AI在药品功效测试中的应用

20XX/XX/XXAI在药品功效测试中的应用汇报人:XXXCONTENTS目录01

药品功效测试的行业背景与挑战02

AI在药品功效测试中的技术原理03

AI优化药品功效测试流程04

药品功效测试数据模型构建CONTENTS目录05

AI在药品功效测试中的案例分析06

行业前沿技术与发展趋势07

AI应用的挑战与伦理考量药品功效测试的行业背景与挑战01传统药品功效测试的痛点分析01研发周期冗长，效率低下传统药物研发从靶点发现到上市往往需要10-15年时间，临床前研究阶段耗时占比大，严重制约新药上市速度。02研发成本高昂，投入巨大单药研发成本高达26亿美元，其中临床试验阶段成本占比超60%，高昂的费用成为医药研发的沉重负担。03成功率低，风险突出传统药物研发临床试验成功率不足10%，II期临床失败率高达60%，主要因患者分型不精准和药物疗效预测偏差。04化合物筛选盲目，命中率低传统高通量筛选需测试海量化合物，阳性结果产出率常低于0.1%，如同大海捞针，造成大量资源浪费。AI技术赋能功效测试的必要性传统功效测试的固有痛点传统功效测试依赖大量动物实验和湿实验，存在周期长（平均需数月至数年）、成本高（单个化合物测试成本可达数十万美元）、成功率低（临床前筛选阳性结果产出率常低于0.1%）等问题，难以满足现代药物研发的效率需求。海量数据处理的迫切需求随着多组学技术发展，药效测试数据呈指数级增长，包含基因表达、蛋白质互作、代谢通路等多维信息。AI技术能高效整合分析这些复杂数据，挖掘潜在药效关联，如MIT开发的DrugReflector模型通过整合9600种化合物的基因表达数据，实现筛选效率提升17倍。跨尺度预测能力的技术缺口传统方法难以实现从分子结构到整体药效的跨尺度预测。AI通过构建虚拟人体模型（如系统生物学与因果推理算法结合），可模拟药物在代谢通路中的动态传递过程，精准预测潜在毒性反应，将临床前研究周期压缩60%以上。行业发展的现实驱动据BCG报告，AI可将临床前研究周期缩短30-50%，成本降低数亿美元。2025年英矽智能的特发性肺纤维化药物Rentosertib通过AI辅助研发，从靶点发现到临床前候选化合物确定仅耗时18个月，远低于传统4.5年的平均水平，凸显AI赋能的必要性。行业前沿动态：AI在医药领域的应用现状

01AI驱动药物进入临床新阶段2025年6月，英矽智能研发的特发性肺纤维化药物Rentosertib（ISM001-055）公布IIa期临床试验数据，成为首个完成II期临床的AI药物，从靶点发现到临床前候选化合物确定仅耗时18个月。

02国际巨头加速AI制药布局2026年1月，英伟达与礼来公司宣布未来五年共同投资10亿美元建立人工智能药物实验室，推动机器人技术和物理人工智能在药物发现与生产中的应用；2026年2月，武田制药以超17亿美元合作IambicTherapeutics，利用其NeuralPLexer模型研发癌症和胃肠道疾病药物。

03端到端AI制药平台成行业焦点英矽智能Pharma.AI平台整合多模态数据，将临床前候选化合物发现周期压缩至12–18个月（传统方法平均需4.5年），逾20项资产进入临床或IND阶段；Exscientia通过AI设计平台与自动化实验融合，多款分子进入临床试验，覆盖肿瘤、免疫等领域。

