模块 12
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 鉴定是从筛选中找到可靠、可优化的起点分子，并确认其活性真实、可重复、结构明确，才值得立项推进。 →
- 403 Hit Expansion：命中物扩展的计算与实验策略 Hit 扩展围绕命中物找类似物，建立初步 SAR、确认可优化方向，并扩大化学起点的选择面。 →
- 404 Hit-to-Lead：从命中物到先导物的决策标准 Hit-to-Lead 把有潜力的系列优化到「先导物」标准：活性、选择性、初步 ADMET 与可成药性都达到可继续投入的门槛。 →
- 405 Lead Optimization：先导优化阶段如何平衡多参数 先导优化在保持活性的同时反复平衡选择性、ADMET、安全性与成药性，是 DMTA 迭代最密集、最考验多目标权衡的阶段。 →
- 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：Cmax/Tmax/AUC 看暴露，CL/Vd 看处置，半衰期看持续，是连接剂量与药效的语言。 →
- 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」和「药效」连起来：通过靶点占有等中间环节解释「多少剂量→多少效果」，指导剂量与给药方案。 →
- 408 药效模型 Efficacy Model:体内验证应该看哪些指标 药效模型在动物体内验证「分子是否真的治病」；要看疾病相关终点、暴露-效应关系与转化相关性，而非单一读数。 →
- 409 毒理窗口 Toxicology Window:安全边际如何决定项目命运 治疗窗（安全边际）是有效暴露与毒性暴露之间的差距；窗口太窄会让项目难以推进，是临床前决策的关键。 →
- 410 IND-Enabling Study:进入 IND 前需要完成哪些研究 IND-enabling 是申报临床前必须完成的一揽子研究：GLP 毒理、安全药理、PK/ADME、CMC 等，确认候选药可安全进入人体。 →
- 411 Clinical Candidate Nomination:候选药物提名的判断框架 候选药提名是用一套综合标准（活性、选择性、PK、安全窗、可成药性、可生产性、IP）判断某分子是否值得投入临床开发。 →
- 412 靶点选择与验证:从生物学假设到可信靶点 靶点选择与验证用遗传、功能与药理证据确认「调控该靶点能治病」；证据越接近因果、越多正交，靶点越可信。 →
- 413 靶点可成药性 Druggability:AI 如何为靶点打分 可成药性评估靶点「能不能做出药」：是否有合适口袋、可被哪种模态调控；AI 用结构与数据为可成药性打分。 →
- 414 目标产品特征 TPP:项目一开始就要回答的问题 TPP（目标产品特征）在项目早期定义「最终想要什么样的药」——适应症、给药、疗效安全目标，是后续所有决策的标尺。 →
- 415 化合物优先级排序:多参数优化 MPO 实战 MPO 把多个目标（活性、ADMET、安全等）综合成可排序的分数，帮助在多维权衡中挑出「综合最优」的化合物。 →
- 416 决策中的概率思维:用贝叶斯更新看 DMTA 进展 把 DMTA 每轮数据看作对「项目成功概率」的贝叶斯更新，能更理性地决定继续投入还是止损，避免沉没成本陷阱。 →
- 417 计算与实验的差距:什么时候该相信 AI 预测 AI 预测有适用域与误差；该不该相信，取决于预测落在训练分布内外、不确定性高低、以及该决策的代价与可逆性。 →
- 418 FDA 对 AI 的监管框架:药物研发中的可信 AI 指引 监管机构（如 FDA）开始就 AI/ML 在药物研发中的应用发布指引，强调风险分级、可信度与全生命周期管理；需关注其演进。 →
- 419 AI 模型的监管验证:用于申报需要满足什么 用于监管申报的 AI 模型需要更严格的验证：明确使用情境、代表性数据、独立验证、可解释与文档化，以及持续监控。 →
- 420 可信 AI Trustworthy AI:可解释、可重复、可审计 可信 AI 要求模型可解释、可重复、可审计、公平且稳健；在高风险的药物研发中，这是 AI 被采纳与监管接受的前提。 →
- 421 数据合规与知识产权:化合物与模型的法律边界 用数据训练模型、用模型产出分子，都涉及数据合规（隐私、许可）与知识产权（化合物专利、模型权属）的边界，需提前厘清。 →
- 422 MLOps for 药物发现:实验追踪、版本管理与部署 MLOps 把数据、代码、模型与实验的版本管理、追踪、部署与监控工程化，是 AIDD 可复现、可审计、可持续的基础设施。 →
- 423 失败复盘:AI 药物项目为什么会失败 AI 药物项目的失败常源于靶点错、数据差、评估自欺、过度信任预测或忽视成药性/转化；系统复盘这些模式能少踩坑。 →