專家訪談 | Hwi-yeol Yun教授：融合臨床藥學與定量藥理學——以患者為中心的精準藥物治療新范式

編者按：隨著精準醫療理念的不斷深化，如何將前沿的定量科學與臨床藥學實踐深度融合，以優化藥物治療策略，已成為藥學領域的關鍵議題。定量藥理學通過數學模型量化藥物、機體和疾病間的相互作用，而臨床藥學則直接關注患者的個體化治療。兩者的交匯為提升療效、降低風險開辟了新路徑。在2025年第11屆定量藥理學與新藥評價會議（ISQP）上，韓國忠南大學藥學院/生物-AI融合研究中心的Hwi-yeol (Thomas) Yun教授闡述了“機器學習融合定量藥理學，賦能模型引導的精準給藥”的話題。

《藥學瞭望》特別邀請Hwi-yeol Yun教授，圍繞臨床藥學與定量藥理學融合的價值、人工智能帶來的機遇與挑戰，以及未來有望取得突破的臨床領域等核心議題，展開深入分享。

《藥學瞭望》： 您的研究整合了臨床藥學與定量藥理學。能否分享一下這兩個領域的交叉如何推動更精準的藥物治療策略？

Hwi-yeol Yun教授：臨床藥學關注如何為患者實施藥物治療，而定量藥理學是關于患者高效治療的定量系統科學。整合這兩個科學領域對于實現精準醫療、確保高效且無危險風險的治療非常關鍵。

兩個領域的融合使我們能夠量化變異性，這對于預測信號特別有效。許多患者表現出無法解釋的個體差異，意味著很多結果往往是不可預測或不可測量的。正如我提到的，定量藥理學將這種變異性轉化為可解釋的因素，將未闡明的變異性轉變為可預測的信號。這對于確定達到目標暴露所需的劑量以及量化患者結局具有強大作用。

我們團隊以及許多其他研究人員專注于將定量藥理學整合到臨床藥學中。一個最佳實踐案例是抗微生物藥物精準給藥領域。許多醫院擁有優秀的基礎設施來量化抗微生物藥物的血漿濃度，即使對于新藥也是如此。這意味著醫院已經具備了量化血漿濃度和患者結局的基礎設施，使他們能夠系統地組織真實世界數據庫。

兩個領域的知識相結合，使我們能夠預測并為患者實現精準醫療。我們和藥學領域的許多研究人員專注于在抗微生物或感染性疾病領域優化劑量。這一過程加速了劑量優化，使我們能夠期待在無不良反應的情況下獲得更好的治療結果。這些技能也可應用于特殊人群，如兒科患者或有腎或肝損傷的患者。他們有更好的藥物治療需求，但在現實世界中，由于倫理問題，接觸這些人群的機會有限。然而，將定量藥理學與臨床藥學相結合，使我們能夠通過模擬研究創建虛擬的特殊人群。從而，我們可以量化這些虛擬人群中的藥物效應和不良反應，為治療特殊人群生成證據。因此，這也是整合臨床藥學與定量藥理學的優勢之一，即生成虛擬人群并為精準醫療創造證據。

這就是我們所說的“以患者為中心的藥物治療”。這意味著患者通過這些技能獲益，包括更好的預期療效、更少的副作用以及更短時間找到正確治療方案，尤其是在他們的生理狀況迅速變化時，例如嚴重感染或危重疾病期間。

《藥學瞭望》： 作為生物-AI融合研究中心的兼職教授，您認為將人工智能與定量藥理學相結合的主要挑戰和機遇是什么？

Hwi-yeol Yun教授：我與計算科學團隊合作，這是一個很好的機會來擴展我在CPS（信息物理系統）方面的知識，因為我主要在藥學領域工作。根據我的經驗，人工智能技術在藥學領域是一項非常有用的資產。

主要有三個機遇。首先，即使面對高度異質性的臨床數據，AI技術也能提供更好的預測。眾所周知，臨床數據通常“不干凈”，因為它并非來自精心設計的研究，天生具有異質性。但AI技術可以解釋這類數據。盡管存在這些數據限制，它仍能保證更好的預測。

其次，AI速度更快。傳統的定量藥理學依賴于數學或統計方法，在處理大數據時存在局限性；所需時間隨數據量呈指數級增長。然而，AI技術比傳統方法工作得更快。如今，醫療保健和臨床藥學領域正在生成前所未有的海量數據集，因此我們必須處理比以前時期更大的數據集。這正是需要AI技術的地方。與傳統方法相比，它對于處理大數據至關重要。