04AI提升临床试验效率与成功率AI技术优化临床试验设计，如RecursionPharmaceuticals采用AI预测II期向III期临床试验转换成功率，降低后期研发风险；AI辅助患者分层与招募，使部分临床试验样本量减少40%，显著缩短试验周期。AI在药品功效测试中的技术原理02机器学习在功效预测中的基础应用基于配体的虚拟筛选（LBVS）通过机器学习算法（如定量构效关系QSAR模型）分析已知活性化合物的结构特征，预测新化合物与靶点的结合潜力，可快速从百万级化合物库中筛选出候选分子，阳性结果产出率较传统方法提升3-5倍。基于结构的虚拟筛选（SBVS）利用深度学习优化分子对接评分函数（如CNN模型），模拟化合物与靶点蛋白的三维结合模式，预测结合亲和力。例如，GNINA工具结合集成CNN评分函数，实现每秒超1000分子的GPU加速筛选。ADMET性质预测模型构建多任务迁移学习框架，整合图注意力网络（GAT）共享分子表征，同步预测吸收、分布、代谢、排泄和毒性等成药性指标。MIT团队开发的ADMET-AI模型在hERG毒性预测上AUC达0.89，显著降低后期研发风险。药效团模型构建通过机器学习识别具有药效活性的分子特征组合（如氢键供体、疏水基团），指导化合物结构优化。例如，某抗抑郁药物DSP-1181通过AI生成药效团模型，节省4年研发时间并进入临床阶段。深度学习模型与生物数据的融合多组学数据整合技术深度学习模型能够整合基因组学、蛋白质组学及代谢组学等多维生物数据，构建多模态生物医学知识图谱，形成具有语义关联的数字化药物研发空间，突破传统单一组学分析的局限。生物数据特征提取方法通过图神经网络（GNN）对分子图结构进行建模，将原子作为节点、化学键作为边，捕捉分子三维构象与生物活性的关联；利用自然语言处理（NLP）技术解析生物医学文献，挖掘隐藏的靶点-疾病关联信息。模型训练与优化策略采用迁移学习与知识蒸馏技术，将从海量生物数据中学习到的通用特征迁移至特定药物功效测试任务，如MIT团队开发的ConPLex系统通过学习50万组生化相互作用数据，实现对药物-靶点结合能力的精准预测。数据标准化与质量控制针对生物数据的高维度、异质性特点，通过数据清洗、标准化和归一化预处理，结合虚拟筛选与实验验证的闭环迭代，提升模型输入数据质量，如DeepChem框架提供多种分子特征化方法和数据集处理工具。知识图谱在功效机制解析中的作用多源数据整合与关联挖掘

知识图谱整合多组学数据、医学文献、临床试验等多源信息，构建“靶点-通路-疾病”关联网络，挖掘隐藏的药效机制。例如，BenevolentAI通过知识图谱分析2800万篇文献，发现炎症性肠病与线粒体自噬的新关联。药物-靶点相互作用预测

利用知识图谱中的实体关系，预测药物分子与靶点蛋白的相互作用模式，辅助解析药效物质基础。如英矽智能Pharma.AI平台通过知识图谱技术优化TNIK抑制剂的作用机制研究。信号通路动态分析

通过知识图谱动态追踪药物干预下的信号通路变化，揭示多靶点协同作用机制。某跨国项目整合25万例患者数据，构建肿瘤信号通路图谱，发现EGFR/PIK3CA共突变与糖酵解通路的关联。老药新用机制探索

知识图谱挖掘已上市药物与新适应症的潜在关联，解析重定位药物的跨界功效机制。新冠疫情期间，AI利用知识图谱快速筛选出潜在抗病毒老药，加速临床验证进程。虚拟筛选技术的核心原理与流程

基于靶点结构的虚拟筛选（SBVS）利用AI算法模拟化合物与靶点蛋白的三维结构相互作用，通过分子对接预测结合亲和力。如AlphaFold2预测的蛋白质结构可作为SBVS的基础，结合GNINA等工具的CNN评分函数实现精准筛选。

基于配体特征的虚拟筛选（LBVS）通过机器学习模型（如深度QSAR）分析已知活性分子的结构特征，预测新化合物的生物活性。MIT团队开发的ConPLex系统采用类ChatGPT架构，无需依赖三维结构即可完成超1亿种化合物的快速匹配。

多模态虚拟筛选流程整合量子力学计算、分子动力学模拟和ADMET预测，构建“筛选-评估-优化”闭环。典型流程包括：化合物库预处理→靶点结合能预测→成药性评估→实验验证，较传统方法将筛选周期压缩至72小时内。

