抗体偶联药物非临床安全性评价毒性病理学检查关注点

抗体偶联药物(ADC)是由抗体、有效载荷(细胞毒性小分子化合物)和连接子组成的新型特异性抗肿瘤药物。ADC具有高特异性和不良反应少等特点,但其安全性受到抗体特异性、连接子稳定性和有效载荷性质等因素的影响。ADC的剂量限制性毒性主要与有效载荷有关,且在临床和非临床研究中具有很好的相关性。ADC的毒性机制包括靶向毒性和脱靶毒性,靶向毒性主要由靶点的表达决定,脱靶毒性则由偶联不稳定和非特异性摄取等因素引起。简要概述ADC的毒性机制,重点介绍ADC非临床安全性评价中的毒性病理学检查关注点,以期为我国ADC非临床安全性评价提供一定参考。

毒性病理学及人工智能数字组织图像分析质量控制概述

随着人工智能和机器学习的快速发展,人工智能对全切片图像的诊断几乎可以媲美病理学家,建立人工智能算法需要大量的数字组织图像训练集数据。数字组织图像分析是通过各种算法分析全切片图像,并从其中提取大量复杂的定量数据集。数字组织图像分析的质量控制不仅非常重要,而且是确保建立高质量数据集和AI算法的基础和前提。本文简要概述了全切片图像的质量控制策略、数字组织图像分析的影响因素和质量控制方法、数字组织图像分析结果的质量控制方法、毒性病理学家在数字组织图像分析中的作用、数据解释和报告以及数字组织图像用于毒性病理学诊断及AI的挑战,以期为我国药物非临床安全性评价毒性试验中使用全切片图像进行毒性病理学诊断及建立AI各种算法提供一定参考。

药物非临床安全性评价毒性病理学深度学习方法和应用概述

药物非临床安全性评价毒理学试验组织病理学数据在药物发现和开发过程中非常关键,是监管部门在实验动物中评估药物相关毒性及其对临床试验人类安全性影响所必需的。随着全切片图像、数字病理学和算法研究的进步,人工智能已广泛应用于人类临床医学实践。但机器学习,尤其是深度学习在非临床毒理学试验毒性病理学的进展比较缓慢。本文简要综述了毒性病理学在药物发现和开发中的作用、人工智能和深度学习方法概述、深度学习方法在毒性病理学中的应用以及在毒性病理学中应用深度学习方法所面临的挑战,以期为我国药物非临床安全性评价毒理学试验组织病理学检查应用深度学习方法提供一定参考。

人工智能在毒性病理学中的应用

毒性病理学是临床前药物安全性评价的重要组成部分。随着计算机科学的发展和全切片数字扫描切片技术的发展,人工智能(AI)已经广泛应用于药物安全性评价领域,也包括病理学的各个方面,如诊断病理学、兽医诊断学、病理学研究、监管毒理学和病理学初级阅片及同行评议等。AI病理学平台的应用逐渐影响精准医学和个性化医学的未来发展。然而,与其他重要的科学技术进步一样,AI在毒性病理学领域的实施和应用也面临巨大的挑战。通过简要综述数字病理学的发展、算法类型、AI在毒性病理学中的应用概况、AI的监管环境等,以期为AI在毒性病理学中的研究发展及广泛应用提供新的思路。

药物发现过程中人工智能的应用研究进展

人工智能(AI)和机器学习不仅使药物发现和开发实现了质的飞跃,而且帮助药物开发进程进入现代化。机器学习和深度学习算法已应用于药物发现各个阶段,如先导化合物的筛选、多肽合成及小分子药物的发现、最佳给药剂量的确定、类药化合物的设计和药物不良反应的预测、蛋白质间相互作用的预测、虚拟筛选效率的提高、定量构效关系(QSAR)建模和药物重新定位、理化性质和药物靶标亲和力的预测、化合物的结合预测和体内安全性分析、多靶点配体药物分子的设计以及临床试验的设计。简要综述了AI算法和传统化学相结合以提高药物发现的效率以及AI在药物发现过程中的应用研究进展,以期为AI应用于药物发现提供一定参考。