专家访谈 | Hwi-yeol Yun教授：融合临床药学与定量药理学——以患者为中心的精准药物治疗新范式

编者按：随着精准医疗理念的不断深化，如何将前沿的定量科学与临床药学实践深度融合，以优化药物治疗策略，已成为药学领域的关键议题。定量药理学通过数学模型量化药物、机体和疾病间的相互作用，而临床药学则直接关注患者的个体化治疗。两者的交汇为提升疗效、降低风险开辟了新路径。在2025年第11届定量药理学与新药评价会议（ISQP）上，韩国忠南大学药学院/生物-AI融合研究中心的Hwi-yeol (Thomas) Yun教授阐述了“机器学习融合定量药理学，赋能模型引导的精准给药”的话题。

《药学瞭望》特别邀请Hwi-yeol Yun教授，围绕临床药学与定量药理学融合的价值、人工智能带来的机遇与挑战，以及未来有望取得突破的临床领域等核心议题，展开深入分享。

《药学瞭望》： 您的研究整合了临床药学与定量药理学。能否分享一下这两个领域的交叉如何推动更精准的药物治疗策略？

Hwi-yeol Yun教授：临床药学关注如何为患者实施药物治疗，而定量药理学是关于患者高效治疗的定量系统科学。整合这两个科学领域对于实现精准医疗、确保高效且无危险风险的治疗非常关键。

两个领域的融合使我们能够量化变异性，这对于预测信号特别有效。许多患者表现出无法解释的个体差异，意味着很多结果往往是不可预测或不可测量的。正如我提到的，定量药理学将这种变异性转化为可解释的因素，将未阐明的变异性转变为可预测的信号。这对于确定达到目标暴露所需的剂量以及量化患者结局具有强大作用。

我们团队以及许多其他研究人员专注于将定量药理学整合到临床药学中。一个最佳实践案例是抗微生物药物精准给药领域。许多医院拥有优秀的基础设施来量化抗微生物药物的血浆浓度，即使对于新药也是如此。这意味着医院已经具备了量化血浆浓度和患者结局的基础设施，使他们能够系统地组织真实世界数据库。

两个领域的知识相结合，使我们能够预测并为患者实现精准医疗。我们和药学领域的许多研究人员专注于在抗微生物或感染性疾病领域优化剂量。这一过程加速了剂量优化，使我们能够期待在无不良反应的情况下获得更好的治疗结果。这些技能也可应用于特殊人群，如儿科患者或有肾或肝损伤的患者。他们有更好的药物治疗需求，但在现实世界中，由于伦理问题，接触这些人群的机会有限。然而，将定量药理学与临床药学相结合，使我们能够通过模拟研究创建虚拟的特殊人群。从而，我们可以量化这些虚拟人群中的药物效应和不良反应，为治疗特殊人群生成证据。因此，这也是整合临床药学与定量药理学的优势之一，即生成虚拟人群并为精准医疗创造证据。

这就是我们所说的“以患者为中心的药物治疗”。这意味着患者通过这些技能获益，包括更好的预期疗效、更少的副作用以及更短时间找到正确治疗方案，尤其是在他们的生理状况迅速变化时，例如严重感染或危重疾病期间。

《药学瞭望》： 作为生物-AI融合研究中心的兼职教授，您认为将人工智能与定量药理学相结合的主要挑战和机遇是什么？

Hwi-yeol Yun教授：我与计算科学团队合作，这是一个很好的机会来扩展我在CPS（信息物理系统）方面的知识，因为我主要在药学领域工作。根据我的经验，人工智能技术在药学领域是一项非常有用的资产。

主要有三个机遇。首先，即使面对高度异质性的临床数据，AI技术也能提供更好的预测。众所周知，临床数据通常“不干净”，因为它并非来自精心设计的研究，天生具有异质性。但AI技术可以解释这类数据。尽管存在这些数据限制，它仍能保证更好的预测。

其次，AI速度更快。传统的定量药理学依赖于数学或统计方法，在处理大数据时存在局限性；所需时间随数据量呈指数级增长。然而，AI技术比传统方法工作得更快。如今，医疗保健和临床药学领域正在生成前所未有的海量数据集，因此我们必须处理比以前时期更大的数据集。这正是需要AI技术的地方。与传统方法相比，它对于处理大数据至关重要。