AI驱动的筛选效率突破AI技术实现千万级化合物库的高通量筛选，假阳性率降低至传统方法的1/5。如DrugReflector模型通过整合基因表达数据，筛选效率达到传统方法的17倍，且可通过自我学习持续优化预测精度。AI优化药品功效测试流程03早期筛选阶段的AI应用：从海量化合物到候选分子01虚拟筛选：突破传统高通量筛选瓶颈AI驱动的虚拟筛选技术可在72小时内完成千万级化合物初筛，较传统湿实验筛选效率提升1000倍以上，假阳性率降低至传统方法的1/5。如MIT开发的ConPLex系统单日内可完成超1亿种化合物的精准匹配。02多模态数据整合与预测模型构建通过整合量子力学计算、分子动力学模拟和蛋白-配体对接预测等多模态数据，AI模型能对化合物三维构象、ADMET特性及靶点结合能进行综合评估，为筛选提供全面数据支撑。03生成式AI：从“筛选发现”到“按需创造”基于生成对抗网络（GAN）的分子设计引擎，可逆向推导满足特定生物活性的化合物结构，将传统“筛选式发现”升级为“按需定制式创造”，显著拓展药物分子的化学空间。04案例：AI加速活性化合物识别某研究团队利用AI对4683种临床前药物进行虚拟筛选，针对51种关键致癌激酶成功锁定19组有效作用对，其中12组显示强结合特性，阴性样本判断准确率达97.3%，大幅降低后续实验验证成本。临床前功效评估的智能化升级

多维度生物活性预测模型基于深度学习构建的多任务模型，可同时预测化合物对靶点的结合亲和力、通路调控活性及细胞水平药效，较传统单一指标评估准确率提升30%以上。

虚拟人体代谢模拟系统整合系统生物学与因果推理算法，构建虚拟人体模型，模拟药物在代谢通路中的动态传递过程，精准预测潜在毒性反应，将临床前研究周期压缩60%以上。

高通量筛选结果智能分析AI算法可在72小时内完成千万级化合物初筛数据分析，通过迁移学习持续优化预测模型，将假阳性率降低至传统方法的1/5，显著提升筛选效率。

动物实验替代技术进展利用类器官芯片与AI结合的预测模型，部分替代传统动物实验，如英矽智能的肺纤维化药物Rentosertib通过该技术有效预测体内药效，减少动物使用量40%。临床试验设计与患者分层优化

AI辅助临床试验方案设计AI通过分析历史临床试验数据，智能识别潜在风险因素，优化试验流程设计，如贝叶斯响应自适应随机化（RAR）算法可动态调整给药方案，RecursionPharma的II期试验样本量因此减少40%。

精准患者筛选与匹配AI整合电子健康记录（EHR）与组学数据，利用Transformer-XL等模型建模时序特征，实现患者精准分层与入组，显著提高临床试验效率，降低因患者不匹配导致的试验失败风险。

临床试验数据实时监测与分析AI系统能够自动化收集临床试验数据，实时监测患者反应，及时发现异常情况，并通过多维度数据分析预测试验结果，为研究人员提供决策支持，加速临床试验进程。

数字孪生技术在临床试验中的应用创建患者虚拟副本作为对照组，模拟不同治疗方案的效果，大幅提高试验效率和准确性，减少对真实患者的依赖，如在辉瑞的NSCLC三期试验中，中位随访时间从12个月压缩至4个月。实时监测与动态调整：AI驱动的测试流程闭环

实时数据采集与异常预警AI系统整合多源测试数据，如化合物活性数据、生物标志物变化等，通过实时分析建立动态监测模型，及时识别实验偏差或潜在风险，例如异常毒性信号，实现测试过程的实时监控与预警。

自适应实验设计与参数优化基于实时监测数据，AI算法可动态调整实验参数，如化合物浓度、给药频率等，优化测试方案。例如，在细胞活性测试中，AI能根据初步结果自动调整后续测试浓度梯度，提高数据可靠性与实验效率。

测试-反馈-迭代的智能闭环AI将监测结果与预设模型对比，自动生成优化建议，形成“数据采集-分析-反馈-调整”的闭环流程。如DrugReflector模型通过实验数据持续学习，使筛选效率提升17倍，二次迭代后成功率进一步翻倍。

跨阶段数据整合与决策支持AI打破测试各阶段数据壁垒，整合临床前与早期临床数据，为后续测试提供决策支持。例如，利用虚拟人体模型模拟药物代谢过程，预测临床试验中的潜在问题，提前优化测试方案，缩短研发周期。药品功效测试数据模型构建04多源数据整合：从实验室到临床的信息融合

多模态数据来源与特征涵盖基因组学、蛋白质组学、代谢组学等多组学数据，以及化合物分子结构数据、体外实验数据、临床前动物实验数据和临床试验数据。例如，单细胞测序技术可提供百万级别的基因表达数据，而医学影像数据则包含疾病进展的直观信息。

