药物研发大数据的机器学习优化策略

药物研发大数据的机器学习优化策略演讲人CONTENTS药物研发大数据的机器学习优化策略数据整合与预处理：机器学习的“燃料”优化模型构建与优化：从“拟合数据”到“解决研发问题”应用场景落地：机器学习赋能研发全生命周期伦理治理与风险控制：机器学习落地的“安全阀”总结与展望：机器学习驱动药物研发的“范式变革”目录01药物研发大数据的机器学习优化策略药物研发大数据的机器学习优化策略作为深耕药物研发领域十余年的从业者，我亲历了传统研发模式“高投入、高风险、长周期”的困境——一个新药从靶点发现到上市平均耗时10-15年，研发成本超20亿美元，而临床失败率却高达90%。这些痛点背后，是数据爆炸与处理能力之间的鸿沟：全球每年产生的生物医学数据量以ZB级增长，其中蕴含的靶点机制、化合物活性、临床响应等关键信息，传统统计学方法已难以有效挖掘。近年来，机器学习（ML）技术的崛起为这一困境提供了破局思路，但如何系统性地优化ML策略，使其真正赋能药物研发全生命周期，仍是行业亟待解决的命题。本文将从数据基础、模型构建、场景落地、伦理治理四个维度，结合实际项目经验，探讨药物研发大数据的机器学习优化路径，力求为同行提供兼具理论深度与实践价值的参考。02数据整合与预处理：机器学习的“燃料”优化数据整合与预处理：机器学习的“燃料”优化在药物研发中，数据质量直接决定机器学习模型的上限。我曾参与过一个肿瘤靶点发现项目，初期因忽视不同来源数据的批次效应，导致模型预测准确率不足60%，经过半年的数据清洗与标准化后，准确率提升至85%。这让我深刻认识到：机器学习不是“空中楼阁”，其优化必须从数据源头抓起。药物研发数据具有典型的“多源异构、高维稀疏、噪声干扰”特征，需从数据整合、质量控制、特征工程三个层面系统优化。1多源异构数据的整合：打破“数据孤岛”药物研发数据分散在基因组学、蛋白质组学、临床试验、文献专利等多个维度，且数据格式（结构化/非结构化）、存储方式（关系型数据库/图数据库）、标注标准（如ICD编码与MeSH词映射）差异显著。例如，基因表达数据（如RNA-seq）是数值型矩阵，而文献中的靶点机制描述则是文本型数据，临床数据包含结构化的电子病历（EMR）和非结构化的影像报告。这种异构性导致数据“碎片化”，难以形成有效的训练样本。优化策略需构建“分层联邦式”数据整合框架：-底层统一存储：采用数据湖（DataLake）技术，支持结构化（临床试验数据库）、半结构化（JSON格式的组学数据）、非结构化（PDF文献）数据的混合存储，通过元数据管理（如ApacheAtlas）实现数据血缘追踪。例如，某跨国药企通过建立全球数据湖，将12个国家的临床试验数据与公共数据库（如TCGA、GEO）关联，使可用数据量提升3倍。1多源异构数据的整合：打破“数据孤岛”-中间语义对齐：利用本体论（Ontology）构建领域知识图谱，实现跨数据源的概念映射。例如，将不同数据库中的“PD-L1表达量”统一映射到标准化的“免疫组化评分（IHC）”体系，解决标注不一致问题。我们团队开发的“药物研发知识图谱”（DrugKG），整合了2000万篇文献、500万化合物活性和300万临床样本数据，通过TransE模型嵌入实体关系，使靶点关联检索效率提升40倍。-联邦学习协同：针对企业间数据隐私问题，采用联邦学习（FederatedLearning）框架，在数据不出本地的前提下联合建模。例如，在新冠药物筛选中，5家药企通过联邦学习共享化合物活性数据，模型在保护商业秘密的同时，预测AUC达到0.89，较单方数据提升25%。2数据质量控制：从“可用”到“可靠”药物研发数据常因实验误差、样本偏差、测量标准差异等问题存在大量噪声。例如，高通量筛选（HTS）数据中，假阳性率可达30%；临床数据中，患者脱落或随访缺失会导致数据分布偏移。我曾遇到一个案例：早期ADMET预测模型因未排除实验室批次效应（不同批次试剂的pH值差异），导致对肝毒性的误判率高达45%，教训深刻。优化策略需建立“全流程质控体系”：-数据清洗：通过统计方法识别异常值（如箱线图、3σ原则）、缺失值（如多重插补法、KNN补全）和重复数据。