具體來說，FDA 將通過一系列方法減少、改進或可能替代動物實驗要求，包括基于人工智能（AI）的毒性計算模型、實驗室環境中的細胞系和類器官毒性測試（即所謂的“新方法論”）。該方案將立即在新藥臨床試驗申請（IND）中實施，鼓勵納入這些“新方法論”數據。為確定藥物的有效性，FDA 還將開始使用來自其他國家的已有的真實世界安全性數據（這些國家的監管標準與美國相當，且該藥物已在這些國家中進行過人體研究）。

于今年 4 月 1 日上任的 FDA 新任局長 Martin A. Makary 博士表示，長期以來，制藥公司對已在國際上廣泛用于人類的藥物進行著額外的動物試驗。此次宣布的新舉措標志著藥品評估方式的轉變，有望在加快提供治愈方法和有效治療的同時減少動物試驗。通過利用基于人工智能（AI）的計算模型、基于人體器官模型的實驗室測試以及真實世界的人類數據，我們能夠更快速、更可靠地為患者提供更安全的治療，同時降低研發成本和藥品價格。這對公共衛生和倫理而言都是雙贏。

核心目標

通過采用科學驗證的新方法論（例如如器官芯片、計算模型、體外檢測等），逐步減少臨床前安全研究中對動物實驗的依賴，提升藥物安全評估的預測準確性，同時降低研發成本和時間。

關鍵背景

1、動物實驗的局限性：

• 90%通過動物實驗的藥物因安全性/有效性失??；

• 物種間生理差異導致誤判（例如TGN1412單抗在動物中安全但引發人體嚴重免疫反應）；

• 倫理爭議及高昂成本（單抗開發需上百只靈長類動物，開發總成本超 7.5 億美元）。

2、政策支持：

• 《FDA現代化法案2.0》（2022）允許非動物替代方法用于 IND 申請；

• FDA科學委員會（2024）建議加速新方法論的驗證。

3、技術進展：

• 器官芯片（例如肝臟芯片預測藥物肝損傷的準確率高達 87%）、AI 模型、類器官等技術日趨成熟。

   

實施策略

1、短期（3年內）行動：

• 聚焦單克隆抗體（mAb）：減少靈長類動物長期毒性試驗（從6個月縮短至3個月）；

• 數據整合：建立國際藥物毒性數據庫，利用現有臨床數據替代部分動物實驗；

• 試點項目：允許制藥企業提交新方法論數據替代動物實驗。

2、技術路徑：

• 體外系統：多器官芯片模擬人體反應，免疫類器官檢測細胞因子釋放；

• 計算機模型：AI 預測抗體免疫原性、PBPK 模型優化藥代動力學；

  驗證流程：通過回顧性分析（對比歷史數據）和前瞻性試驗驗證新方法論可靠性。

3、跨部門協作：

• 聯合國立衛生研究院（NIH）、退伍軍人事務部（VA）等機構共享數據和資源，加速新方法論標準化與驗證；

• 建立聯邦級毒理學數據庫（CAMERA），推動國際監管協調。

   

政策與激勵

1、監管調整：

• 修訂 ICH 指南，明確新方法論替代動物實驗的條件；

• 發布案例指南，展示新方法論在IND/BLA中的成功應用。

2、企業激勵：

• 對使用新方法論的企業提供快速審批通道；

• 公開“無動物實驗獲批藥物”案例，樹立行業標桿。

3、長期愿景（3-5年）：

• 動物實驗成為“例外”，僅用于新方法論無法解決的特定問題；

• 全球監管框架統一，推動新方法論成為藥物安全評估新標準。

   

預期效益

科學：提升人體相關性，減少臨床失敗風險；

經濟：縮短藥物研發周期（當前平均研發周期為 9 年），降低單抗開發成本（當前平均開發成本為 7 億美元）；

倫理：減少非人靈長類等動物的使用。

FDA 通過整合類器官/器官芯片、AI 計算模型、體外檢測等新方法論技術以及政策改革和跨部門協作，旨在建立以人體為中心的藥物安全評估體系，推動監管科學進入“后動物實驗時代”。這一路線圖不僅提升公共健康保障，也有助于鞏固美國在生物醫藥創新中的全球領導地位。

近岸蛋白提供多種類器官體外培養全方案，包括基質膠、培養基、相關細胞因子等，助力類器官研發國產化替代：