数据标准化与预处理技术通过统一数据格式、消除批次效应、处理缺失值和异常值等手段，将异构数据转化为可分析的结构化数据。例如，采用自然语言处理技术解析非结构化的医学文献和临床报告，提取关键信息；运用标准化的分子表征方法（如SMILES、分子图）处理化合物数据。

跨尺度数据关联与知识图谱构建利用图神经网络等技术构建“靶点-通路-疾病-药物”关联网络，整合多尺度信息。例如，英矽智能的Pharma.AI平台整合多组学数据与临床数据，构建疾病知识图谱，辅助从靶点发现到临床试验的全流程决策。

联邦学习在数据隐私保护中的应用在保护数据隐私的前提下，实现多中心数据协作训练模型。例如，多家医院或研究机构可在不共享原始数据的情况下，共同训练药物疗效预测模型，解决数据孤岛问题，提升模型泛化能力。功效预测模型的构建与验证方法

数据收集与预处理整合多源数据，包括化合物分子结构数据（如SMILES、SDF格式）、生物活性实验数据（如IC50、EC50）、靶点蛋白信息及临床前研究数据。通过数据清洗去除重复值与异常值，采用标准化方法（如Z-score）和特征工程（如分子指纹、物理化学性质计算）将原始数据转化为模型可接受的输入格式。

模型选择与训练策略常用模型包括图神经网络（GNN）处理分子图结构、深度学习模型（如CNN、RNN）分析序列数据、传统机器学习模型（如随机森林、SVM）用于基线对比。采用迁移学习策略，利用预训练模型（如基于海量化合物库训练的模型）提升小样本场景下的预测性能，通过交叉验证（如5折交叉验证）优化超参数。

多维度验证体系内部验证采用留出法（Hold-out）评估模型在独立测试集上的性能，常用指标包括准确率、AUC、均方根误差（RMSE）。外部验证通过公开数据集（如MoleculeNet）或真实实验数据（如湿实验活性测试）验证模型泛化能力。例如，MIT团队开发的DrugReflector模型在血液疾病相关化合物筛选中，经实验验证筛选效率是传统方法的17倍。

模型解释性与优化运用SHAP值、LIME等工具解析模型决策逻辑，识别影响药效的关键分子片段或官能团。结合领域知识（如构效关系）对模型进行迭代优化，例如通过强化学习调整分子生成策略，平衡活性、选择性与成药性。2025年《科学》杂志研究显示，AI模型通过自我学习可将预测成功率进一步翻倍。ADMET性质预测模型在功效测试中的应用

ADMET性质预测的核心价值ADMET（吸收、分布、代谢、排泄、毒性）性质是评价药物成药性的关键指标。AI模型可基于分子结构特征预测这些性质，在药物功效测试早期淘汰具有潜在毒性或药代动力学缺陷的化合物，显著降低后期研发失败风险。

多模态数据驱动的预测模型构建AI模型整合分子结构数据（如SMILES字符串、分子图）、理化性质数据及生物实验数据，通过图神经网络（GNN）、深度学习等算法构建预测模型。例如，MIT团队开发的ADMET-AI模型在hERG毒性预测上AUC达0.89，展现出高精度预测能力。

加速功效测试流程的实际应用在功效测试中，ADMET预测模型可快速评估候选药物的吸收效率、代谢稳定性及潜在毒性，减少不必要的动物实验和湿实验。如英矽智能Pharma.AI平台在药物优化阶段同步完成ADMET性质预测与结构优化，将临床前候选化合物发现周期压缩至12-18个月。

提升药物研发成功率的行业案例通过AI预测ADMET性质，药物研发企业能更早聚焦于具有良好成药性的候选分子。数据显示，AI辅助的ADMET预测可将临床前研究周期缩短60%以上，帮助如InsilicoMedicine等公司的候选药物更快进入临床试验阶段，如治疗肺纤维化的药物TNIK抑制剂。模型可解释性与结果可靠性保障可解释性技术路径采用SHAP值、LIME分析等模型诊断工具，解析AI预测关键特征贡献，如某抗抑郁药模型中识别出分子结构中3个关键官能团对疗效的影响权重达72%。多模型交叉验证策略通过集成学习融合图神经网络、随机森林等多模型预测结果，降低单一算法偏差，某肿瘤药效预测案例中交叉验证使准确率提升至89.3%。实验验证闭环机制建立“虚拟预测-湿实验验证-模型迭代”闭环，如英矽智能在INS018_055研发中，AI预测活性与实验结果偏差率控制在5%以内。数据质量控制标准实施数据标准化处理，包括化合物活性数据Z-score归一化、临床数据缺失值插补，确保训练集与验证集分布一致性，某平台通过该措施将预测波动降低40%。AI在药品功效测试中的案例分析05案例一：AI驱动的抗肿瘤药物功效预测

