《Computational Toxicology》：Modernizing pharmacopoeias with Artificial intelligence
編輯推薦：
人工智能和機器學習在藥典科學中的應用及試點研究，探討其在標準制定、數據整合、流程優化等方面的潛力，揭示效率提升與數據質量挑戰，提出監管與實施框架。
帕萬·庫馬爾（Pawan Kumar）| 薩拉布·薩胡（Saurabh Sahoo）| 高拉夫·普拉塔普·辛格·賈達恩（Gaurav Pratap Singh Jadaun）| 拉吉夫·辛格·拉古萬希（Rajeev Singh Raghuvanshi）
印度藥典委員會，印度衛生與家庭福利部，政府，Raj Nagar 23區，Ghaziabad 201 002，印度
摘要
藥典是提供具有法律約束力的藥物物質、產品和輔料規格的官方匯編，確保藥品制造中的質量、安全性和有效性。它們定義了身份、純度、效力、雜質限度、檢測方法、儲存和標簽的標準。人工智能（AI）和機器學習（ML）正在成為制藥和監管科學中的變革性工具，為現代化藥典流程提供了機會。將它們整合到藥典科學中可以加速專論的編寫、簡化修訂流程、提高質量控制，并支持全球協調。基于AI的技術，如自動化數據處理、預測分析和自然語言處理，可以減少修訂時間、提高透明度并加強利益相關者的參與。這些創新通過促進監管機構、制造商和公共衛生利益相關者之間的合作，支持基于證據的監管治理。這篇當代綜述探討了AI和ML在藥典科學中的當前和潛在應用，包括專論起草、公眾意見處理、合規性分析以及跨藥典的協調，提供了以監管和政策為導向的視角，優先考慮治理和實施方面的問題。此外，還介紹了一項關于印度藥典專論生命周期管理的AI輔助試點研究。試點研究結果表明，初始起草和修訂時間大幅縮短，專論各部分之間的內部一致性得到增強，在公眾咨詢期間對利益相關者反饋的分類也更加高效。文章討論了與數據可用性、監管合規性和系統集成相關的主要挑戰，并提出了將AI嵌入藥典系統、提高責任性和藥品質量可及性的未來方向。
引言
人工智能（AI）是指能夠執行傳統上依賴人類認知功能的軟件系統，包括視覺解釋、語音處理和決策制定[1]。這一跨學科領域借鑒了邏輯學、統計學、心理學、神經科學、語言學和計算機科學。機器學習（ML）作為AI的一個重要分支，使系統能夠識別模式并生成預測框架，而自然語言處理（NLP）、機器人技術和計算機視覺則將AI應用擴展到了醫療保健、金融、教育和安全領域[2]。本文中使用的關鍵專業術語在術語表中進行了定義，以確保概念清晰性和一致性。
生物醫學創新——包括基因組學、數字醫學和AI——正在重塑醫療保健服務、精準醫療和勞動力需求。在制藥領域，AI通過深度學習（DL）為基礎的虛擬篩選、強化學習輔助的從頭分子設計以及基于ML的吸收、分布、代謝、排泄和毒性預測等成熟方法，改變了藥物發現和開發的過程，與傳統方法相比大大縮短了開發周期[3][4]。例如DSP-1181（用于強迫癥）、EXS-21546（用于免疫腫瘤學）和ISM001-055（用于抗纖維化靶點）等藥物的成功設計進一步說明了這些應用，表明AI支持的系統可以加速候選藥物的識別、優化分子特性并減少重復的實驗室工作——這些機制與藥典工作流程中的多種信息處理任務相似[5]。
預計到2029年，全球制藥行業對AI的投資將從2024年的30.5億美元增加到180.6億美元[6]。監管機構也在適應AI在醫療保健和藥品監管中日益重要的作用。美國食品藥品監督管理局（FDA）已經為醫療器械制定了AI/ML行動計劃，并近年來批準了幾種基于AI的產品，如Idx-DR、OsteoDetect、Guardian Connect System、ContaCT和FibriCheck。FDA根據基于風險的監管分類對基于AI的軟件進行評估。此外，定量方法和建模（包括基于生理學的模型）在生物等效性評估中發揮了越來越重要的作用，并得到了FDA的廣泛應用。這些發展與更廣泛的國際努力相一致，包括與歐洲藥品管理局的合作，以推進基于模型的藥物開發，并加強基于模型的藥物發現和開發方法的實施、標準化和監管接受度。此外，2019年FDA推出了知識輔助評估與結構化應用（KASA）質量評估系統，旨在支持算法驅動的風險評估，提高監管一致性，并實現跨設施和應用的計算機輔助分析[7]。這些發展表明，監管科學正朝著數據驅動的方向轉變。
