Page 134 - 南京医科大学自然版
P. 134
第46卷第6期
·916 · 南 京 医 科 大 学 学 报 2026年6月
瘤学在优化替莫唑胺给药方面的作用。该研究根 是一大瓶颈。尽管AI工具市场在迅速扩张，但缺乏
据个体患者对药物的反应调整治疗方案，成功降低 统一的评估标准和基准测试体系，导致不同模型性
了患者的不良反应。Grof 等 ［46］ 也开发了由 AI 驱动 能难以进行横向比较，用户在技术选型时容易陷入
［54］
的3D打印药片用于个性化医疗，定制药物释放特性 困惑 。
以满足特定患者的需求。他们还开发了一种算法， 展望未来，突破这些瓶颈需要多方协同：一方
实现了用于个性化医疗的 3D 打印片剂设计过程的 面，应推动建立符合FAIR 原则（可查找、可访问、可
自动化。 互操作、可重用）的开放数据生态，鼓励跨机构合
此外，微载体药物递送系统也在靶向药物递送 作；另一方面，努力发展适用于小样本、高噪声场景
［55］
方面取得了重大进展。这些系统包括具有各种几 的新型ML算法 （如一次性学习、迁移学习），并深
何形状或容量的药物储库，以及能够按指令开启的 度融合领域知识以提升模型的可靠性。更重要的
功能，从而确保药物能够持续或脉冲式释放。具有 是，要加强可解释 AI 在药学领域中的应用，使模型
智能控释特性、能够自动调节血浆药物浓度的植入 决策过程足够透明化、可追溯。最终，通过构建标
体，在实现精准药物递送方面取得了重大突破。这些 准化的评估框架，促进计算科学家与药学专家的深
进展有助于提高患者的依从性、安全性和疗效 ［47-48］ 。 度协作，AI有望从辅助工具升级为驱动药学领域变
上述研究均证明了 AI 正显著推动药物递送向 革的核心力量，从而加速实现高效、精准、个性化的
个性化与精准化方向发展。新兴的变革性 AI 框架 医疗模式，开启智能制药与精准医疗的新纪元。
能够深度融合药物相互作用、医疗智能应用及表型 利益冲突声明：
与基因组等多维数据，为个性化医疗的实现奠定了 所有作者均声明无利益冲突。
坚实基础。AI 还被用于评估药物递送系统对药物 Conflict of Interests：
药代动力学的潜在影响，包括药物沉积和毒性。通 All authors declare no conflict of interests.
作者贡献声明：
过整合患者特异性数据与药代动力学模型，同时能
丁妍参与了论文初稿的撰写以及相关文献与数据的搜
够驱动3D打印技术设计多层结构胶囊，精确调控各
集整理工作，李晓林参与了稿件的修改与定稿工作，徐华娥
层材料的组成与释放顺序，从而实现高度定制化的
负责课题的研究构思设计与稿件的最终审定。
药物释放曲线 ［49］ 。这种智能化策略不仅满足个体 Author’s Contributions：
在剂量、释放速率和作用时间等方面的独特需求， DING Yan participated in the writing of the initial draft of
还为复杂疾病管理提供了灵活、高效的治疗方案， the paper as well as the collection and organization of relevant
有力支撑了精准医疗模式的落地与拓展。 literature and data. LI Xiaolin contributed to the revision and
finalization of the manuscript. XU Hua’e was responsible for
3 结 论
the research design and final approval of the manuscript.
综上所述，AI 在药物递送中展现出巨大潜力。 ［参考文献］
它不仅能够系统优化各种药物剂型的递药性能，而 ［1］ CHOI R Y，COYNER A S，KALPATHY⁃CRAMER J，
且在预测药物释放行为、优化配方设计、识别制剂 et al. Introduction to machine learning，neural networks，
缺陷以及实现个性化给药等方面贡献显著。然而， and deep learning［J］. Transl Vis Sci Technol，2020，9
AI 技术在制药领域的广泛应用仍面临关键挑战。 （2）：14
首要问题在于高质量数据的匮乏：药物递送涉及复 ［2］ CHOUDHARY L，CHOUDHARY J S. Deep learning
杂的生物系统，但现有数据集普遍存在规模有限、 meets machine learning：a synergistic approach towards
噪声较高的问题。加之行业内的“数据孤岛”现象， artificial intelligence［J］. J Sci Res Rep，2024，30（11）：
865-875
导致高质量、可共享的数据严重匮乏，这严重制约
［3］ SHIN S H，OH S M，YOON PARK J H，et al. OptNCMiner：
了AI模型的训练与泛化能力。其次，当前主流的AI
a deep learning approach for the discovery of natural
模型多为“黑箱”，其决策逻辑难以追溯。这种不透
compounds modulating disease⁃specific multi⁃targets［J］.
明性不仅阻碍了科研人员对药物载体潜在生物学
BMC Bioinform，2022，23（1）：218
机制的深入理解，也影响了药品监管审批效率与临 ［4］ ZHANG K，YANG X，WANG Y F，et al. Artificial intelli⁃
床信任的建立，在病理机制不明的疾病领域，此问 gence in drug development［J］. Nat Med，2025，31（1）：
题尤为突出 ［50-53］ 。与此同时，技术评估标准缺失也 45-59