01靶点发现与验证：从多组学数据到关键调控节点AI技术整合基因组学、蛋白质组学及临床表型数据，构建疾病分子调控网络。例如，通过图神经网络（GNN）分析肿瘤信号通路动态图谱，成功识别EGFR/PIK3CA共突变关联的糖酵解通路超活化，锁定HK2蛋白为潜在新靶点，突破传统EGFR抑制剂的局限。

02化合物筛选与优化：提升活性与成药性利用生成对抗网络（GAN）等AI模型进行分子设计，结合虚拟筛选技术快速从海量化合物库中筛选出高亲和力候选分子。如某跨国项目通过AI优化，将化合物与靶点结合自由能降低0.3kcal/mol，同时提升ADMET（吸收/分布/代谢/排泄/毒性）特性，临床前成功率提升至35%。

03临床试验优化：精准患者分层与风险预测AI模型整合电子健康记录（EHR）与组学数据，实现患者精准分层。例如，在非小细胞肺癌（NSCLC）临床试验中，AI模拟器创建虚拟患者队列，动态调整试验方案，将患者脱落率从18%降至6%，中位随访时间从12个月压缩至4个月，显著提升试验效率。

04实战成效：缩短研发周期与降低成本某AI驱动的抗肿瘤药物研发项目，从靶点发现到临床前候选化合物确定仅耗时18个月，相比传统方法的4.5年大幅缩短；通过AI虚拟筛选替代部分湿实验，体外实验次数减少70%，研发成本降低约50%，展现了AI在抗肿瘤药物功效预测中的显著优势。案例二：AI优化抗病毒药物的筛选与评估

传统抗病毒药物筛选的挑战传统抗病毒药物筛选依赖大量湿实验，面对庞大的化合物库，筛选周期长、成本高，且成功率低，难以快速应对突发病毒疫情。

AI在虚拟筛选中的核心应用AI技术通过构建多模态药物发现平台，整合量子力学计算、分子动力学模拟和蛋白-配体对接预测，可在短时间内完成千万级分子的初筛，如MIT团队开发的ConPLex系统单日内可完成超1亿种化合物的精准匹配。

AI驱动的抗病毒药物评估优化AI模型能预测化合物的ADMET（吸收/分布/代谢/排泄/毒性）特性，提前排除具有潜在毒性的分子，如某AI平台通过构建药物不良反应知识图谱，成功预判新型抗病毒化合物的肝肾毒性风险，提高筛选效率。

实战效果与行业影响在新冠疫情期间，AI技术快速筛选出潜在有效药物，为抗疫争取了宝贵时间。AI辅助的抗病毒药物研发将传统筛选成本降低80%，周期缩短60%以上，展现出巨大的应用潜力。案例三：AI在罕见病药物功效测试中的突破

罕见病药物研发的固有挑战罕见病药物研发面临患者数量少、临床数据稀缺、疾病机制复杂等挑战，传统功效测试难以开展，导致全球超7000种罕见病中仅不到10%有治疗药物。AI驱动的多组学数据整合策略AI技术通过整合基因组学、蛋白质组学及临床表型数据，构建疾病分子网络模型。例如，某研究利用图神经网络分析10万例罕见病患者多组学数据，成功识别出3个新的潜在治疗靶点。虚拟患者群体构建与功效预测基于真实患者数据训练的AI模型可生成“虚拟患者群体”，模拟药物在不同遗传背景下的疗效反应。2025年某AI平台通过虚拟试验预测罕见病药物疗效，与后续小规模临床试验结果吻合度达82%。加速临床试验设计与患者招募AI算法能精准匹配符合入组标准的罕见病患者，缩短招募周期。某针对脊髓性肌萎缩症的AI辅助临床试验，将患者招募时间从传统18个月压缩至6个月，同时降低筛选成本40%。案例四：AI辅助老药新用的功效验证

