体系即使采用XAI技术，仍需通过严格的算法验证确保其可靠性。传统药物研发的“验证”依赖于实验重复，而AI算法的验证需涵盖“内部一致性”“外部泛化性”“鲁棒性”等多个维度。-内部一致性验证：评估模型在训练数据上的表现，常用的指标包括AUC（ROC曲线下面积）、准确率、召回率等。但需注意，高训练准确率可能仅说明模型“记住了训练数据”，而非真正掌握了规律。例如，某AI模型在训练集上预测药物活性的准确率达98%，但在验证集上骤降至65%，明显存在“过拟合”问题。-外部泛化性验证：评估模型在独立数据集（如不同中心、不同人群）上的表现。这是监管审查的核心——若模型仅能在特定数据集上有效，便无法推广到实际临床场景。例如，FDA在审评一款AI辅助的糖尿病药物剂量调整软件时，要求提交来自全球8个中心、涵盖不同种族患者的验证数据，确保模型泛化能力。算法验证：建立“多维度、全周期”的评估体系-鲁棒性验证：评估模型在面对“对抗样本”或“数据扰动”时的稳定性。对抗样本是经过微小扰动后可导致模型错误预测的数据，例如在药物分子结构中添加一个无关原子，AI可能误判其活性。为此，需进行“对抗攻击测试”，模拟数据采集、传输过程中的噪声干扰，确保模型在实际应用中稳定可靠。监管层面需制定算法验证的标准化流程。例如，欧盟《人工智能法案（AIAct）》将医疗AI分为“高风险”和“低风险”等级，高风险AI需通过“临床验证”“性能评估”“风险管理”三重审查；中国《人工智能医疗器械注册审查指导原则》要求，AI药物研发算法需提供“算法描述、训练数据集、验证数据集、性能评估报告、风险管理文档”等全套资料。这些规定确保了算法验证的“科学性”与“规范性”。算法文档化：构建AI模型的“身份档案”如果说算法验证是“体检”，算法文档化就是“建立健康档案”。通过详细记录算法的设计原理、训练过程、性能参数、局限性等信息，监管机构可快速理解AI模型的“身份特征”与“行为模式”。算法文档应至少包含以下内容：-算法设计文档：说明模型类型（如CNN、Transformer）、输入输出特征、损失函数选择、优化算法等设计依据；-训练数据文档：详细描述数据来源、样本量、数据预处理方法（如归一化、特征选择）、数据增强策略等；-验证结果文档：提供内部验证、外部验证、鲁棒性验证的具体数据、评估指标及结论；算法文档化：构建AI模型的“身份档案”-局限性说明：明确模型适用的范围（如仅适用于特定类型肿瘤）、不适用场景（如儿童患者）及潜在风险（如对罕见突变预测准确率低）；-更新机制：说明模型迭代后的验证要求（如新增数据需重新验证）及版本管理规则。我曾参与过一个AI辅助的药物不良反应预警系统审评，因提交的算法文档未说明“模型对老年患者的预测偏差”，导致上市申请被退回。这一案例表明：算法文档化不是“额外负担”，而是监管信任的“通行证”。只有当算法的“前世今生”清晰可查，监管机构才能对其建立长期信任。05临床试验与审评审批：构建适应AI特性的“动态监管”临床试验与审评审批：构建适应AI特性的“动态监管”传统药物临床试验遵循“线性、固定”的设计逻辑——方案一旦确定，便难以根据中期结果调整；审评审批也多为“一次性审查”，缺乏对研发过程中动态变化的跟踪。然而，AI技术的引入使药物研发呈现出“迭代、自适应”的新特征：AI可基于实时数据优化临床试验设计，模型可通过持续学习提升预测准确性。这种“动态性”要求监管科学突破传统框架，构建“适应AI特性”的临床试验与审评审批机制。AI驱动的临床试验设计：从“固定方案”到“自适应优化”传统临床试验的“固定样本量”“固定终点”“固定入组标准”难以适应AI的灵活性。例如，若AI在试验中期发现某亚组患者对药物响应显著更好，传统设计无法调整入组策略，可能导致“无效患者占用样本资源，延误研发进度”。