新品发布｜橡瞳™-AI+类器官芯片药物毒性预测平台：让安全性风险更早被看见

新药研发中，很多项目不是因为没有效果失败，而是因为安全性风险暴露得太晚。

药物性肝损伤、心脏毒性、肾毒性、肠毒性……这些问题一旦在临床前后期甚至临床阶段才被发现，往往意味着巨大的研发投入损失。

在橡瞳^TM系列第一篇中，我们介绍了橡瞳^TM-AI+类器官芯片药物筛选平台，帮助研发团队从海量候选分子中找到值得优先推进的方向。

但药物研发不能只问这个药有没有效？

还必须更早回答这个药安全吗？

为此，大橡科技推出橡瞳^TM-AI+类器官芯片药物毒性预测平台（Oakuloid^TM-ToxPredictor）。

该平台是橡瞳^TM-AI+类器官芯片药物研发决策系统的第二个重磅产品，以人源类器官芯片模型为实验基础，结合AI预测模型，面向药物研发早期安全性评价，帮助研发团队更早识别潜在毒性风险，更早做出项目取舍和优化决策。

01

药物研发失败

很多时候败在安全性太晚发现

临床开发失败率约90%^[1]

安全性导致24%的Ⅱ/Ⅲ期失败^[2]

32%的创新药出现上市后安全事件^[3]

肝毒27.1%、心毒18.8%、肾毒9.8%^[4]

药物性肝损伤是安全性撤市最常见的单一原因^[5]

