2025年4月，美国食品药品监督管理局（FDA）发布了题为《减少临床前安全性研究中动物实验的路线图》，承诺推进新型方法学（NAMs）的应用——包括计算机模拟模型、类器官及其他非动物替代方案。该指南鼓励新药临床试验申请（IND）的发起方采用具有科学可信度的动物实验替代方案，标志着监管申报正转向更贴近人类实际、融合人工智能（AI）的创新平台。
早些时候，在2025年1月，美国食品药品监督管理局（FDA）发布了配套的指导原则草案，题为《关于运用人工智能支持药品和生物制品监管决策的考量》。我们在此处详细讨论了该FDA指导原则： 人工智能药物研发：FDA发布指导原则草案。
简而言之，本指南重点关注人工智能在药物研发全生命周期中的应用。它基于模型使用场景提出风险管理框架，并明确了必须披露的信息范围，包括模型架构、数据治理、生命周期维护以及潜在临床影响——尤其当模型可能影响患者安全或药物质量时。
越来越多的现实案例证实，人工智能驱动的体外代谢模型（NAMs）正逐步成为现实，并展现了人工智能与生命科学的成功融合。 尤为值得关注的是，弗吉尼亚大学/帕多瓦大学联合开发的1型糖尿病模拟器——这一具备生理学细节的硅基平台——已获美国食品药品监督管理局（FDA）认可，并被用于支持连续血糖监测（CGM）设备的监管审批。这标志着虚拟生理系统现已成为FDA审批的证据基础组成部分。
美国食品药品监督管理局（FDA）内部对人工智能的接纳强化了其监管立场，并表明了对数字工具的长期制度性承诺。该机构特别公布了在内部运营中采用人工智能工具的新举措，包括生成式人工智能工具"Elsa"。FDA表示将在2025年6月底前将这些工具广泛应用于全机构范围。
这些FDA举措共同标志着重大变革：人工智能及其他计算机模拟平台不仅被允许使用，更日益成为临床前研究、临床决策及监管审查的核心要素。随着这一认知的普及，赞助商与开发者面临双重紧迫任务——既需向监管机构证明其可信度，又需通过强有力的知识产权战略守护创新成果。神经模拟技术（NAMs）在隐私保护与机密性方面显著增加了企业的风险暴露程度。
以下章节将探讨企业及其法律团队如何采取战略性应对措施——通过运用FDA新兴框架、保护人工智能建模创新成果，并确保数据治理实践既符合监管要求又契合知识产权目标。
什么是NAMs？
替代方法（NAMs）指评估药物安全性和有效性的非动物策略。这些方法包括计算机模拟模型、微生理系统、类器官、计算毒理学平台以及人工智能驱动的临床模拟。替代方法在速度、成本和伦理合理性方面具有优势，同时更贴近人类生物学特性。
尽管进展迅速，美国食品药品监督管理局（FDA）对基于人工智能的数值分析模型（NAMs）的正式认可仍较为有限。弗吉尼亚大学/帕多瓦大学1型糖尿病模拟器仍是目前唯一被广泛引用的成功案例——该计算机模拟模型已被成功应用于FDA监管申报材料中，具体用于评估持续葡萄糖监测（CGM）设备。其获准使用凸显了复杂生理模拟器在监管路径上的可行性。
然而，非分析测量法（NAMs）的生态系统正在快速扩张。尽管并非所有方法都已获得FDA完全认证，但若干具有前景的人工智能和数据驱动平台正在接受评估：
- 芯片器官与类器官模型：基于患者的类器官和芯片器官系统正在接受验证，以模拟组织特异性反应。例如，肠道类器官已被证实可预测T细胞疗法的脱靶毒性。
- 基于人工智能的计算毒理学：目前正开发利用大规模毒理学数据库训练的人工智能模型来预测不良反应，并通过合作验证项目获得美国食品药品监督管理局的支持。
- 计算机模拟临床试验（ISCTs）：正通过计算患者模型进行试点，以模拟临床试验结果，尤其适用于医疗器械测试，并建立了模型验证和不确定性分析的标准化工作流程。