盡管取得了這些進展，但AI在藥典科學中的應用仍然有限，而藥典是全球藥品質量標準的基礎。藥典為化學品、草藥制劑、生物制品和動物源產品提供了關于身份、純度、效力、雜質分析、測試方法和標簽的具有法律約束力的規范[8][9]。這些標準對監管機構、制造商和衛生系統來說至關重要，以確保藥品的安全性和有效性。然而，專論的編寫仍然主要依賴于手動、資源密集且耗時的過程，通常需要從分析驗證研究、監管提交、市場信息和科學文獻中綜合大量證據。鑒于世界衛生組織（WHO）報告稱全球有68份藥典，協調和現代化仍然是迫切的監管問題[10][11]。
據我們所知，目前還沒有全面的學術著作匯總了AI和ML在藥典系統中的應用證據。為填補這一空白，本文采用敘述性和基于證據的當代綜述形式，將AI應用（包括基于ML和NLP的工具）置于藥典專論生命周期的背景下進行探討，重點關注AI整合在藥典系統中的監管和政策維度。分析基于同行評審的文獻、監管報告、WHO良好藥典實踐、主要藥典的專論開發文檔、灰色文獻以及2016年至2025年間發表的關于數字監管和AI治理的新興研究，綜合了概念性、技術性和監管相關的見解。文章追溯了已發表文獻如何支持AI輔助的功能，如自動化數據提取、預測分析、公眾意見的結構化起草和跨藥典的協調。目標讀者包括藥典機構、藥品監管機構、監管科學家、政策分析師以及參與藥品質量和標準制定的機構決策者。為了將這一綜合成果應用于實際工作流程，文章報告了2024年至2025年在印度藥典委員會（IPC）進行的探索性試點研究，其中測試了生成式AI工具在專論選擇、起草、咨詢、數據結構和利益相關者參與階段的應用。基于試點研究的發現，討論了AI工具在生命周期各階段的特定應用，并指出了與驗證、治理和集成相關的持續存在的差距。本文為監管驗證、數據治理和利益相關者參與提供了實用指南，從而將概念分析與面向實施的藥典現代化路徑聯系起來。
節選
AI和ML在藥典科學中的應用
藥典從早期的《De Materia Medica》發展到現代的藥典，包括印度藥典（IP）、美國藥典（USP）、英國藥典、日本藥典和歐洲藥典（Ph. Eur.）。這些文本為藥品的質量、安全性和有效性建立了標準，通過通用章節和專論定義了身份、純度、效力和雜質限度，確保了藥品制造的統一性。
試點研究：AI輔助的IP專論生命周期管理
IPC探索了生成式AI工具（特別是ChatGPT和DeepSeek）在藥典專論開發中的潛力。該試點研究旨在評估其可行性、操作實用性和將生成式AI系統整合到現有監管工作流程中的治理影響，而非正式的算法開發或模型驗證。
數據可用性、質量和標準化
AI和ML的有效應用依賴于能夠訪問大型、高質量和最新的數據集[47]。在藥典科學中，數據往往分散在不同的機構中，且以非標準化或非機器可讀的格式存儲，限制了模型的互操作性和比較分析[12][15]。結構化專論模板的有限可用性、缺乏統一的監管數據庫以及不完整的修訂記錄限制了AI輔助任務的范圍。
結論和未來展望
隨著監管環境的演變，AI越來越被視為促進制藥和藥典生態系統適應性和預測性合規性的工具。通過支持與監管要求的動態對接，AI和ML可以幫助制造商和監管機構預測風險、簡化更新流程、加強開發和安全監測決策，并提高監管響應能力。例如自動化不良事件跟蹤和實時監控等應用。
關于生成式AI和AI輔助技術在寫作過程中的聲明
在準備本文時，作者使用了ChatGPT來改進語言表達。使用該工具/服務后，作者對內容進行了必要的審查和編輯，并對出版物的內容負全責。
CRediT作者貢獻聲明
帕萬·庫馬爾（Pawan Kumar）：撰寫——審稿與編輯、初稿撰寫、項目管理、方法論研究、概念構思。
薩拉布·薩胡（Saurabh Sahoo）：撰寫——審稿與編輯、初稿撰寫、項目管理、方法論研究、概念構思。
高拉夫·普拉塔普·辛格·賈達恩（Gaurav Pratap Singh Jadaun）：撰寫——審稿與編輯、監督。
拉吉夫·辛格·拉古萬希（Rajeev Singh Raghuvanshi）：監督、項目管理。
資金來源
本研究未獲得公共部門、商業部門或非營利部門的任何特定資助。
利益沖突聲明
作者聲明沒有已知的財務利益沖突或個人關系可能影響本文所述的工作。
致謝
作者衷心感謝專家工作組成員、IPC的科學委員會成員以及IPC的科學工作人員在制定藥品標準方面所做出的貢獻。作者還感謝IPC的科學助理索納姆·亞達夫（Sonam Yadav）和潘迪特·巴格瓦特·達亞爾·夏爾馬學院（Pandit Bhagwat Dayal Sharma）藥學院的藥物學系助理教授維倫德·庫馬爾（Virender Kumar）的支持。
術語表
- 人工智能（AI）
- 一類旨在執行通常需要人類認知的任務的計算系統，如模式識別、決策支持和信息合成。AI包括基于機器學習和語言處理的技術。
- 機器學習（ML）
- 人工智能的一個子集，其中算法從結構化或非結構化數據中學習模式，以生成預測、分類等結果。