为此，监管科学需推动“AI赋能的自适应临床试验设计”，其核心是让临床试验方案具备“动态调整能力”。-自适应样本量重新估计（ASS）：AI可根据中期累积数据（如疗效指标、安全性信号）实时计算所需样本量，避免因样本量过大（浪费资源）或过小（无法得出结论）导致试验失败。例如，某阿尔茨海默病药物试验采用ASS，AI根据中期认知功能评分调整样本量，最终将试验周期缩短18个月，成本降低30%。AI驱动的临床试验设计：从“固定方案”到“自适应优化”-适应性随机化（AdaptiveRandomization）：AI可根据已入组患者的反应动态调整随机化比例，将更多患者分配至疗效更好的试验组。例如，在肿瘤临床试验中，若AI发现A组患者的客观缓解率（ORR）显著高于B组，系统可自动将新入组患者的随机化比例调整为7:3（A:B），提升试验整体效率。-基于AI的终点指标优化：传统临床试验多以“总生存期（OS）”或“无进展生存期（PFS）”为终点，但这类终点常需长期随访。AI可通过分析实时数据（如影像学变化、生物标志物）识别“替代终点”（如肿瘤缩小率、循环肿瘤DNA水平），缩短试验周期。例如，FDA已批准以“主要病理学缓解（pCR）”为替代终点用于早期乳腺癌新药审评，AI可通过预测pCR加速试验进程。AI驱动的临床试验设计：从“固定方案”到“自适应优化”监管层面需明确自适应设计的“合规边界”。例如，FDA《自适应临床试验设计指导原则》要求，自适应设计需在试验方案中预先说明“调整触发条件”“调整规则”“统计方法”，避免“事后随意调整”；欧洲药品管理局（EMA）则要求，采用自适应设计的试验需提交“模拟分析报告”，证明调整后的统计效力不受影响。这些规定既保证了设计的灵活性，又确保了结果的科学性。（二）真实世界数据（RWD）与真实世界证据（RWE）的融合应用传统临床试验依赖“理想环境”下的随机对照试验（RCT），但RCT样本量有限、入组标准严格，难以代表真实世界的患者多样性。AI技术可高效处理真实世界数据（RWD，如电子健康记录、医保数据、患者报告结局），生成真实世界证据（RWE），补充甚至部分替代RCT数据。AI驱动的临床试验设计：从“固定方案”到“自适应优化”-RWD用于临床试验设计：AI可通过分析RWD识别“未被满足的临床需求”和“目标患者特征”，优化试验入组标准。例如，某罕见病药物研发中，AI通过分析全球RWD发现，80%的患者携带特定基因突变，据此将入组标准从“临床诊断”调整为“基因确诊”，使试验入组效率提升50%。-RWE用于支持加速审批：对于严重危及生命的疾病，若RWE显示AI预测的药物疗效优于现有治疗，可基于RWE申请“有条件批准”上市，后续通过RCT确证。例如，FDA已接受某CAR-T细胞疗法的RWE申请，AI分析显示该疗法在复发难治性白血病患者中的完全缓解率（CR）达80%，支持其加速审批。AI驱动的临床试验设计：从“固定方案”到“自适应优化”-RWE用于上市后安全性监测：药物上市后，AI可通过分析海量RWD（如自发呈报系统数据、医保数据）实时监测安全性信号，及时发现罕见不良反应。例如，某降压药上市后，AI通过分析300万例患者的RWD发现，“长期用药与骨折风险增加”相关，促使监管机构更新说明书。监管科学需建立RWE的“质量评价体系”。FDA《真实世界证据计划》提出了RWD的“适用性评估框架”，包括数据来源可靠性、数据完整性、变量测量准确性、偏倚控制等维度；中国《真实世界数据用于药物临床评价技术指导原则》则要求，RWE需通过“数据质量评价”“统计分析规范”“结果解读谨慎性”三重审查。这些标准确保了RWE的“证据等级”，使其成为RCT的有力补充。