- 基于生理学的药代动力学（PBPK）模型：这类模型模拟药物分布与代谢过程，正被考虑作为药代动力学特征分析中动物实验的部分替代方案。
- 合成对照组：基于人工智能构建的虚拟患者群体正逐渐取代临床试验中的安慰剂组，从而减少真实患者参与者的数量。
- 可穿戴设备集成人工智能：正在评估人工智能模型分析数字健康技术（如可穿戴设备）实时数据的作用，涵盖患者监测、终点判定及试验管理等领域。
NAMs与FDA风险框架
根据2025年1月的指导原则，美国食品药品监督管理局采用二维风险框架：
1. 模型影响力风险：人工智能模型的输出对决策的影响程度。
2. 决策后果风险：这些决策对患者安全或数据完整性的潜在影响。
这决定了所需文件和披露的范围。高风险人工智能模型必须提交关于训练数据、模型性能和治理的详细材料——这与商业秘密保护形成矛盾，并增加了专利保护的战略需求。美国食品药品监督管理局（FDA）对基于人工智能的自然医学分析（NAMs）不断演变的立场表明，人工智能平台即将成为监管申报的标准组成部分。因此，开发者必须及早规划知识产权和数据治理问题，具体内容将在下文B和C部分讨论。
对知识产权战略的启示
美国食品药品监督管理局（FDA）的指导意见指出，当自然语言模型（NAMs）和人工智能模型应用于临床或生产决策时，相关方可能需要披露数据来源、模型训练流程、评估指标及维护协议等信息。随着透明度要求的扩大，仅依赖商业秘密的做法日益不切实际，专利保护或混合知识产权策略的重要性正不断提升。 通过梳理与数理模型及人工智能模型相关的具体创新点，利益相关方可清晰识别具备专利申请价值的发明。下述框架为梳理数理模型与人工智能模型所蕴含或关联的关键技术进步提供了实用方法，其范围超越模型本身。
该模型是否以创新方式生成或启用具有临床指导意义的信息？
新临床信息的发现可能涉及新的方法步骤（例如特定给药途径）、制剂、剂量以及针对不同适应症或患者群体的治疗方案。正如我们在先前对GLP-1受体激动剂的分析中所讨论的，虽然新发现的机制本身可能不具备可专利性，但它们往往能为围绕新型治疗方法、剂量方案或制剂的专利主张提供基础。参见 GLP-1受体激动剂与专利策略：为老药新用途获取专利保护。因此，新适应症方法（NAM）的应用可衍生出基于新患者群体、剂量或剂型所涉及的可专利治疗方法权利要求。此外，NAM的应用亦可衍生出针对预测患者预后或监测治疗反应的工作流程所涉及的可专利权利要求。
该模型是否改变了治疗方案或试验方案的设计方式？
例如，该人工智能模型可能改变临床试验所需的控制措施和设计方案，包括纳入和排除标准，或通过分子亚型、基因组或表观基因组特征对患者进行分层的新型方法。
此外，动态人工智能系统可能改变治疗药物的给药间隔或时机。
该模型是否对数据输入或集成提出了新的要求？
该人工智能模型可能需要通过新型多模态或纵向整合技术，例如结合影像学、组学及可穿戴设备数据。 该AI模型可整合流行病学数据以识别患者聚集区，并结合来自患者的大规模分子特征、基因组、表观基因组或多组学数据中提取的复杂生物标志物特征。因此，此类AI模型的应用可能涉及可申请专利的工作流程，这些流程通过信息流实现患者预后预测、患者群体分层、疾病检测或进展监测。
人工智能模型或其数据结构是否改变了上游样本的采集或处理方式？
人工智能模型可能改变患者样本工作流程，从而产生可申请专利的方法。这些变化可能包括：新的生物样本保存方案、调整后的样本数量或类型要求，或新增的预处理步骤。此类工作流程调整可为以下专利主张提供支持：样本制备方法、集成人工智能的自动化系统，或涉及特殊处理样本的组合物。