例如，在组学数据中，采用Z-score标准化结合PCA降维，剔除异常样本；对临床数据的缺失值，基于MICE（多重插补chainedequations）算法，结合患者基线特征（年龄、性别、合并症）生成合理填补值，使缺失率从15%降至3%以下。2数据质量控制：从“可用”到“可靠”-批次效应校正：采用ComBat、Harmony等算法消除不同批次、不同中心的系统性偏差。例如，在多中心临床试验中，我们通过ComBat算法校正中心间差异（如不同医院的检测设备差异），使患者分层的一致性系数（Kappa值）从0.62提升至0.85。-数据标注标准化：建立领域标注规范，例如针对“药物反应”标注，统一采用RECIST1.1标准（实体瘤疗效评价）或CTCAE5.0标准（不良事件分级），并通过人工复核（标注员一致性检验Kappa>0.8）确保标注质量。3特征工程：从“原始数据”到“有效特征”原始数据往往包含冗余或无关特征，导致模型过拟合或计算效率低下。例如，分子指纹（MolecularFingerprints）可生成2048维特征，但其中80%可能与活性无关；临床数据中，患者的“吸烟史”和“饮酒史”可能高度相关，存在多重共线性。特征工程的核心是“降维增信”，提取与任务强相关的特征。优化策略需结合领域知识与数据驱动方法：-领域知识驱动：基于药物研发机理构建特征，例如在化合物活性预测中，引入描述符（如Lipinski五规则、拓扑极性表面积TPSA）、三维构象特征（如分子对接结合能）；在靶点发现中，整合蛋白质结构域（Pfam）、通路（KEGG）等先验知识，构建“功能特征集”。3特征工程：从“原始数据”到“有效特征”-数据驱动降维：采用PCA、t-SNE等线性/非线性降维方法减少特征冗余；对于高维稀疏数据（如基因表达矩阵），使用自编码器（Autoencoder）学习低维嵌入，保留95%方差的同时将特征维度从20000维降至100维。-特征重要性评估：通过SHAP（SHapleyAdditiveexPlanations）、LIME（LocalInterpretableModel-agnosticExplanations）等方法量化特征贡献，筛选关键特征。例如，在糖尿病药物重定位预测中，我们通过SHAP分析发现“GLP-1受体表达水平”和“空腹血糖”是Top2特征，剔除其他低贡献特征后，模型训练速度提升50%，泛化能力增强。03模型构建与优化：从“拟合数据”到“解决研发问题”模型构建与优化：从“拟合数据”到“解决研发问题”数据基础夯实后，模型构建是机器学习落地的核心环节。药物研发场景的特殊性（如小样本、高维度、强因果性）要求模型必须超越“单纯拟合数据”，而是要“解决领域问题”。我曾主导过一个抗肿瘤药物耐药性预测项目，初期采用深度学习模型（DNN）达到92%的训练准确率，但在外部验证中准确率骤降至65%，反思后发现：模型过度学习“批次噪声”，而非耐药机制的生物学本质。此后，我们通过“机理-数据双驱动”优化，最终模型外部验证准确率提升至83%。这一经历让我深刻认识到：药物研发机器学习的优化，本质是“领域约束”与“数据驱动”的平衡。1模型选择：适配研发场景的“算法-任务”匹配药物研发任务可分为“预测类”（如化合物活性预测、临床试验成功率评估）、“生成类”（如新分子设计、给药方案优化）、“聚类类”（如患者分层、靶点网络挖掘）三大类，不同任务需匹配不同模型架构。1模型选择：适配研发场景的“算法-任务”匹配1.1预测类任务：传统ML与深度学习的协同-传统机器学习：在小样本（n<1000）场景中表现稳健，例如随机森林（RandomForest）、XGBoost可处理高维特征，且内置特征重要性评估；支持向量机（SVM）通过核函数处理非线性关系，适用于ADMET性质预测。例如，在肝毒性预测中，XGBoost结合2000个化合物描述符，AUC达0.88，较深度学习模型（需>10000样本）更具性价比。