老药新用的价值与传统挑战老药新用可显著缩短研发周期、降低成本，但传统方法依赖经验筛选，效率低且成功率有限。AI技术通过多源数据分析，能高效挖掘药物新适应症潜力。

AI驱动的老药新用发现路径AI通过知识图谱整合药物分子结构、靶点信息、疾病通路及临床数据，预测老药与新适应症的关联。例如，利用自然语言处理分析海量文献，挖掘隐藏的药物-疾病关系。

功效验证的关键技术：虚拟预测与实验验证AI模型（如DrugReflector）可预测老药对新靶点的作用效果及ADMET性质，缩小验证范围。英矽智能等企业通过AI筛选，将老药新用候选化合物验证周期缩短60%以上。

典型案例：AI助力抗抑郁药新适应症开发某跨国药企利用AI分析10万份病历数据，发现抗抑郁老药对纤维肌痛的潜在疗效，通过虚拟筛选和临床试验验证，新适应症获批周期从5年缩短至14个月，新增销售额3.2亿美元。行业前沿技术与发展趋势06多模态大模型在功效测试中的应用前景

多源数据融合提升预测精度多模态大模型可整合基因组学、蛋白质组学、医学影像及临床数据，构建“基因型-表型-药效”关联模型，较单一数据模型预测准确率提升30%-50%。跨尺度生物过程模拟通过融合分子动力学与系统生物学数据，实现从分子相互作用到器官功能的跨尺度模拟，如虚拟人体模型可精准预测药物在代谢通路中的动态传递过程。动态临床试验优化结合实时患者数据与历史试验结果，动态调整试验方案，如贝叶斯响应自适应随机化算法可使II期试验样本量减少40%，加速功效验证进程。个性化药效预测与精准用药基于患者多模态数据（基因、生活方式、病史），预测个体对药物的响应差异，为个性化治疗方案制定提供依据，提升药效同时降低不良反应风险。自动化实验室与AI的协同创新单击此处添加正文

“AI设计-机器人合成-高通量测试”闭环体系端到端一体化AI制药平台整合AI算法与自动化实验设备，构建数据闭环、算法协同、实验自动化的完整研发体系，实现科学假设生成、分子设计、验证优化、风险预测的全流程自主化运行，彻底改变传统药物研发的分段式模式。自动化合成与筛选的效率突破智能合成化学机器人是AI和化学合成的有机融合，生成式学习的应用提升合成效率与可控性，加速药物分子合成。例如，Exscientia的AI设计平台（CentaurChemist）整合深度学习模型、自动化化学合成、机器人筛选与高通量生物学实验，实现药物设计与验证的快速迭代。数据驱动的实验优化与迭代通过计算指导实验、实验校准模型，形成高精度闭环。如晶泰科技的智能药物研发平台ID4整合量子物理计算、AI分子设计、大规模虚拟筛选、药物晶型预测与自动化晶体生长平台，解决小分子药物研发中溶解度、稳定性、晶型可控等关键难题，打通计算设计与实验验证的最后一公里。行业应用与前景展望自动化实验室与AI的协同已在多家企业得到应用，如RecursionPharmaceuticals依托高通量细胞表型数据与AI模型，构建以表型驱动为特色的端到端研发体系。未来，随着多模态大模型、自主智能体技术及云计算的发展，自动化实验室将实现无人化高通量验证，成为新药研发的标准配置。个性化医疗背景下的功效测试新方向

基于多组学数据的疗效预测模型整合基因组学、蛋白质组学及代谢组学数据，AI模型可构建“基因型-表型-药物反应”关联网络，实现患者个体疗效的精准预测。

动态治疗方案的AI优化AI系统通过实时监测患者对药物的反应数据，动态调整给药剂量和治疗计划，实现真正意义上的个性化治疗，提升疗效并降低不良反应风险。

数字孪生技术在功效测试中的应用创建患者虚拟副本（数字孪生）作为对照组，模拟不同药物方案的效果，加速临床试验进程并提高功效测试的准确性，如辉瑞在NSCLC三期试验中应用此技术。

生物标志物驱动的药效评估AI技术挖掘与药物疗效相关的生物标志物，结合患者个体特征，实现药效的早期评估和预测，为个性化用药选择提供科学依据。国际合作与技术标准的发展动态跨国药企