审评审批的“动态化”与“智能化”传统审评审批多为“一次性提交、静态审查”，难以适应AI模型的“持续迭代”特性。例如，若AI药物上市后通过新数据优化模型，传统流程需重新提交全部资料，耗时耗力。为此，监管科学需推动审评审批从“静态审查”向“动态监管”转型，建立“预审沟通、滚动提交、持续审查”的新机制。-预审沟通机制（Pre-submissionMeeting）：在研发早期，药企可与监管机构召开预审会议，沟通AI模型的设计思路、验证方案及监管要求，避免“走弯路”。例如，某AI制药公司在靶点发现阶段与FDA沟通后，调整了算法的训练数据集，将后续临床试验的入组失败率从25%降至8%。审评审批的“动态化”与“智能化”-滚动提交（RollingSubmission）：允许药企分模块提交资料（如先提交数据治理报告，再提交算法验证报告），监管机构分模块审查，缩短审评周期。例如，FDA的“突破性疗法designation”支持AI药物采用滚动提交，某阿尔茨海默病新药因此将审评时间从30个月缩短至18个月。-持续审查（ContinuousReview）：对AI药物上市后的模型迭代实施“持续监管”，要求药企定期提交“模型更新报告”，包括新增数据、算法变化、验证结果等。监管机构可通过“远程审评平台”实时监控模型性能，确保迭代后的模型仍符合安全有效标准。审评审批的“动态化”与“智能化”此外，监管机构自身也可引入AI技术提升审评效率。例如，FDA的“ProjectMercury”利用AI审评药物研发资料，将审阅时间从平均65小时缩短至15小时；中国的“药品审评中心（CDE）AI审评系统”可自动识别申报资料中的数据异常，提高审查准确性。这种“监管科技（RegTech）”的应用，既提升了审评效率，又确保了审查质量。06伦理与合规：筑牢AI药物研发的“底线思维”伦理与合规：筑牢AI药物研发的“底线思维”AI药物研发不仅是技术问题，更是伦理问题——算法偏见可能导致健康不公，数据滥用可能侵犯患者权益，责任模糊可能引发法律纠纷。若伦理与合规缺位，AI技术可能成为“双刃剑”：既加速药物研发，又损害公众信任。因此，伦理与合规是监管科学的“底线关键路径”，其目标是确保AI药物研发始终以“患者为中心”，坚守“公平、透明、负责”的伦理原则。算法公平性：避免“健康不平等”的数字鸿沟算法偏见是AI伦理的核心挑战之一。若训练数据存在人群偏差（如主要来自高加索人种），AI模型可能对少数族裔、女性、老年等群体的预测准确性显著降低，导致“健康不平等”。例如，某AI辅助的皮肤病诊断模型因训练数据中深肤色患者占比不足5%，对深肤色患者黑色素瘤的漏诊率高达40%，引发伦理争议。监管科学需推动算法公平性的“全流程管控”。一方面，在数据收集阶段需确保人群多样性：例如，FDA要求AI药物研发项目的训练数据需包含“足够比例的亚组患者”（如女性≥30%，少数族裔≥20%），或提供“亚组分析报告”，说明模型在不同人群中的性能差异；另一方面，在模型开发阶段需引入“公平性约束”：例如，采用“公平感知机器学习”（Fairness-awareMachineLearning）算法，使模型在不同人群中的预测误差控制在可接受范围内。算法公平性：避免“健康不平等”的数字鸿沟此外，监管机构可建立“算法公平性评估指南”。例如，欧盟《AIAct》要求高风险AI需通过“偏见测试”，评估其对不同人群的影响；中国《新一代人工智能伦理规范》明确提出“不得因年龄、性别、种族等因素歧视用户”。这些规定为算法公平性划定了“红线”。知情同意：从“静态同意”到“动态授权”传统药物研发的“知情同意”多为“一次性签署”，明确患者数据用于“某项临床试验”。