2月12日，“汤森路透ALB”公众号刊发深度访谈《AI制药拓展想象空间，监管、法律服务快速跟进》，受访人为九游会J9律师事务所合伙人李筠怡律师和唐华东律师。本文基于该访谈的核心观点，展开延伸解读，旨在为读者提供更全面的法律观察。
近期政府数据显示，十四五期间，中国批准创新药数量已达到113种，几乎是十三五期间的三倍。如何理解中国创新药快速研发、批准背后的原因和驱动？
中国创新药快速研发和批准的背后，是监管制度改革、技术创新和研发能力提升、市场需求增长和资本助力等各方面因素共同推动的结果，主要离不开以下几点关键因素：
顶层制度设计和政策的支持。国家药品监督管理局(NMPA)自2017年以来不断推行一系列改革措施优化创新药的注册审评流程，例如优先审评审批、突破性治疗药物认定、附条件批准、特别审批程序等加速审批的路径，简化临床试验审批流程并缩短审评时间（IND申请为60个工作日默示许可）。自中国在2017年加入ICH（人用药品技术要求国际协调理事会）后，随着ICH指导原则的全面转化实施，中国和欧美日等发达国家的药监机构的技术要求趋向一致，在法规和技术要求层面，更加有利于创新药在中国和境外的同步研发申报，加快了临床急需进口药品在中国的上市速度，中国逐步与国际全面接轨。
国内创新研发能力的提升。通过政策的支持，大量优秀的科学家和研发人员回国创业。他们将先进的研发技术和理念、全球视野引入国内，升级国内创新研发体系，推动国内企业基于未满足的临床需求研发具有国际竞争力的项目，改变中国过去以仿制药为主的格局。2023年，中国生物医药授权交易数量居全球第二，仅次于美国，这说明中国创新药资产质量已经很高，能得到跨国药企和海外市场的认可。
资本市场的助力。近年医药行业的投融资交易十分活跃，风险投资、私募股权基金为创新药研发提供必要的资金保障。同时，港股18A和科创板制度的推出，使得尚处于研发阶段的创新药企有机会通过上市融资，这为药企的研发活动提供了资金保障，推动了创新药的快速发展。
政府报告同时显示，这其中有较高比例使用AI技术进行研发的新药。从律师角度，是否观察到AI研发创新药数量的较快增长？这类药物在算法、数据、临床、审批、生产等各个环节面临着哪些法律挑战？目前是否“有法可依”？
作为律师通过对行业的观察和与客户的交流，我们注意到：AI辅助药物研发布局分布在药物发现、临床前研究、临床试验、药品生产和销售等各阶段，其中布局最多的是先导化合物的设计优化合成，其次是化合物筛选和靶点发现。但目前AI制药仍处于探索和早期发展阶段，国内外至今仍没有一款完全利用AI技术发现和设计的新药获批上市。AI在CMC全流程管理、生产及GMP合规应用则比较成熟，尤其是生产过程的质量集中管控，例如工艺改进、场地和设备变更和批次变化能实现在线监测和追溯，提高监管能力，降低违规停产风险。而新药研发成本最大的临床试验环节，目前AI应用作用仍然相对有限，原因是临床试验对数据的质与量要求非常高，而大量研发和临床数据为各制药公司积累的非公开数据，保密性高。如果缺乏高质量的大数据支持，即使有先进的AI技术，短期内也较难降低临床试验的风险，以扭转新药研发面临的周期长、成本高、风险大的现状。
2024年11月，国家卫健委等部门联合发布了《卫生健康行业人工智能应用场景参考指引》，总结了许多经典的“人工智能+药物研发”场景，例如采用虚拟筛选技术和高通量筛选平台的智能药物研发、智能药物临床试验辅助、智能药品临床综合评价辅助等，可见监管机关对于市场上创新药企业利用AI技术进行新药研发整体呈支持的态度。事实上，AI技术是一种工具，不仅赋能创新药企业，监管部门也在探索AI技术赋能监管，例如2024年6月18日，国家药监局综合司发布《药品监管人工智能典型应用场景清单》，推动人工智能赋能药监系统，例如考虑利用人工智能技术对药品相关资料进行数据挖掘与智能分析，实现对药品监管全生命周期中潜在风险的精准识别。
从法规和监管角度，在创新药研发和制药领域，无论是否采用AI技术辅助药品前期发现或后续申报流程，制药公司都需要遵守《药品管理法》、《临床试验质量管理规范》等法规和规范的通用性要求，通过一系列措施保障技术符合药品审评的有效性和安全性要求，以及注重伦理与法律合规，保护患者权益。在数据方面，无论是否使用AI进行采集和分析，都必须严格遵守《个人信息保护法》及《网络安全法》等法律对敏感数据的采集和使用的要求。
就药品的非临床、临床、上市后和生产阶段如何使用 AI 模型及如何监管（例如需要提交什么额外的材料并且监管机构如何对AI技术进行评估），监管机构目前尚未形成统一共识和出台明确清晰的法规或指南。作为监管科学决策的引领者，美国食品药品管理局（FDA）在2025年1月6日发布了《使用人工智能支持药品和生物制品监管决策的考量》的指南草案，讨论了在药品生命周期的非临床、临床、上市后和生产阶段使用 AI 模型的情况，其中 AI 模型的具体用途是生成信息或数据，以支持有关药品安全性、有效性或质量的监管决策。应用场景如：（1）减少基于动物的药代动力学、药效学和毒理学研究的数量；（2）使用预测模型进行临床药代动力学和/或暴露反应分析；（3）整合来自各种来源（例如临床研究、基因数据库、临床试验、社交媒体）的数据，以提高对疾病表现、异质性、进展预测因子和疾病亚型识别的理解；（4）处理和分析大量数据（例如来自真实世界数据源的数据或来自数字健康技术的数据），以开发临床试验终点或评估结果；（5）识别、评估和处理上市后药物不良反应信息以进行报告等。[1]