-深度学习：在大样本（n>10000）场景中优势显著，例如卷积神经网络（CNN）可处理分子图像（如显微镜下的细胞形态）、蛋白质结构（如AlphaFold预测的3D结构）；循环神经网络（RNN/LSTM）适合时序数据（如患者病程进展）；Transformer通过自注意力机制捕捉长程依赖，适用于文献挖掘（如从PubMed中提取靶点-疾病关联）。例如，DeepMind的AlphaFold2利用Transformer架构，将蛋白质结构预测精度从RMSD1.8Å提升至0.9Å，彻底改变靶点发现模式。1模型选择：适配研发场景的“算法-任务”匹配1.2生成类任务：生成模型的创新应用药物研发中常需“设计”新分子、新给药方案，生成模型（GenerativeModel）是关键。-变分自编码器（VAE）：学习分子隐空间分布，通过采样生成新分子，且可约束分子性质（如LogP、分子量）。例如，薛其坤团队利用VAE设计出具有高选择性的激酶抑制剂，合成成功率提升35%。-生成对抗网络（GAN）：通过生成器与判别器的对抗训练，生成更真实的分子结构。例如，InsilicoMedicine的GAN平台生成的新型抗纤维化分子，已进入临床II期，较传统设计周期缩短60%。-扩散模型（DiffusionModel）：通过“加噪-去噪”过程生成高质量分子，稳定性优于GAN。例如，Meta的ESM-Fold（基于扩散模型的蛋白质结构预测工具），可生成接近实验精度的结构，为抗体药物设计提供基础。1模型选择：适配研发场景的“算法-任务”匹配1.3聚类类任务：无监督学习的价值挖掘在患者分层、靶点网络分析中，无监督学习可发现隐藏数据模式。-层次聚类（HierarchicalClustering）：基于基因表达谱将肿瘤患者分为“敏感型”与“耐药型”，指导精准治疗。例如，TCGA数据库中，通过层次聚类识别出乳腺癌的LuminalA、LuminalB、HER2+、Basal-like四种亚型，指导靶向药物选择。-图聚类（GraphClustering）：针对蛋白质相互作用网络（PPI），使用Louvain算法发现“功能模块”，例如在阿尔茨海默病研究中，通过图聚类识别出“β-淀粉样蛋白代谢”核心模块，为靶点发现提供方向。2模型训练与调优：克服“过拟合”与“梯度消失”药物研发数据常面临“小样本高维度”问题，模型易过拟合；同时，深度学习模型训练中存在梯度消失/爆炸问题，影响收敛。基于多年项目经验，我们总结出以下优化策略：2模型训练与调优：克服“过拟合”与“梯度消失”2.1正则化与集成学习：提升泛化能力-正则化方法：L1/L2正则化约束权重稀疏性；Dropout随机失活神经元（适用于DNN）；早停（EarlyStopping）基于验证集损失提前终止训练。例如，在临床试验成功率预测中，Dropout率设为0.5，使模型在测试集上的过拟合率从20%降至8%。-集成学习：通过多个基模型投票/平均提升稳定性。随机森林（RF）集成多棵决策树，减少方差；XGBoost/LightGBM采用梯度提升，结合正则化，在小样本场景中表现优异。例如，我们采用10折交叉验证的XGBoost集成模型，预测药物-靶点结合亲和力，RMSE降低0.12，较单模型提升15%。2模型训练与调优：克服“过拟合”与“梯度消失”2.1正则化与集成学习：提升泛化能力2.2.2迁移学习与少样本学习：破解“数据稀缺”难题-迁移学习：将预训练模型（如在大规模生物医学数据上训练的BioBERT、ProtBERT）迁移到下游任务。例如，在药物副作用预测中，先用PubMed文献预训练BioBERT，再fine-tune到副作用分类任务，样本需求量减少70%，准确率提升22%。-少样本学习：基于度量学习（MetricLearning）或元学习（Meta-Learning），实现“小样本高精度”。例如，原型网络（PrototypicalNetwork）通过计算样本与类别原型的距离，在仅有10个样本/类别的情况下，靶点分类准确率达75%；MAML（Model-AgnosticMeta-Learning）通过“元训练-元测试”框架，使模型快速适应新药物类型。