但AI药物研发需长期、多维度使用患者数据（如基因组数据、长期随访数据），且数据用途可能随算法迭代而扩展。传统知情同意模式难以适应这种“动态性”，可能导致患者“不知情”或“被滥用”。为此，监管科学需推动“动态知情同意”机制。其核心是让患者对数据使用拥有“持续控制权”：-分层授权：患者可选择数据使用的范围（如仅用于靶点发现，或扩展至临床试验）、期限（如5年或长期）及方式（如匿名化使用或去标识化使用）；-撤回权：患者可随时撤回数据使用授权，药企需在规定时间内删除相关数据；知情同意：从“静态同意”到“动态授权”-透明告知：当算法迭代导致数据用途变化时，需重新获取患者同意或提供“补充知情信息”。例如，某跨国药企在糖尿病AI药物研发中采用“动态知情同意”平台，患者可通过手机APP实时查看数据使用情况，一键授权或撤回，数据使用同意率从传统的65%提升至88%。这种模式既保护了患者权益，又确保了数据使用的合规性。责任界定：构建“多方共担”的责任体系当AI辅助药物研发出现问题时（如AI预测错误的化合物导致临床试验不良反应），责任如何界定？是药企、算法开发者、数据提供者，还是监管机构？这是AI伦理与合规的“核心难题”。传统法律框架中，“产品责任”“过失责任”等原则难以直接适用于AI——算法开发者可能仅提供工具，药企可能未充分验证模型，数据提供者可能存在数据质量问题。监管科学需推动“多方共担”的责任体系构建：-药企的“主体责任”：作为药物研发的最终负责人，药企需对AI模型的训练、验证、应用全流程负责，包括算法选择的合理性、数据质量的可靠性、风险控制的有效性；-算法开发者的“技术责任”：算法开发者需提供可解释的算法文档、技术支持及漏洞修复服务，并对其开发的算法性能承担“技术担保责任”；责任界定：构建“多方共担”的责任体系-数据提供者的“数据责任”：数据提供者（如医院、数据库）需确保数据的合法性、准确性及隐私保护水平，对数据质量问题承担“源头责任”；-监管机构的“监督责任”：监管机构需制定清晰的监管规则，加强对AI药物研发的全程监督，对监管失职承担责任。此外，可探索“AI药物研发强制保险”机制，要求药企购买责任保险，在出现问题时通过保险机制赔偿患者损失，分散风险。这种“责任共担+风险分散”的模式，既保护了患者权益，又促进了产业的健康发展。07国际协作：构建全球统一的“监管语言”国际协作：构建全球统一的“监管语言”AI药物研发是全球性的——训练数据可能来自多国，研发团队可能分布在全球各地，最终药物可能面向全球患者。然而，不同国家的监管标准、数据法规、伦理要求存在差异，可能导致“重复审评”“标准冲突”“数据壁垒”等问题，增加研发成本，延缓上市进程。因此，国际协作是监管科学的“战略关键路径”，其目标是构建全球统一的“AI药物监管语言”，促进创新要素的跨境流动。国际标准的协调与互认国际人用药品注册技术协调会（ICH）是药品监管标准协调的核心平台。近年来，ICH已推出多项与AI相关的指南：-E17（多区域临床试验计划与设计）：明确了多中心临床试验的数据整合与分析方法，为AI利用多中心数据提供了标准框架；-E20（真实世界数据用于药物注册）：规范了RWD的质量评价及RWE的生成流程，为AI应用RWD扫清了障碍；-S11（非临床药物安全评价中的生物标志物）：指导AI在生物标志物发现与验证中的应用，支持精准药物研发。这些标准的推广，使不同国家的监管机构对AI药物研发有了“共同语言”。例如，某跨国药企利用ICHE17标准整合全球15个中心的临床试验数据，训练AI模型预测药物疗效，在欧盟、美国、中国的申报中均被认可，避免了重复验证。双边与多边监管合作机制除国际标准外，双边与多边监管合作是促进AI药物跨境审批的重要途径。例如：-中美药物研发合作：中美药