传统的肿瘤研发模式受限于患者之间的遗传因素、生物标志物等差异，导致了肿瘤药开发后期的高失败率。而以生物标志物驱动的药物研发模式，从大量肿瘤病人的基因组大数据出发，以生物标志物为导向，指导药物开发，提高临床试验成功率。
生物标志物用于疾病诊断、分型、分期，以及判断药物在目标人群的有效性和安全性，在药物开发与临床应用中的作用日益提升。标志物引导的药物研发不仅可为临床试验节约资源，还能引导新适应症的开发，提高临床用药的响应率，被喻为药物研发漫漫征途中的“指南针”。
美国FDA肿瘤学卓越研究中心的前主任肖恩·霍金(Sean Khozin)在接受采访时表示，人工智能在临床试验中最有希望的应用之一是生物标志物的发现和开发。传统的生物信息学工具、分析方法无法将日益增长、多样性的数据用以发现生物标志物。处理复杂基因组数据的人工智能平台正在被用于开发伴随诊断。人工智能可以成为催生新一代发现和临床证据生成方式的变革性工具。
肖恩·霍金表示，我们通常认为生物标志物是客观测量的病人和疾病的特征，可以作为临床有意义的终点或预后和预测变量。大多数生物标志物(例如，脂质面板作为心血管疾病的危险因素，EGFR阳性作为对晚期非小细胞肺癌靶向小分子反应的预测指标)已经导致了几种安全有效的治疗方法的成功开发。
随着我们开始更好地理解疾病的生物学和病理生理复杂性，使用现代的测量工具，如下一代测序和数字医学设备，传统的生物信息学工具和分析方法可能无法将日益增长的数据量和多样性整理成经过适当验证的生物标志物，以支持更安全和更有效的治疗方法的发展。AI正在帮助驯服我们已经在临床试验中生成的数据，以开发复杂的多组学表型策略，这些策略超出了假设，例如，像EGFR这样的单个体细胞突变就反映了肿瘤的发生和对治疗的反应。
详细报道：https://www.bioworld.com/articles/429315-fda-looks-to-ai-to-streamline-drug-development-and-approval-process>
读后感：
一种药物的成功完全取决于其临床试验方案的设计可为好不夸张。临床试验阶段的“低性价比”问题突出，投入最高（成本占63%）、耗时最长（6.5年），上市成功率仅8%，这是人工智能可以帮助规划药物研发的一个领域。
单一分子生物标志物曾经成就过曲妥珠单抗、伊马替尼、吉非替尼等诸多的明星靶向药物。但是，多数靶向药物虽有明确靶点，药物起效机制依然不明。这就导致临床试验开展、适应症拓展、跨线晋级等一系列药物研发行动无的放矢。比如除索拉非尼外其他VEGFR抑制剂在肝癌上的折戟沉沙；C-MET抑制剂在胃癌的失利；贝伐珠单抗在早期非小细胞肺癌上的收效甚微。
更全面地了解疾病的状态、目标、药物和病人特征，可以为治疗反应者提供前瞻性的病人分层。这增加了在临床试验中获得良好结果的可能性，或者避免了在经过回顾性分析才发现最佳设计之后重复昂贵的第三阶段试验的情况。
即使一种药物进入市场，竞争对手之间的差异也可以通过临床试验设计来加大，从而产生截然不同的市场前景。在关键的临床试验中，正确选择患者群体、生物标志物、背景疗法可能会在药物生命周期内价值数十亿美元。