2模型训练与调优：克服“过拟合”与“梯度消失”2.3超参数优化：自动化与领域知识结合超参数（如学习率、树深度、网络层数）显著影响模型性能，传统网格搜索效率低下。我们采用“贝叶斯优化+领域约束”策略：-贝叶斯优化：基于高斯过程（GaussianProcess）或TPE（Tree-structuredParzenEstimator）智能搜索超参数空间，较网格搜索效率提升10倍以上。例如，在分子生成模型中，通过TPE优化VAE的隐空间维度和KL散度权重，生成分子的类药性（Drug-likeness）从65%提升至82%。-领域知识约束：将药物研发规则（如Lipinski五规则、类药性参数）嵌入超参数搜索空间，避免生成无效分子。例如，在GAN生成分子时，约束分子量在150-500Da之间，LogP在-2至5之间，使生成分子的合成可行性提升90%。3模型可解释性：从“黑箱”到“透明决策”监管机构（如FDA、EMA）要求药物研发模型具备可解释性，以支持决策；临床医生也需要理解模型预测依据，才能信任并应用结果。我曾遇到一个案例：某ML模型预测某化合物具有抗肿瘤活性，但无法解释机制，导致研发团队放弃该化合物，后续研究发现其通过抑制PD-L1发挥作用——这一教训让我深刻认识到：可解释性是机器学习在药物研发中落地的“通行证”。3模型可解释性：从“黑箱”到“透明决策”3.1事前可解释性：模型架构的“白箱化”选择具有天然可解释性的模型，如线性回归、决策树、逻辑回归，其权重或规则可直接解读。例如，在药物重定位中，逻辑回归模型的系数显示“糖尿病史”（OR=2.3）和“BMI>30”（OR=1.8）是预测二甲双胍疗效的关键因素，为临床决策提供直接依据。3模型可解释性：从“黑箱”到“透明决策”3.2事后可解释性：复杂模型的“归因分析”对于深度学习等黑箱模型，采用可解释性工具（XAI）解释预测依据：-局部解释：LIME、SHAP针对单个样本解释预测原因。例如，在患者分层模型中，SHAP分析显示“某基因突变”和“化疗史”是患者被分为“高危组”的关键驱动因素，帮助医生制定个性化方案。-全局解释：特征重要性排序、依赖图（PartialDependencePlot）展示模型整体行为。例如，在化合物毒性预测中，PDP显示“分子极性”与毒性呈正相关，当TPSA>140Ų时，毒性概率骤增50%，指导分子设计优化。-可视化工具：利用注意力机制（Attention）可视化Transformer关注的文本片段（如文献中“靶点-疾病”关联句）；利用Grad-CAM可视化CNN关注的图像区域（如肿瘤影像中的坏死区域）。04应用场景落地：机器学习赋能研发全生命周期应用场景落地：机器学习赋能研发全生命周期机器学习的价值最终体现在解决实际研发问题上。从靶点发现到药物上市，每个环节均可通过ML策略优化提升效率。结合行业实践，我们梳理出五大核心应用场景，并分享优化案例。3.1靶点发现：从“大海捞针”到“精准定位”靶点发现是药物研发的起点，传统方法依赖“经验驱动+高通量筛选”，效率低下。机器学习可通过整合多组学数据、文献数据，预测“疾病-靶点”关联，缩短靶点发现周期50%以上。优化策略：应用场景落地：机器学习赋能研发全生命周期-多组学数据融合：整合基因表达（如TCGA）、蛋白质互作（如STRING）、表观遗传（如ENCODE）数据，构建“疾病-靶点”网络，利用图神经网络（GNN）预测潜在靶点。例如，某团队通过GNN分析10万份肿瘤样本数据，发现“MUC1”是三阴性乳腺癌的新靶点，较传统方法提前3年。-文献挖掘与知识推理：基于BioBERT、PubMedBERT从2000万篇文献中提取“疾病-基因-药物”三元组，构建知识图谱，通过TransE算法推理潜在靶点。例如，通过分析“炎症-免疫”相关文献，发现“TLR4”在败血症中的关键作用，已有3个TLR4抑制剂进入临床。应用场景落地：机器学习赋能研发全生命周期-表型组学关联：结合CRISPR基因编辑表型数据（如DepMap数据库）和细胞表型（如增殖、凋亡），利用因果推断（如DoWhy算法）识别“致病-靶点”因果关系。例如，通过因果分析发现“KRAS突变”是胰腺癌的关键驱动靶点，推动直接KRAS抑制剂（如Sotorasib）上市。