总而言之，随着人工智能模型承担起原本属于临床试验或动物研究的职责，其对医疗决策、数据收集及监管结果的影响，要求我们制定更精细且具有前瞻性的知识产权战略。 上述框架提供了一种结构化方法，不仅能识别与模型本身相关的创新，更能识别其对上游工作流程、治疗范式及生命周期管理的影响。对于创新领导者和知识产权团队而言，该框架为确保人工智能模型的未来适应性及战略保护提供了系统性路径。
这种战略视角同样凸显了实施同等严格的数据治理方法的必要性，我们将在C节中对此进行探讨。
数据治理与隔离化：NAM时代的新挑战
随着计算机模拟的数值分析模型（NAMs）和人工智能平台成为FDA申报的核心要素，数据治理已成为至关重要的战略支柱——既关乎合规要求，也涉及知识产权保护。申办方如今不仅需规划数据质量与模型性能，还须统筹数据披露与竞争优势之间的平衡关系。
FDA指南强调全生命周期透明度：数据输入、训练数据集、测试队列、模型验证策略乃至未来更新都可能需要披露和监控。这些披露虽能促进监管信任，却也对商业机密和竞争差异化构成风险——尤其当模型性能高度依赖专有数据集或数据准备管道时。 许多生命科学企业熟悉隐私背景下的强数据治理，但隐私考量与在监管合规与知识产权保护之间平衡保密性及披露要求截然不同。为化解这种矛盾，开发者应考虑分层数据治理策略，重点强调：
1. 模型组件的模块化与分区化
- 通过将模型设计要素（如预处理管道、模型架构、部署环境）进行模块化分离，企业可仅披露与特定监管场景相关的部分。例如，设计协同运作的AI模型"虚拟实验室"，有助于将不同功能与数据集模块化，从而优化疲于应对的数据治理体系，并限制必要的数据披露范围。 参见我们先前关于由功能各异的人工智能模型组成的"虚拟实验室"新兴应用的讨论： 《AI智能体的虚拟实验室：创新新前沿》。
2. 将专有数据与提交数据集解耦
- 理由：在大型内部数据集上进行训练，同时使用公开共享或FDA批准的数据集进行验证，可在不泄露敏感原始数据的前提下实现合规。
- 示例：模型基于专有多组学数据进行训练，但通过FDA认可的挑战数据集进行验证，以满足监管审查要求。
3. 基于设计的治理机制：版本控制与可追溯性
- 理由：人工智能模型的全生命周期维护——包括数据漂移、重新训练和重新部署——必须向FDA提交记录并说明依据。一种能够记录变更、说明更新理由并自动生成审计轨迹的治理架构正变得日益不可或缺。
- 示例：自动化日志记录模型权重因新的人口级数据趋势而更新的时间点，并确保可重现性。
这些策略不仅符合FDA不断演变的预期，还能为未来的知识产权主张提供支持——例如围绕数据分区、模型维护工具及监管整合流程申请专利。同样地，随着FDA自身对人工智能工具的使用日益增加，企业应就这些工具的具体应用场景及涉及数据保持开放对话，从而据此完善其数据治理体系。
结论：创新、透明度与战略的协同统一
基于人工智能的药物研发与非动物实验方法，因FDA发布2025年1月人工智能指南、2025年4月非动物实验路线图及内部人工智能应用的进一步里程碑，已跃居监管议程前沿。正如弗吉尼亚大学/帕多瓦大学模拟器所示，计算机模拟模型已被纳入FDA监管申报体系。这些进展既带来机遇也伴随责任。 如上所述，开发者应仔细研读FDA指南，制定可扩展、可保护且具临床影响力的AI平台建设策略。知识产权与数据治理的战略思考应从项目启动之初便展开。通过早期系统性规划知识产权与数据治理，相关方方能立足于AI驱动的药物研发变革前沿。
福里律师事务所致力于协助您应对监管变革带来的短期与长期影响。我们拥有丰富的资源，可助您应对这些挑战以及与业务运营和行业特定问题相关的其他重要法律考量。请联系本文作者、您的福里客户关系合伙人或我们的 医疗保健与生命科学业务组或 创新技术业务组 团队。
