近日，FDA局长Scott Gottlieb博士在2018年美国临床肿瘤学会（ASCO 2018）年会上表示，FDA正在尝试采取一些新的措施，推动药品研发更加高效，同时增加创新药物和疗法的上市机会。
具体而言，FDA新政将临床试验招募与执行、新药申请与审评等各阶段都纳入其中。动脉网对此进行了解读。
临床试验招募与执行：突破受试者标准束缚
传统的受试者标准通常将年老、身体机能欠佳、器官功能障碍，患有脑转移或其他综合征的患者排除在外，然而药物一旦上市，他们却最有可能接受这些药物治疗的人群。
旧的受试者标准无疑制约了亟待救治的患者接触试验药物，并且对肿瘤学临床试验产生负面影响。
然而，即使有严苛的排除标准，药物试验的失败率仍然相当高。据麻省理工学院研究人员统计，2015年，抗癌新药试验总体成功率仅为8.3％，相对于10年前的3.4％进步很小。高失败率导致行业药物开发成本高昂，并传递到市场端，形成药价上涨压力。
此外，旧受试者标准也制约了药物竞品的多样性。通常，首先上市意味着长久的市场独占期，从而形成垄断价格。如果有大量替代药物充斥市场，高昂的垄断价格将被终结。
解开这种戈迪尔之结的一个途径，就是将提供治疗与处理对患者执行实际临床试验所产生的海量数据同步进行。这样一来，临床试验中的关键问答需要得到系统性重新设置，从而让医疗护理、试验设计和产品升级都实现最优化。
尽管有扩大化将未经临床验证的药物用于患者的做法的风险，但在实际场景中，及时而有效的新药可以避免患者病情进一步恶化，例如组织有长期淋巴瘤和入侵型并使的糖尿病患者再患上乳腺癌。
因此，FDA正在尝试向临床试验的申请者提供额外支持，帮助他们招募更多具有不同特质的患者加入试验。
截止目前，FDA已经发布了在成人抗肿瘤药物临床试验中纳入青少年患者的指导性文件。
根据这份文件，只要如果没有证据表明试验药物对年轻患者产生的毒性超过成人患者，在成人药的临床实验中纳入青少年患者就是合法的。
药物审评：格式化表格提高数据采集质量
此外，扩大临床试验受试者覆盖范围后，药物审评中一些人为因素也会延缓新药上市进度。其中，申请者与监管当局对审评材料的认知差异，往往会造成一些并不能提供最终决策依据的文档和信息拖宕审评流程。
对此，FDA正在试点逐步将与安全性和有效性最相关的数据作为药物审评的重心，他们要求申请者在提交材料之前进行实质性审查。
具体而言，当申请人锁定了数据库，并决定向FDA提出申请，他们就会被要求开始与FDA共享底线数据，包括关键的原始数据和派生数据集、安全性和有效性表格和数字、研究协议和修订以及包装插页的草案。
通常，FDA可以在申请人锁定数据库2-4周时开始查验数据，评估其充分性和完整性。从而审评人员和申请人能够在实时互动中及早解决数据质量问题，推动审评过程更加高效和彻底。
据统计，这种方式可以释放10％至30％的审评者时间。在此基础上，FDA将尝试创建动态数据提交系统
一年前由FDA建立的肿瘤卓越中心（OCE）目前正在执行这个试点。他们采用基于对申请人提交的表格按照FDA实质性审评标准进行格式化设定的肿瘤药实时审评（ Real-Time Oncology Review,RTOR）。
在实践中，表格格式具体包含两部分：申请人的工作内容和FDA对申请人工作内容的评估。从而格式化表格可以作为灵活的数据审查平台，FDA实时出具的同意或不同意意见，并添加新的分析结论。
RTOR试点早期侧重于已获批上市抗癌药物新增功效的补充申请，已经有不少申请人参与到试点中。
后期，OCE的RTOR方式可能向创新药物和生物制剂申请扩展，并尝试多个补充申请平行审评。
美国企业和资本已在“AI+药物研发”领域布局
FDA的药物审评新政实际上从质和量两个方面对新药研发数据提出了更高要求，从而让人工智能在其中能够发挥重要作用。目前，已经有不少美国的创业企业正在做这方面的尝试。
更科学的药物发现方式
Qrativ
Qrativ成立于2017年，由梅奥诊所携手nference公司创立，致力于将临床专业知识和人工智能相结合，以推进新药研发。Qrativ可以直接访问梅奥诊所的这些专业知识和临床数据，这种优势将大大助力Qrativ在新药研发上取得新的突破。
目前，Qrativ结合nference基于AI的知识综合平台和梅奥诊所的医疗专业知识和临床数据，开发了一个药物治疗平台Darwin.ai，辅助系统性的药物研发，特别是针对罕见病的新药研发。
