罕见病的研发困境
据公开信息,罕见病因单个适应症患病人数少,传统随机对照试验难以招募足够样本,导致研发与获批周期长、成本高,许多患者长期无药可用。这一结构性难题,使小样本、高价值的 AI 方法受到关注。
路径一:老药新用(药物重定位)
罕见病未必需要从头造新药。通过知识图谱与分子表征,把已知药物的作用机制与罕见病的病理网络做关联匹配,可快速锁定值得验证的候选组合,显著降低早期风险。
路径二:真实世界证据(RWE)
当随机对照试验不现实时,真实世界数据(如病历、医保、登记队列)可用于支持安全性与有效性判断。AI 在非结构化病历抽取、队列构建、偏倚控制上能提升效率,但结论仍需监管认可的方法学支撑。
路径三:数字孪生与合成数据
针对样本极少的适应症,业界探索用数字孪生模拟疾病进展、用合成数据补足训练样本,辅助试验设计。这类方法目前多用于方案优化与假设生成,尚不能替代临床证据。
监管与伦理趋向
趋向一:监管机构持续发布 AI 与真实世界证据相关指导原则,强调方法学透明与可复现。
趋向二:孤儿药激励政策在多地延续,鼓励针对未满足需求的研发。
趋向三:数据隐私与受试者保护要求趋严,跨机构数据协作需合规框架。
本文仅梳理公开报道中的技术路径与监管动向,不构成任何疗效、获批或投资承诺。任何药物研发决策都应以严谨的临床试验与监管审批为准。
参考来源
AI in Rare Disease Drug Discovery 综述 - World Pharma Today
Digital Twins in Rare Disease R&D - EMJ Reviews
AI Drug Repurposing for Rare Diseases - IssueByte 行业研究
合成数据加速罕见病研究的实践 - Nexi Fund 研究报告