不是把老鼠換成演算法：FDA為AI生物模擬畫出驗證門檻

動物試驗的替代方案，正在從實驗室願景變成藥物審查必須正面處理的問題。當演算法可以模擬器官反應、類器官能重現部分人體組織特徵，下一道關卡便不只是「能不能做」，而是這些結果是否足以支撐新藥進入人體試驗，甚至成為監管決策的一環。

《Nature Biotechnology》盤點三條逐漸匯流的技術路徑。數位分身試圖以生理資料和機制模型模擬藥物在特定器官或人體中的作用；多代理虛擬科學家可分工提出假說、設計分析與檢查推論；AI強化類器官則結合人源三維組織與影像、分子資料分析，用來辨識藥效或毒性表型。它們可能幫助開發者篩除高風險候選藥物、研究作用機制，並選擇更值得進入臨床的劑量與試驗方案。

然而，漂亮的模擬不等於可信的生物學證據。數位分身可能受到訓練資料代表性、模型假設與跨尺度推演誤差限制；類器官通常無法完整重建免疫、代謝與多器官交互作用；多代理系統即使能產生看似連貫的研究計畫，也可能共同放大錯誤前提。這些工具若要取代而非僅補充動物資料，必須證明結果可重現，並能預測與特定監管問題相關的人體反應。

FDA於3月公布的新方法學草案，正把這項要求具體化。草案涵蓋類器官、器官晶片、電腦模擬及其他體外或運算方法，並提出四項驗證原則：先界定使用情境，證明與人體生物學的關聯，完成技術特性與再現性評估，最後確認工具適合支援預定的監管決策。換言之，同一套模型不會因曾在某種疾病或器官奏效，就自動適用於另一項適應症、毒性終點或藥物類型。

監管基礎設施也開始成形。FDA在4月的年度進度報告中表示，已擴大結合體外試驗與計算毒理的整體證據評估，建立跨中心科學審查及創新工具資格認定管道，並認定首項以AI為基礎的藥物開發工具。不過，單一工具獲得資格認定並不代表所有AI模型都能通行；FDA仍建議開發者及早與相應審查部門協商，因為接受程度取決於疾病、器官、終點及實際用途。

FDA早期研究已顯示這條路的可能性與侷限。AnimalGAN利用既有動物試驗資料，為未測化學物生成合成資料；SafetAI則以深度學習預測包括藥物性肝損傷在內的毒理終點。這類系統能重新利用龐大歷史資料，卻也可能繼承舊資料的偏差與缺口。AI生物模擬的轉折點因此不在於宣告動物試驗即將消失，而在於能否逐項建立可追溯、可比較且符合用途的驗證證據，讓「更接近人體」從技術主張變成可審查的科學事實。