前言
新药研发九死一生，高达90%的候选药物在临床试验阶段折戟，其核心原因在于传统动物模型与人类生物学特征存在巨大的物种差异。随着美国FDA《现代化法案2.0》取消了新药上市前强制进行动物实验的要求，新型替代方法（New Approach Methodologies, NAMs）正迎来爆发式发展。
近日，斯坦福大学心血管研究所所长 Joseph C. Wu团队联合美国国立卫生研究院（NIH）转化科学促进中心，在顶级学术期刊 《Cell》 上发表了题为 “New approach methodologies for drug discovery” 的长篇深度综述。本文全面总结了以干细胞、类器官和人工智能（AI）为代表的NAMs技术在药物发现全生命周期中的突破性进展，并探讨了其面临的挑战与未来社会价值。
研究背景
一、传统药物研发的痛点
现代药物研发面临着极高的临床流失率（>90%）。其中，临床有效性不足（约占55%）和不可控的毒副作用（约占28%）是导致失败的两大主因。这暴露出传统动物模型在预测人类疾病复杂性和药物反应方面的严重局限性。
二、监管政策的历史性转变
为解决这一困局，监管机构与科研界正在推动一场范式转变：
FDA《现代化法案2.0/3.0》：正式取消了新药临床前必须进行动物实验的强制要求，转向拥抱以患者为中心的数字技术、AI和真实世界证据。
NIH的战略布局：从发布干细胞研究指南、启动“组织芯片（Tissue Chip）”计划，到即将于2025年建立首个国家级类器官开发中心。
基于动物的传统研发体系，正在向 “以人类为中心（Human-centric）”的新型替代方法（NAMs）全面过渡。
Figure 1 关键里程碑展示了从基于动物的测试向以人为中心的NAMs的过渡。A：政策与监管指南（FDA现代化法案1.0→2.0→3.0；NIH干细胞指南、组织芯片、类器官中心等）。B：技术演进（干细胞、iPSC、类器官、器官芯片、AI平台）。C：临床应用（NAMs已用于疾病建模、药物筛选和疗法开发）。
研究重点
本文创造性地将NAMs的发展分为三个维度的递进，并提出了极具启发性的“乐高工厂（Lego factory）”整合模型：
重点1：细胞层面的NAMs——2D干细胞技术
利用人类多能干细胞（hPSCs/iPSCs）技术，研究人员能够生成携带患者特异性基因背景的心肌细胞、神经元、肝细胞等。
突破： 成功复现了迟发性阿尔茨海默病、长QT综合征等在动物身上难以模拟的复杂人类疾病表型。
应用： 结合CRISPR基因编辑与高通量筛选（HTS），快速锁定疾病靶点并筛选先导化合物，甚至干细胞本身（如iPSC衍生的CAR-NK细胞）已直接作为疗法进入临床试验。
Figure 2 基于干细胞的NAMs如何从机制发现扩展到转化治疗。A：治疗候选物（人ESC/iPSC来源系统识别跨器官和疾病的分子靶点及药物重定位）。B：前沿模型（报告基因细胞系、基因修饰iPSC衍生物、高通量筛选平台，整合基因组与表型读数）。C：先进共培养（脂肪-肝-巨噬细胞共培养模拟代谢病；巨核细胞-骨髓基质共培养模拟骨髓纤维化；微胶质-星形-神经元三共培养）。D：作为治疗方法（hESC来源多巴胺能神经元恢复运动功能；干细胞疫苗激活免疫；iPSC-CAR-NK逆转纤维化）。
重点2：组织/器官层面的NAMs——3D类器官与微生理系统
从单层细胞升级为具有复杂3D结构与多细胞交互的类器官（Organoids）及器官芯片（Organ-on-a-chip）。
突破： 患者来源的类器官（PDOs）和肿瘤微环境模型能够高度还原实体瘤的病理和基因组特征。