Qrativ的合作伙伴可以利用Darwin.ai药物治疗平台来寻找候选药物的所有潜在用途，包括确定潜在的罕见疾病指征，并找到最有可能对给定候选药物最有效果的患者亚群。
Engine Biosciences
Engine Biosciences是一家将机器学习应用于药物发现基因组学的生物技术公司，在旧金山和亚洲都设有办公地点，开创了网络生物医学。Engine Biosciences专有的专利技术旨在解读生物网络的复杂性，包括高通量湿实验室实验和用于药物发现和细胞重编程的AI算法。
Engine Biosciences受到包括百度、药明康德在内的国内外多家资本青睐，其技术已应用于四个领域：一、药物重新定位，即探究已知药物的新适应症；二、新靶点开发，即识别引起疾病的生物学因素；三、根据病人特有基因组成来提供独特治疗方案的精准医疗；四、生物学通路分析。
Cloud Pharmaceuticals
Cloud Pharmaceuticals成立于2014年，致力于通过计算设计和新疗法的快速发现来改善健康和福祉。Cloud Pharmaceuticals使用专有设计流程，结合AI技术和云计算来搜索虚拟分子空间，并应用于复杂的分子建模，从一开始就设计出具有开发资质的新药。 该过程能够以更低的成本和更高的成功率推进药物开发进程，并提高对于难以用药适应症的针对性。
Cloud Pharmaceuticals的方法放大了云计算和人工智能的力量，从根本上改善了药物发现和设计，其正在立一个适应症广泛的产品流程，涉及药物开发的各个阶段，即从药物发现到诊所合作。
Numerate
Numerate成立于2007年，总部位于美国加州圣布鲁诺。Numerate在云规模下应用新颖的机器学习算法，以克服小分子药物发现中的主要挑战。2014年6月，Numerate获800万C轮融资，投资方分别是Atlas Venture和Lily Ventures。
Numerate的药物设计平台将计算机科学与统计学的进步与传统的药物化学方法结合起来，同时解决了确定候选药物的成败的因素。 Numerate正在使用这个专有平台，在心血管，代谢和神经退行性疾病领域开发一系列药物治疗计划，重点是计算机辅助药物发现通常不能解决的问题。
Atomwise
Atomwise成立于2012年6月，是一家利用超级计算机进行药品研发的公司。Atomwise运用超级计算机分析已有数据库，并用AI和复杂的算法来模拟药品研发的过程，在研发的早期评估新药研发风险，让药物研究的成本降至数千美元，并且该评估可以在几天内完成。
Atomwise已经实现了新的药物靶点发现，结合亲和力预测和毒性检测的结果。
Atomwise目前已经获得了近700万美元融资，其独特之处在于,它把人从生到死过程的大量数据抽取出来。由于涉及大量昂贵和耗时的药物，该功能解决了制药行业的“生死”问题。
Atomwise公司称其在新药发现、结合亲和力预测和毒性检测上得到了世界上最好的结果。
个性化药物定制
Insilico Medicine
Insilico Medicine成立于2014年，专注于运用AI技术发现新药，延长寿命，致力于个人健康管理和老龄化问题的相关研究。Insilico Medicine开发了注释药物，小分子，生物制剂和可能影响分子，细胞和组织水平上许多事件的所有其他因素的综合可扩展药物知识管理系统。
该公司根据个别患者的基因表达数据和信号云调节药物发现在肿瘤学和老化中使用他们的专门知识进行靶向药物选择。PHARMA.AI、Young.AI和NUTRIOMI是Insilico Medicine的三个重要产品
截止目前，Insilico Medicine已经获得826万美元融资，公司长期目标是与顶级制药公司合作，帮助分析其药物数据库和引导化合物，提高临床试验的入学率，并使其能够准确预测其药物对患者组和个体患者的疗效。
提高临床试验准确程度
Teckro
Teckro成立于2015年，致力于使用信息检索和机器学习技术来提高临床试验的速度和准确性，其解决方案能够即时捕获和分享团队的知识，该公司为全球的制药公司和临床研究人员提供服务。
Teckro公司与制药和生物技术公司合作，简化了临床开发过程，这是将有效和安全的药物引入市场的主要瓶颈。Teckro帮助试验人员与他们所需专业知识之间、试验团队与网站、患者之间建立有效的联系， 并帮助研究团队，网站和患者进行联系，从而大大降低了CRA，医疗监视器，数据管理和研究人员的负担。
发表评论 取消回复