第三，AI提供了從實驗室到床邊的可解釋性連接。我們需要理解從分子到患者的全過程，跨機制鏈接反應，并理解患者特征。AI現在正在變革早期階段，例如預測藥物-靶點相互作用。其預測可用于將知識轉移到藥代動力學、藥效學和臨床結局，并考慮特殊人群或人群狀況。這種整合可以實現從分子水平到患者水平的連接。這也是使用AI的最大機遇，因為這一過程對于能夠將自主實驗室與物理AI結合以進行新藥發現和精準醫療至關重要。

簡而言之，AI在發現模式方面具有卓越技能，而傳統定量藥理學在闡明患者狀況或精準醫療以優化劑量和生物學合理性方面表現優異。兩個領域的融合前景光明。

盡管存在這些機遇，要進一步發展這些技能也面臨許多挑戰。

第一個挑戰是數據質量和偏差。AI在幻覺以及基于數據集訓練方面存在局限性。然而，數據集是開發足夠模型以應用于臨床環境的起點。我們必須了解并保證數據集質量，以構建好的AI模型以及科學間的良好整合。

第二個挑戰是增強可解釋性。您可能已經知道，臨床醫生和監管科學研究人員的態度非常保守。他們對在臨床中應用新技能猶豫不決，因為一例死亡案例可能導致重大的社會問題。醫生、臨床醫生、監管科學家都很保守，關注控制副作用以滿足此類限制。將AI與定量藥理學結合，我們確實增強了可解釋性的能力，因為AI基于黑箱理論。盡管預測良好且合適，但如果模型缺乏可解釋性，臨床醫生和監管科學家仍會猶豫是否應用。這是第二個挑戰，即增強AI模型的可解釋性，以闡釋科學、文獻并使其在臨床環境中良好運作。

第三是工作流程的整合。藥物發現和精準醫療的過程涉及眾多科學家。生物科學家需要理解臨床醫生或醫生所說，醫生或臨床醫生以及監管科學家也需要理解生物科學家的工作和知識。精準醫療或藥物發現過程涉及許多科學家、許多科學領域和許多研究人員。因此，我們必須無障礙地相互連接；平臺和框架需要良好運作，確保研究人員間的公平協作。所以，AI與定量藥理學整合的最后一個挑戰是關于將其整合到工作流程中，以實現無邊界應用，即使研究人員或臨床醫生的知識有限。

《藥學瞭望》： 從學術研究的角度來看，您認為定量藥理學在未來五年最有可能在哪個具體臨床領域取得突破性進展？

Hwi-yeol Yun教授：定量藥理學覆蓋廣泛的疾病領域，以改善合理性與可解釋性、劑量優化和藥物發現。如果我必須選擇一個具體領域，我建議是感染性疾病。

首先，該領域緊迫的臨床需求具有高度優先性。例如，五年前我們經歷了大流行，這表明感染性疾病如何影響我們的整個生活。由于那段經歷，以及患者的高變異性，我將此領域置于優先位置。

正如我前面提到的，定量藥理學和AI可以將變異性轉化為可解釋性。感染性疾病的特點是藥物在患者間變異性高，死亡率也差異很大。有些患者癥狀輕微，而其他患者可能因相同細菌引起的相同感染而死亡。這種變化與患者狀況、治療以及許多其他可能影響結局的情況有關。感染性疾病在結局上表現出顯著的變異性。許多醫院已經擁有量化藥物濃度和檢查感染性疾病結局的基礎設施。因此，在醫院具備良好基礎設施的情況下，很容易直接在患者中應用。

我之所以認為感染性疾病將是早期應用領域的最后一個原因是，抗生素耐藥性問題是一個全球性問題。細菌耐藥性需要在國家層面進行控制，因為抗菌藥物是控制感染性疾病的最后手段。這意味著即使我們有藥物，也需要控制細菌對藥物產生耐藥性。這就是我選擇感染性疾病作為未來方向的原因。突破性技能可以使這成為現實。

患者到醫院接受特定治療。當他們進入醫院，臨床醫生或藥劑師將在第一天內為該患者確定合適的給藥方案和治療。這一過程可以自動執行，由AI和定量藥理學支持，物理AI設備也支持診斷或貢獻實驗室數值。藥劑師和醫生從自主物理AI平臺獲取報告，為患者驗證結果，無障礙地相互溝通，并向患者解釋，例如為什么您在接受這種治療。他們還可以基于生成的建議，與其他領域的醫療保健專業人員（如生物學領域）溝通。這是我們醫療保健系統未來發展方向的一個愿景。

添加藥學瞭望管理員

進入學術交流群

《藥學瞭望》征稿邀請

01.投稿內容

征稿內容不限于：研究進展、團隊科研成果、臨床用藥經驗分享、典型病例解讀、疾病診治經驗、人文故事等

02.聯系人

投稿 | 學術報道 | 合作

投稿聯系人：劉老師 15201320201（微信同號）

投稿郵箱：contact@siri.ntesmail.com

（來源：藥學瞭望）