应用： 构建大型类器官生物样本库（Biobanks），实现“活体”药物测试，为个体化精准医疗（如预测患者对化疗或免疫疗法的反应）提供了强大的实时预测工具。最新案例中，已有抗癌药物仅凭人类血管化类器官的药效数据便成功获批FDA IND。
Figure3 基于类器官的NAMs如何将患者样本与治疗决策相连接。A：治疗候选物（患者组织来源和hPSC来源的类器官系统在脑、视网膜、心、肺、肝、肾、胃、胰腺、骨骼肌中发现药物敏感性和重定位机会）。B：精准医学（患者来源类器官通过组织病理学、多组学和微型化药物测试，前瞻性预测患者特异性临床反应）。C：先进模型（灌注、血管化、器官芯片、3D打印支架等提高均一性、成熟度和通量）。D：作为治疗方法（脑、心脏、肾上腺、肝脏类器官移植展示体内相关性、PK/PD读数及再生应用）。
重点3：计算层面的NAMs——AI与数字科学
AI彻底改变了从基于样品的物理实验向数据驱动发现的转变。
突破： 深度学习和机器学习模型整合了多组学、临床记录和医学影像等庞大的“以人类为中心”的数据。
应用： 从生成式AI从头设计分子（如18个月内将全新IPF药物INS018_055推进至临床）、靶点预测、虚拟筛选，到准确预测药物吸收、分布、代谢、排泄和毒性（ADMET-AI平台），大幅削减了研发的时间与成本。
Figure 4 基于AI的NAMs如何将高维人类数据转化为从发现到临床的可行见解。A：治疗候选物（整合多组学、影像、虚拟筛选等数据集，发现代谢、肿瘤、心血管、炎症疾病候选药物）。B：临床应用（多模态AI框架连接临床样本、记录和体外分析，用于疾病诊断、疗效预测、ADMET/毒性评估及个体化治疗选择）。C：前沿技术（基础规模数据集和基于结构的模型加速个性化医学、药物筛选、分子设计和重定位，改善结合亲和力预测和表型命中发现）。
重点4：“乐高工厂”式的多维整合概念
文章提出，各种NAMs（in silico 计算模拟、in chemico 生化测试、in vitro 体外模型）就像形状各异的乐高积木。通过模块化的组合，例如“AI预测靶点 + 器官芯片药代动力学评估 + 类器官村（Organoid villages）进行人群验证”，可以构建出无限趋近于真实人体微环境的测试流水线。
Figure5 NAMs像模块化的“乐高工厂”一样，将计算机模拟、体外和体外化学策略统一到预测性、人相关的药物发现管道中。A：NAMs在药物发现中的作用（单个平台通过计算机模拟、体外和体外化学NAMs实现诊断建模、药物筛选和化学分析）。B：基于NAMs的先进技术（集成系统如类器官村庄、共培养、基于MPS的细胞间通讯、多器官芯片，捕捉组织间通讯和复杂疾病表型）。C：整合工作流（计算机模拟→体外化学→体外细胞/类器官→优化的人体微环境，实现从靶点预测到临床应用的连续统一体）。
研究结论
临床转化的“闭环”已经形成：从基础台架到临床病床（Bench-to-Bedside），NAMs不再仅限于实验室中的理论模型。目前，基于干细胞筛选的渐冻症药物、基于类器官的肝硬化疗法、以及完全由AI发现的肺纤维化药物等，均已成功步入临床试验阶段。
动物模型的角色退居二线：在过去30年里，动物模型主导了药物发现；而在未来的30年，符合3Rs原则（替代、减少、优化）的NAMs将重新定义并极大地取代动物实验。 动物模型将从“核心准入标准”转变为“辅助验证角色”。
挑战与展望：尽管前景广阔，NAMs目前仍面临缺乏标准化操作规范（SOPs）、各平台数据难以兼容、类器官血管化不足等挑战。作者呼吁，未来的破局之道在于加强公私合作（PPP）、建立符合FAIR原则的数据共享机制，以及促成科研界与监管机构的深度融合。
参考文献