InClinico 是 Insilico Medicine 面向临床阶段的预测平台，用多模态信息预测某个临床试验（尤其是 II 期到 III 期的推进）的成功概率。临床失败占据新药研发成本的绝大部分，能提前识别高风险项目的价值显而易见——但这也是 AI 制药中最难做、也最容易被过度承诺的方向。
用到的信息
- 靶点侧：靶点的生物学证据强度、遗传学支持、同靶点历史项目的成败；
- 药物侧：分子性质、作用机制、既往临床数据；
- 试验设计侧：入排标准、终点选择、样本量、对照设置、试验时长；
- 适应症侧：该疾病领域的历史成功率、现有标准治疗、未满足需求；
- 申办方侧：既往执行记录。
为什么这个问题本质上很难
- 「失败」是个混合标签：疗效不足、安全性问题、招募困难、资金链断裂、战略调整、竞品抢先——这些原因的机制完全不同，混为一谈会让模型学到一个模糊的概念。
- 样本量与复杂度严重不匹配：可用于训练的历史试验只有数千个，而影响成败的因素成百上千。
- 关键变量不可观测：试验成败很大程度取决于靶点生物学假设是否正确、剂量是否合适、患者分层是否精准——这些深层判断大多不在结构化数据中。
- 报告偏倚：失败试验常常不公布详细结果，数据本身是有偏的。
- 时间漂移：监管要求、试验规范、标准治疗都在变，历史规律对未来的适用性有限。
- 自我实现风险：如果预测被广泛采纳，高风险项目被提前终止，那么「预测正确」可能只是因为项目被停了，而非它本来会失败。
合理的定位
| 不该做的 | 该做的 |
|---|---|
| 用一个概率数字决定项目生死 | 把它当作重新审视方案的触发器 |
| 只看总分 | 看风险来自哪个维度（设计？靶点？适应症？） |
| 把模型输出写进投资决策 | 作为尽调中的一个参考输入 |
| 相信跨领域的统一模型 | 关注该治疗领域内的相对排序 |
可解释性在这里比准确率重要得多。「该试验风险高，因为入排标准过于宽泛、主要终点在该适应症历史上很少达成、且靶点缺乏人类遗传学支持」——这样的输出能推动团队改进方案；一个孤零零的 0.35 概率则什么也改变不了。
更可靠的风险信号
与其依赖综合模型，几个单一但扎实的信号往往更有指导意义：
- 人类遗传学证据：有遗传学支持的靶点，临床成功率约为无支持的两倍。这是目前最稳健的先验之一（见 250《Open Targets Genetics》）。
- 同靶点历史：该靶点此前是否有项目失败？失败原因是机制性的还是分子特异的？机制性失败是最强的负面信号。
- 剂量与暴露：I 期是否达到了预期的靶点占有率？暴露量能否支持有效浓度？剂量不足是 II 期失败的常见且可诊断的原因。
- 生物标志物与分层：是否有明确的患者选择策略？无分层的宽泛入组是历史上最常见的失败模式之一。
- 终点选择：主要终点是否被监管机构接受？历史上该终点的达成率如何？
提示
公司与平台信息变动很快，本文为方向性介绍，决策前请核对官方最新信息。临床决策涉及患者安全与重大投入，任何模型输出都只应作为参考输入之一，不能替代专业判断与监管路径评估。
延伸资源
- 相关任务集：247《TDC Trial Group》；遗传学证据：250《Open Targets Genetics》；
- 公司案例：308《Insilico Medicine》；
- 临床决策与监管见「决策与监管」模块。