该指南草案提到，人工智能的使用带来了独特的挑战。首先，用于训练人工智能模型的数据集的质量、大小和代表性的差异可能会带来偏见，并对人工智能驱动结果的可靠性提出质疑。因此，用于开发人工智能模型的数据应该适合使用(fit for use)，这包括数据应该既相关（例如有足够多的代表性受试者或参与方数据，或代表生产过程或操作的足够多数据），又可靠（即准确、完整和可追溯性）。其次，由于AI模型所依赖的计算和统计方法复杂，理解人工智能模型如何被开发及其如何得出结论可能较为困难，因此需要透明的方法论并在提交监管机构的文件中详细说明开发特定人工智能模型的方法和流程。第三，部署模型输出准确性的不确定性可能导致难以解释或量化。最后，个别人工智能模型面临的另一个挑战是，当引入新的数据输入并且这些输入与模型训练的数据不同（即数据漂移）时，模型的性能可能会随着时间的推移或跨部署环境而发生变化，从而需要对这些模型进行生命周期维护。
为此，指南为申办方提供了一个基于风险的可信度评估框架(risk-based credibility assessment framework)和步骤，以建立和评价AI 模型在特定使用环境（context of use, COU）中的可信度。核心步骤是申办方需要评估模型风险[2]，并根据模型风险建立AI 模型输出可信度高的可信度评估方案(credibility assessment plan)。该方案需要描述模型的框架、特征、参数和开发过程（包括训练和调整的数据来源和质量、是否适合COU，数据处理和标记过程）、模型训练过程和评估/测试过程等。方案可能包括在与FDA的正式会议资料中，也可能通过其他沟通渠道提交。FDA 鼓励申办方和其他相关方尽早与 FDA 接洽，以便 (1) 根据模型风险和 COU 设定对拟议模型的适当可信度评估活动的期望，以及 (2) 帮助识别潜在挑战以及如何应对这些挑战。
该指南虽然是建议性而非法律强制性的，而且尚处于草案阶段，但可以看出FDA对AI模型用于药物开发和监管决策的谨慎态度，可能为未来监管路径提供方向指引。
AI研发创新药在知识产权领域面临着怎样的挑战？
数据方面，AI制药模型的开发依赖于大量高质量的数据，但医药领域的数据存在数据量少、数据体系不完整、数据标准不统一、数据共享机制不完善等问题，如何明确数据所有权，避免侵犯原始数据提供者的权利是关键。
AI算法模型内部结构复杂，运行过程自主性强，用户难以真实了解其内部工作原理。因此，如果使用模型时发生了侵权问题（例如制药企业上传到共用AI平台的数据被泄露给其它用户等情况），在维权的时候难以举证证明侵权事实，这给知识产权保护带来了额外的挑战。
此外，创新药企业使用AI辅助制药发明，那么该发明的发明人如何认定？首先，AI本身是不能作为发明人的，这在中国《专利审查指南（2023修订）》中已明确。其次，AI技术在药物研发中的应用通常涉及复杂的算法和模型，但尚未有针对AI辅助发明发明人的认定规则或单独指南，因此有关自然人作为AI辅助制药发明人的认定存在不确定性。根据更为通用性的法律法规和司法实践，自然人对于整体实验构思、模型开发、数据收集、潜在化合物筛选、实验验证等过程的参与都可能成为考量因素。
目前律师主要能够为AI创新药企业提供哪些服务？
在知识产权方面，我们可以为协助企业构建全球专利战略和布局，申请AI相关技术专利，保护核心算法和药物研发技术的创新性。例如，在不同法律体系下，如何申请和保护AI相关的药物专利或算法专利，评估AI模型使用的数据的侵权风险和数据合规问题。同时，作为外部律师还可以帮助企业通过专利FTO等手段识别潜在的专利侵权风险，以及在涉及专利侵权或其他知识产权纠纷时为企业提供诉讼、调解或仲裁的法律支持。
在政策监管和经营合规方面，我们持续关注监管机构对AI制药企业和AI 技术/模型在制药领域应用的最新监管要求，协助企业评估从临床前到临床试验、药品注册上市、生产和销售等环节的合规风险，审阅各类关键协议，协助建立适用于AI技术和应用场景的合规体系和流程。
在未来的产业化方面，我们助力AI创新药企业实现商业价值最大化，通过License授权、整体出售或拓展海外市场等多种方式，推动企业安全、高效地实现成果转化。
[1] 指南草案未涉及以下情况下 AI 模型的使用：(1) 在药物发现中或 (2) 用于运营效率（例如，内部工作流程、资源分配、起草/撰写监管申报文件），这些情况不会影响患者安全、药品质量或非临床或临床研究结果的可靠性。
[2] 模型风险包括模型影响力和决策后果两个维度，例如在临床试验中引入AI模型决定某个受试者在服用临床试验药物后是否不需要住院观察，如果这个决定是由AI模型唯一决定，属于模型影响力高；如果AI模型的判断错误，受试者服用药物后会产生不良反应如不及时住院可能带来严重后果的情形，属于决策后果高，两个维度综合考虑后这个AI模型风险属于高的情形。
调配全所资源、长期陪伴客户的一站式法律服务