第三，AI提供了从实验室到床边的可解释性连接。我们需要理解从分子到患者的全过程，跨机制链接反应，并理解患者特征。AI现在正在变革早期阶段，例如预测药物-靶点相互作用。其预测可用于将知识转移到药代动力学、药效学和临床结局，并考虑特殊人群或人群状况。这种整合可以实现从分子水平到患者水平的连接。这也是使用AI的最大机遇，因为这一过程对于能够将自主实验室与物理AI结合以进行新药发现和精准医疗至关重要。

简而言之，AI在发现模式方面具有卓越技能，而传统定量药理学在阐明患者状况或精准医疗以优化剂量和生物学合理性方面表现优异。两个领域的融合前景光明。

尽管存在这些机遇，要进一步发展这些技能也面临许多挑战。

第一个挑战是数据质量和偏差。AI在幻觉以及基于数据集训练方面存在局限性。然而，数据集是开发足够模型以应用于临床环境的起点。我们必须了解并保证数据集质量，以构建好的AI模型以及科学间的良好整合。

第二个挑战是增强可解释性。您可能已经知道，临床医生和监管科学研究人员的态度非常保守。他们对在临床中应用新技能犹豫不决，因为一例死亡案例可能导致重大的社会问题。医生、临床医生、监管科学家都很保守，关注控制副作用以满足此类限制。将AI与定量药理学结合，我们确实增强了可解释性的能力，因为AI基于黑箱理论。尽管预测良好且合适，但如果模型缺乏可解释性，临床医生和监管科学家仍会犹豫是否应用。这是第二个挑战，即增强AI模型的可解释性，以阐释科学、文献并使其在临床环境中良好运作。

第三是工作流程的整合。药物发现和精准医疗的过程涉及众多科学家。生物科学家需要理解临床医生或医生所说，医生或临床医生以及监管科学家也需要理解生物科学家的工作和知识。精准医疗或药物发现过程涉及许多科学家、许多科学领域和许多研究人员。因此，我们必须无障碍地相互连接；平台和框架需要良好运作，确保研究人员间的公平协作。所以，AI与定量药理学整合的最后一个挑战是关于将其整合到工作流程中，以实现无边界应用，即使研究人员或临床医生的知识有限。

《药学瞭望》： 从学术研究的角度来看，您认为定量药理学在未来五年最有可能在哪个具体临床领域取得突破性进展？

Hwi-yeol Yun教授：定量药理学覆盖广泛的疾病领域，以改善合理性与可解释性、剂量优化和药物发现。如果我必须选择一个具体领域，我建议是感染性疾病。

首先，该领域紧迫的临床需求具有高度优先性。例如，五年前我们经历了大流行，这表明感染性疾病如何影响我们的整个生活。由于那段经历，以及患者的高变异性，我将此领域置于优先位置。

正如我前面提到的，定量药理学和AI可以将变异性转化为可解释性。感染性疾病的特点是药物在患者间变异性高，死亡率也差异很大。有些患者症状轻微，而其他患者可能因相同细菌引起的相同感染而死亡。这种变化与患者状况、治疗以及许多其他可能影响结局的情况有关。感染性疾病在结局上表现出显著的变异性。许多医院已经拥有量化药物浓度和检查感染性疾病结局的基础设施。因此，在医院具备良好基础设施的情况下，很容易直接在患者中应用。

我之所以认为感染性疾病将是早期应用领域的最后一个原因是，抗生素耐药性问题是一个全球性问题。细菌耐药性需要在国家层面进行控制，因为抗菌药物是控制感染性疾病的最后手段。这意味着即使我们有药物，也需要控制细菌对药物产生耐药性。这就是我选择感染性疾病作为未来方向的原因。突破性技能可以使这成为现实。

患者到医院接受特定治疗。当他们进入医院，临床医生或药剂师将在第一天内为该患者确定合适的给药方案和治疗。这一过程可以自动执行，由AI和定量药理学支持，物理AI设备也支持诊断或贡献实验室数值。药剂师和医生从自主物理AI平台获取报告，为患者验证结果，无障碍地相互沟通，并向患者解释，例如为什么您在接受这种治疗。他们还可以基于生成的建议，与其他领域的医疗保健专业人员（如生物学领域）沟通。这是我们医疗保健系统未来发展方向的一个愿景。

添加药学瞭望管理员

进入学术交流群

《药学瞭望》征稿邀请

01.投稿内容

征稿内容不限于：研究进展、团队科研成果、临床用药经验分享、典型病例解读、疾病诊治经验、人文故事等

02.联系人

投稿 | 学术报道 | 合作

投稿联系人：刘老师 15201320201（微信同号）

投稿邮箱：contact@siri.ntesmail.com

（来源：药学瞭望）