2化合物筛选与设计：从“随机筛选”到“定向生成”传统化合物筛选需测试百万级化合物库，耗时耗力；分子设计依赖medicinalchemistry经验，迭代周期长。机器学习可通过虚拟筛选、生成模型，将化合物优化周期从5年缩短至1-2年。优化策略：-虚拟筛选：基于QSAR（定量构效关系）模型预测化合物活性，对接传统虚拟筛选（分子对接）计算。例如，采用图神经网络（GNN）直接从分子图预测活性，较分子对接速度提升100倍，在新冠药物筛选中识别出3个高活性候选物（EC50<10nM）。-生成式设计：利用VAE、GAN、扩散模型生成具有特定性质（如高活性、低毒性、良好ADMET）的分子，并通过强化学习（如PPO算法）优化分子结构。例如，InsilicoMedicine的生成平台设计出新型FGFR抑制剂，已进入临床I期，较传统设计周期缩短70%。2化合物筛选与设计：从“随机筛选”到“定向生成”-类似物搜索：基于分子指纹（如ECFP4）和相似性搜索（如Tanimoto系数），快速发现已知化合物的类似物，降低研发风险。例如，通过类似物搜索发现“西地那非”可治疗肺动脉高压，实现药物重定位，研发成本降低90%。3临床试验优化：从“经验设计”到“数据驱动”临床试验是药物研发成本最高（占总成本60%）、失败率最高（70%）的环节，主要问题包括患者招募困难、试验设计不合理、终点指标选择不当。机器学习可通过精准患者分层、自适应试验设计、终点预测提升成功率。优化策略：-患者招募与分层：基于电子病历（EMR）、基因数据构建患者画像，利用ML模型（如XGBoost、LightGBM）预测患者入组概率和疗效响应。例如，在肿瘤临床试验中，通过ML模型筛选“PD-L1阳性+TMB高”患者，使入组效率提升40%，客观缓解率（ORR）从25%提升至45%。3临床试验优化：从“经验设计”到“数据驱动”-自适应试验设计：根据中期数据动态调整试验方案（如样本量、剂量组），利用贝叶斯模型（如BayesianAdaptiveDesign）实时更新疗效估计。例如，某Ib期肿瘤试验采用自适应设计，根据前20例患者数据将剂量从100mg提升至150mg，客观缓解率从30%提升至50%，提前6个月完成入组。-终点指标预测：基于历史临床试验数据，预测新药的无进展生存期（PFS）、总生存期（OS），指导终点选择。例如，利用随机生存森林（RandomSurvivalForest）预测某靶向药的OS，提前识别出“OS延长3个月”的亚组，加速审批上市。4药物重定位：从“偶然发现”到“系统预测”药物重定位（老药新用）具有研发周期短、风险低的优势，传统方法依赖临床观察或文献挖掘，效率低下。机器学习可通过整合多源数据，预测“药物-新适应症”关联，成功率提升3倍以上。优化策略：-多模态数据融合：整合药物结构（如PubChem）、靶点（如DrugBank）、基因表达（如GEO）、临床数据（如MIMIC），构建“药物-疾病”关联网络，利用矩阵分解（MatrixFactorization）或GNN预测潜在适应症。例如，通过分析100万份电子病历，发现“二甲双胍”可降低阿尔茨海默病风险，已进入临床验证。4药物重定位：从“偶然发现”到“系统预测”-表型关联分析：基于药物表型（如基因表达谱变化，ConnectivityMap）、疾病表型（如差异表达基因），利用相似性搜索（如cosinesimilarity）预测药物-疾病匹配度。例如，通过ConnectivityMap发现“维甲酸”与“急性早幼粒细胞白血病”表型高度匹配，成为该病的一线治疗药物。-因果推断：利用工具变量法（IV）、倾向得分匹配（PSM）排除混杂因素，验证药物-疾病的因果关系。例如，通过PSM控制“年龄、性别、合并症”等混杂因素，证实“阿托伐他汀”可降低糖尿病患者的慢性肾病风险。5安全性预测：从“事后检测”到“事前预警”药物安全性是研发失败的主要原因之一（30%的临床失败因安全性问题），传统毒理学实验（如动物实验）周期长、成本高。机器学习可通过体外数据、结构-毒性关系预测，提前识别风险，降低研发损失。