近日，上海生物统计论坛2024年第一季度研讨会顺利召开，本活动由SBF上海生物统计论坛、上海交通大学医学院临床研究中心以及圣方医药研发联合举办。来自学界、业界的专家围绕“Targeted Learning (including machine learning) in Drug Development”展开，从不同角度分享了目标学习和机器学习等方法如何在医药研发领域中发挥关键作用。
圣方医药研发副总裁汪涛博士发表开场致辞，他表示，机器学习作为人工智能的一个分支，已有多重方法应用于药物发现过程中，正在改变着新药发现的传统模式。
本次论坛邀请到UC Berkeley生物统计系教授Mark van der Laan作为线上嘉宾，他远程分享了题为“Targeted Learning, HAL, and Causal Inference for Generating Real World Evidence in Drug Development”的演讲，详细介绍了目标学习遵循的一般路线图，并介绍了目标学习的核心统计方法——靶向最大似然估计（targeted maximum likelihood estimation，即TMLE），这是一种基于最大似然估计的双稳健版参数估计方法。
在临床试验中使用真实世界数据（RWD）作为外部控制越来越受到关注，其中一个主要挑战是确保试验参与者和外部控制对象之间的可比性。圣方医药研发首席科学官陈杰博士介绍了不同类型的外部控制的优缺点，并举例说明如何逐步在单臂试验中使用目标学习进行因果推断和敏感性分析。
上海交通大学生命科学技术学院的陈海峰教授则探讨了基于人工智能的DeNovo蛋白质药物设计。陈海峰教授的团队利用人工智能辅助创新药物设计，开发了一种基于graphhormer（GPD）的新型从头蛋白质药物方法，解决了新生蛋白药物设计多样性低、准确性差的局限性，并利用该方法设计了癌症、Il型糖尿病、肥胖、心力衰竭、COVlD-19等相关蛋白药物。
复旦大学附属中山医院生物统计室主任黄丽红分享了阴性对照在临床研究中的应用价值，为药物研发过程中的对照实验设计提供了新的思路。她详细介绍了临床研究的因果推断挑战、阴性对照原理与方法，重点解析阴性对照理论衍生方法如何进行未测量混杂因素的识别、估计和校正，并讨论阴性对照法的正确应用及在真实世界研究中的重要价值。
真实世界研究（RWS）以临床需求为导向，是随机对照试验（RCT）的延续和补充。近年来，越来越多的真实世界研究被用于支持药物研发和审评。百济神州统计副总监张晓薇以“Integrate RWD in Submission Package—An Experience Sharing of RWD”为题，结合实践案例，深入探讨了真实世界数据在药物研发中的重要性和潜在问题以支持与有效性相关的药物开发。
在人工智能医疗应用领域有所建树的上海交通大学医学院临床研究中心主任俞章盛教授出席会议，并做结束致辞，他指出，大模型等人工智能技术已经渗透到各个行业，医药研发领域也不例外。人工智能通过提供精准的数据分析、个性化的治疗建议和标准化的诊断流程，有效地支持了临床医生的工作，同时也为患者带来了更加优质、高效的医疗服务体验。
本次论坛不仅为与会者打造了一个知识交流与思想碰撞的平台，更在药物研发领域引发了新的思考和启发。以大模型为代表的前沿人工智能技术成为推动各行各业发展的新质生产力。在医药行业，这些技术正与医药研发各环节深度融合，应用场景持续落地，可以预见，药物研发将迈向一个充满突破与创新的新时代。
免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。