传统毒性评价通常依赖动物实验、二维细胞模型和历史数据库预测，但这些方法存在明显局限：

◇ 动物模型与人存在种属差异

◇ 传统细胞系难以反映真实人体组织功能

◇ 历史毒性数据来源复杂，标签质量参差不齐

◇ 单一终点指标难以解释复杂毒性机制

◇早期筛选阶段难以进行系统性安全性判断

02

橡瞳^TM的核心逻辑：AI预警风险

类器官芯片验证真实反应

橡瞳^TM-AI+类器官芯片药物毒性预测平台采用“AI预测+人源类器官芯片验证"的双重路径。

AI模型可对候选分子的潜在毒性风险进行快速识别和排序；类器官芯片模型则进一步提供更接近人体组织环境的功能验证。

简单来说：

AI负责早期预警，类器官芯片模型负责真实验证。

平台帮助研发团队判断：

◇ 哪些候选分子存在潜在安全性风险？

◇ 哪些风险需要进一步验证？

◇ 药效剂量和毒性剂量之间是否存在安全窗口？

◇ 哪些结构优化方向可能降低毒性？

◇ 哪些候选物不适合继续推进？

橡瞳^TM-AI+类器官芯片药物毒性预测平台包含四个子产品：

1.橡瞳^TM-AI+肝毒预测平台

肝脏是药物代谢和毒性反应最核心的器官之一。药物性肝损伤是导致药物研发失败、说明书黑框警告和药物撤市的重要原因。

橡瞳^TM-AI+肝毒预测平台基于人源肝类器官模型，结合AI毒性预测算法，用于评估候选药物的潜在肝毒性风险。

应用范围包括：

◇ 药物性肝损伤风险预测

◇ 肝细胞损伤评价

◇ 代谢相关毒性评估

◇ 候选物肝毒风险排序

2.橡瞳^TM-AI+心毒预测平台

心脏毒性是药物临床开发中高度关注的安全性问题，尤其涉及心肌细胞损伤、心律失常风险、收缩功能异常等。

橡瞳^TM-AI+心毒预测平台可结合心脏类器官或心肌细胞相关模型，对候选药物潜在心脏安全性风险进行早期评估。

应用范围包括：

◇ 心肌细胞毒性预测

◇ 心律相关风险提示

◇ 心毒性剂量反应分析

◇ 心脏安全窗口判断

3.橡瞳^TM-AI+肾毒预测平台

肾脏是药物排泄和毒性累积的重要器官。许多候选药物在研发过程中会暴露出肾小管损伤、肾功能影响或代谢相关肾毒性问题。

橡瞳^TM-AI+肾毒预测平台基于人源肾类器官或肾脏相关体外模型，结合AI预测能力，对候选药物肾毒性风险进行评估。

应用范围包括：

◇ 肾小管毒性预测

◇ 药物排泄相关风险分析

◇ 肾毒性剂量窗口分析

◇ 候选物肾安全性排序

4.橡瞳^TM-AI+肠毒预测平台

肠道不仅是药物吸收的重要部位，也是许多药物毒副反应的发生部位。肠道屏障损伤、炎症反应、吸收异常等问题，会直接影响药物安全性和可开发性。

橡瞳^TM-AI+肠毒预测平台基于人源肠类器官模型，结合AI分析系统，用于评估候选药物对肠道组织的潜在影响。

重点应用包括：

◇ 肠上皮损伤预测

◇ 肠道屏障功能影响评估

◇ 药物吸收相关风险分析

◇ 肠毒性剂量窗口判断

「肝毒性研究案例」

比较了不同模型在肝毒性预测任务中的表现，指标为AUROC（AUC）；在化学结构新颖性较高的测试集上评估，训练集与测试集的最大Tanimoto相似度低于0.4，因此更强调模型对“未见过的化学结构"的泛化能力。AUC越高，区分肝毒性阳性和阴性的能力越强，0.5约等于随机水平。

Oakuloid^TM-ToxPredictor的表现如下：
TDC-96队列（57个阳性/39个阴性）：AUC=0.730
Oakuloid是该组表现较好的模型，并且高于其他多数模型，优于DILIPred系列、ChemBERTa-2、MolFormer-XL以及传统机器学习模型。其表现明显高于随机水平，说明在较大规模队列中具有较好的肝毒性区分能力。

GECI-48队列（34个阳性/14个阴性）：AUC=0.740
Oakuloid在该队列中取得最高AUC，高于DILIPred-HumanHep和ChemBERTa-2（均为0.723），显示稳定的跨队列泛化能力。

04

从单器官风险到综合安全性判断

真实药物毒性往往不是单一器官问题。

一个候选分子可能同时涉及肝代谢风险、肾排泄风险、心脏安全性风险或肠道吸收毒性问题。

因此，橡瞳^TM-AI+药物毒性预测平台不仅关注单一毒性终点，更建立了多器官风险综合评价能力。

05

适用场景

橡瞳^TM-AI+药物毒性预测平台适用于：

早期候选分子安全性筛查

◇ 先导化合物毒性风险优化

◇ 临床前候选物安全窗口评估

◇ 药物结构优化过程中的毒性预警

◇ 多器官毒性风险综合评估

◇ 药企管线安全性再评估

参考文献

[1] 临床研发总体失败率及主要失败原因

Sun D, Gao W, Hu H, Zhou S. Why 90% of clinical drug development fails and how to improve it? Acta Pharmaceutica Sinica B. 2022;12(7):3049-3062. doi:10.1016/j.apsb.2022.02.002.

[2] Ⅱ期和Ⅲ期临床试验失败原因

Harrison RK. Phase II and phase III failures: 2013-2015. Nature Reviews Drug Discovery. 2016;15(12):817-818. doi:10.1038/nrd.2016.184.

[3] 创新药上市后重大安全事件和黑框警告

Downing NS, Shah ND, Aminawung JA, Pease AM, Zeitoun JD, Krumholz HM, Ross JS. Postmarket safety events among novel therapeutics approved by the US Food and Drug Administration between 2001 and 2010. JAMA. 2017;317(18):1854-1863. doi:10.1001/jama.2017.5150.

[4] 安全性撤市的主要器官毒性原因

Craveiro NS, Lopes BS, Tomás L, Almeida SF. Drug withdrawal due to safety: A review of the data supporting withdrawal decision. Current Drug Safety. 2020;15(1):4-12. doi:10.2174/1574886314666191004092520.

[5] 药物性肝损伤与药物安全性撤市

U.S. Food and Drug Administration. Guidance for Industry: Drug-Induced Liver Injury: Premarketing Clinical Evaluation. Center for Drug Evaluation and Research; Center for Biologics Evaluation and Research. July 2009.