MODULE 12 / 22 RECORDS
决策与监管
Hit→候选药决策、PK/PD、毒理、监管与可信 AI
- 402 Hit Identification：如何从筛选命中物开始一个项目 Hit Identification 是项目的起点。这篇讲清各类苗头发现策略的适用场景、命中确认流程与常见陷阱。 →
- 403 Hit Expansion：命中物扩展的计算与实验策略 Hit Expansion 围绕苗头拓展化学空间，建立初步 SAR。这篇给出计算与实验并行的策略。 →
- 404 Hit-to-Lead：从命中物到先导物的决策标准 Hit-to-Lead 是决定项目走向的关键阶段。这篇给出先导化合物的判断标准、阶段目标与常见的决策错误。 →
- 405 Lead Optimization：先导优化阶段如何平衡多参数 先导优化要在多个冲突目标间取得平衡。这篇讲清参数间的相互制约、优化顺序与常用的权衡手段。 →
- 406 PK 参数入门：Cmax、Tmax、AUC、CL、Vd 与半衰期 PK 参数描述药物在体内的浓度-时间行为。这篇讲清各参数的含义、相互关系与它们对设计的指导意义。 →
- 407 PK/PD 关系：体内暴露、靶点占有与药效如何连接 PK/PD 把体内暴露、靶点占有与药效连接起来。这篇讲清占有率计算、暴露-效应关系与剂量预测的逻辑。 →
- 408 药效模型 Efficacy Model：体内验证应该看哪些指标 体内药效模型验证靶点假设与化合物有效性。这篇讲清模型选择、关键指标与结果解读的常见误区。 →
- 409 毒理窗口 Toxicology Window：安全边际如何决定项目命运 毒理窗口决定项目能否推进。这篇讲清安全边际的计算、脱靶毒性的来源与早期风险控制。 →
- 410 IND-Enabling Study：进入 IND 前需要完成哪些研究 IND-Enabling 研究是进入临床前的最后一关。这篇讲清必须完成的研究模块、时间与成本，以及计算能帮上什么。 →
- 411 Clinical Candidate Nomination：候选药物提名的判断框架 候选药物提名是研发中最重要的单一决策。这篇给出判断框架、必须回答的问题与常见的决策偏差。 →
- 412 靶点选择与验证：从生物学假设到可信靶点 靶点选择决定项目的成败上限。这篇讲清证据层次、因果性判断与靶点验证的实际方法。 →
- 413 靶点可成药性 Druggability：AI 如何为靶点打分 靶点可成药性评估决定用什么模态、能不能做。这篇讲清评估维度、计算方法与模态选择的决策逻辑。 →
- 414 目标产品特征 TPP：项目一开始就要回答的问题 目标产品特征是项目一开始就要回答的问题。这篇讲清 TPP 的构成、它如何反向定义研发标准，以及常见的编写误区。 →
- 415 化合物优先级排序：多参数优化 MPO 实战 多参数优化是化合物排序的核心方法。这篇给出可运行的 MPO 实现、期望度函数设计与不确定性处理。 →
- 416 决策中的概率思维：用贝叶斯更新看 DMTA 进展 用概率思维看待 DMTA 进展，能改善决策质量。这篇讲清贝叶斯更新的应用、先验设定与常见的推理谬误。 →
- 417 计算与实验的差距：什么时候该相信 AI 预测 什么时候该相信 AI 预测，是实际使用中最关键的判断。这篇给出可操作的信任判据与校准方法。 →
- 418 FDA 对 AI 的监管框架：药物研发中的可信 AI 指引 监管机构对药物研发中 AI 的使用逐步形成框架。这篇讲清风险分层思路、当前已明确接受的场景与合规要点。 →
- 419 AI 模型的监管验证：用于申报需要满足什么 AI 模型若用于申报，需要满足特定的验证要求。这篇讲清验证的层次、文档要素与实践中的落地方式。 →
- 420 可信 AI Trustworthy AI：可解释、可重复、可审计 可信 AI 要求可解释、可重复、可审计。这篇讲清三个维度的具体含义与在药物研发中的落地做法。 →
- 421 数据合规与知识产权：化合物与模型的法律边界 化合物数据与模型涉及复杂的法律边界。这篇讲清数据许可、模型权重许可与知识产权的实际考量。 →
- 422 MLOps for 药物发现：实验追踪、版本管理与部署 MLOps 让药物发现的模型可复现、可维护、可协作。这篇给出实验追踪、版本管理与部署的实践方案。 →
- 423 失败复盘：AI 药物项目为什么会失败 复盘失败比总结成功更有价值。这篇梳理 AI 药物项目失败的典型原因、可归因的层次与改进方向。 →