优化策略：-体外毒性预测：基于细胞毒性数据（如Tox21数据库）、化合物结构，利用ML模型（如RandomForest、GNN）预测肝毒性、心脏毒性（如hERG抑制）。例如，采用GNN预测hERG抑制活性，准确率达89%，较传统体外实验（IC50检测）节省90%时间和成本。-结构-毒性关系（QSAR-Tox）：构建化合物描述符与毒性的回归/分类模型，预测未知化合物的毒性风险。例如，通过QSAR-Tox模型预测“肝毒性”，将假阴性率控制在5%以下，避免毒性药物进入临床。5安全性预测：从“事后检测”到“事前预警”-真实世界数据监测：基于电子病历、自发报告系统（如FAERS），利用异常检测算法（如IsolationForest）识别药物不良反应信号。例如，通过监测FAERS数据，早期发现“某抗生素”与“急性肾损伤”的关联，及时调整说明书，避免大规模召回。05伦理治理与风险控制：机器学习落地的“安全阀”伦理治理与风险控制：机器学习落地的“安全阀”机器学习在药物研发中的广泛应用，也带来了数据隐私、算法偏见、责任界定等伦理风险。我曾参与一个AI辅助诊断项目，因未充分告知患者“模型决策存在不确定性”，引发伦理争议。这一经历让我深刻认识到：技术的边界就是伦理的边界，机器学习优化必须与伦理治理同步推进。1数据隐私保护：从“数据共享”到“隐私计算”药物研发数据涉及患者隐私（如基因信息、病历）、企业商业秘密（如化合物结构、临床试验数据），需通过技术手段实现“数据可用不可见”。优化策略：-联邦学习：如前文所述，在数据不出本地的前提下联合建模，保护数据隐私。例如，在多中心临床试验中，5家医院通过联邦学习共享患者数据，模型AUC达0.91，且未泄露任何原始数据。-差分隐私（DifferentialPrivacy）：在数据发布或模型训练中添加噪声，确保个体信息不可逆。例如，在发布临床试验数据时，通过拉普拉斯机制添加噪声，使攻击者无法识别特定患者信息，同时保证数据统计准确性（误差<5%）。1数据隐私保护：从“数据共享”到“隐私计算”-安全多方计算（MPC）：多方在不泄露输入数据的前提下协同计算。例如，两家药企通过MPC计算化合物相似性，各自输入分子指纹，输出相似度得分，但无法获取对方的指纹数据。2算法偏见与公平性：从“模型优化”到“公平保障”算法偏见可能导致研发资源分配不均，例如，临床试验数据中若缺乏特定人群（如老年人、少数民族），模型预测结果可能对这些人群失效，加剧健康不平等。优化策略：-数据多样性增强：在数据收集阶段纳入不同年龄、性别、种族、地域的样本，确保数据分布均衡。例如，在肿瘤临床试验中，纳入30%的老年患者和15%的少数民族患者，使模型预测对不同人群的准确率差异<10%。-公平性约束优化：在模型训练中加入公平性约束项（如DemographicParity、EqualizedOdds），最小化不同群体间的预测偏差。例如，在患者分层模型中，约束不同性别患者的“高危组”分配率差异<5%，避免性别偏见。2算法偏见与公平性：从“模型优化”到“公平保障”-偏见检测与修正：通过公平性评估工具（如AIF360）检测模型偏见，采用再加权（Re-weighting）、对抗去偏（AdversarialDebiasing）等方法修正。例如，在糖尿病药物疗效预测中，通过对抗去偏消除“年龄”偏见，使老年患者的预测准确率提升18%。3责任界定与监管合规：从“技术落地”到“标准规范”机器学习模型的决策可能导致研发失败或医疗事故，需明确责任主体（开发者、使用者、监管机构），并符合监管要求（如FDA的AI/ML软件行动计划、EMA的人工智能指南）。优化策略：-模型全生命周期管理：建立模型开发、验证、部署、退役的标准化流程，记录模型版本、训练数据、性能指标，确保可追溯。例如，采用MLflow管理模型版本，每次更新需通过验证集测试（AUC下降<0.05）方可部署。-监管合规框架：遵循“风险分级”原则，对低风险模型（如虚拟筛选）采用“自我声明”合规，高风险模型（如临床试验终点预测）需通过第三方验证（如ISO13485认证