老药新用
新药研发过程耗时且成本高昂。从最初的药物发现到最终上市，通常需要17年左右的时间，成本超过20亿美元。此外，候选药物的失败率很高：经过临床试验的新药中，只有10%最终获得上市批准，其中失败率最高的阶段是在I期和II期临床试验中。
老药新用，又称药物重定位，旨在确定现有药物（已上市或已通过人体安全性评估的药物）可用于治疗其最初开发用途以外的疾病。
我们可以从多个角度看待老药新用：
- 以疾病为中心的方法侧重于特别关注的适应症，旨在通过研究不同适应症之间相似的潜在生物分子机制来寻找合适的药物靶点。
- 以靶点为中心的方法侧重于为已知药物靶点寻找新的治疗应用（适应症拓展或适应症重新定位）。这些特别关注的药物靶点被认为是安全的，但在其最初研究的适应症中未能证明其有效性。
科睿唯安的发现与转化科学（Discovery and Translational Science，DTS）咨询团队利用计算机模拟技术，对需要再利用的药物靶点或适应症进行优先级排序和选择。
我们基于人工智能的解决方案利用最新收集的疾病特征和生物网络，针对众多适应症系统地筛选资产的作用机制（Mechanism of Action，MoA），确保对潜在适应症进行彻底、客观的探索，避免出现先入为主的主观偏见。最近，我们在专题网络研讨会和博文中探讨了老药新用的方法、挑战和前景。
老药新用策略与罕见病尤为相关，因为人们通常对罕见病的生物学特性知之甚少，患者人数少，且监管严格，这给老药新用带来了巨大挑战。
肿瘤学是与老药新用方法尤为相关的另一个领域：系统性筛选和先进的算法可以识别新药、及其靶点，甚至可以发现能够提高疗效的药物组合。这对于克服耐药性至关重要，尤其是在治疗方案有限的罕见癌症中。
肿瘤学中的适应症优先级
尽管肿瘤学研发投入巨大，但临床试验的成功率仍然很低。肿瘤化合物的研发之路道阻且长，只有3.4%的药物最终获得了监管部门的批准。在这种情况下，优先考虑最有可能从药物中获益的癌症类型是提高获批可能性的关键。
科睿唯安拥有一支跨学科的科学家团队，他们在广泛的组学（OMIC）数据和分析技术方面经验丰富。我们的专业知识涵盖生物信息学、数据管理工作流、系统生物学和统计建模，并且早在2014年就在机器学习方面奠定了坚实的基础。这种多样化的技能组合使我们能够无缝整合各种数据源，为客户提供强有力的洞见，从而有效地确定其药物的适应症优先级。
我们的工作通常从揭示药物的作用机制开始。为此，我们利用MetaBaseTM（Cortellis解决方案之一）提供的信息，这是一个人工注释的分子相互作用、通路和疾病生物标志物数据库。我们采用在“药物研发的计算生物学方法”（Computational Biology Methods for Drug Discovery，CBDD）联合会实施的一套基于网络的算法，以了解哪些蛋白质、基因和通路参与了药物反应。
我们的团队拥有组学数据分析专家（例如蛋白质组学、转录组学、单细胞学）。通过整合不同的数据源（多癌数据库和临床数据），我们可以评估靶点表达与癌症亚型、疾病阶段与其他临床参数之间的关联，从而得出更有可能从调节靶点活性中获益的癌症类型排序列表。
机器学习技术也是确定适应症优先级的有力工具：
- 机器学习算法可以分析大型数据集，根据观察到的特征（如药物-疾病对或疾病组学数据）确定模式和关系。
- 当可用数据量较大时，深度学习可以对高级数据提取进行建模，从而提供更深刻的见解。
- 矩阵分解可用于将药物-疾病相互作用矩阵分解为低维矩阵，从而预测药物对特定疾病的潜在疗效。
我们能够通过这些技术筛选海量的生物医学数据，预测药物与靶点的相互作用，并最终确定有希望的老药新用机会。为了提高透明度，我们使用可解释的驱动因素将资产与疾病生物学联系起来。此外，详细的疾病注释支持灵活的筛选策略。这种方法提高了适应症优先排序工作流程的清晰度和适应性。
这些计算方法也可用于预测药物协同作用，即两种或多种药物相互作用产生的治疗效果大于其各自效果之和。为此，可以利用以下不同类型的数据：
- 组学数据：可以使用系统生物学方法预测靶向互补途径的药物之间的协同作用。
- 高通量细胞系实验，例如阿斯利康共享的DREAM挑战数据集。机器学习和深度学习可以从这些实验中学习模式，并对尚未测试的组合进行预测
- 知识图谱是人工智能和语义网络技术中使用的一种功能强大的数据结构。它们模拟现实世界中的实体网络及其相互关系，如已知的药物-药物或药物-靶点相互作用。
由于肿瘤具有异质性，可能导致患者对治疗的反应不同，一些细胞对特定药物敏感，而另一些细胞则可能具有耐药性，因此寻找有效的药物组合在肿瘤学中至关重要。联合用药可以针对肿瘤的多个弱点，提高治疗的整体疗效。此外，联合用药还有助于预防或延缓耐药性的产生。
整合真实世界数据（Real World Data，RWD)
近年来，将真实世界数据纳入药物开发的关注度日益增长。真实世界数据是指从临床试验以外的来源获得的数据：电子健康记录（electronic health records，EHR）、索赔和账单数据、登记库、调查等。
在肿瘤学领域，利用真实世界数据并非新概念。事实上，早在2015年，研究人员就开始利用这一资源来加强他们的研究。例如，Xu等人在2015年发表的一篇文章中，利用自然语言处理（Natural Language Processing，NLP）技术分析了电子健康记录数据。他们预测，用于治疗糖尿病的药物二甲双胍可以降低癌症患者的死亡率。
真实世界数据能够提供宝贵的见解，助力制定系统的适应症优先级排序策略。在预测较高的药物再利用潜力的适应症中，流行病学数据对于优先考虑高患病率的适应症具有重要价值。流行病学优先级排序可以根据以下标准进行：
- 全球或关注区域的人口规模（发病率/患病率）。
- 发病率/患病率预测：由于人口老龄化和生活方式的改变，一些癌症类型（如乳腺癌或前列腺癌）的患病率预计会增加，而一些类型的肝癌或宫颈癌由于病毒感染治疗效果更好，患病率预计会下降。
- 其他流行病学数据，例如合并症、死亡率或癌症复发率。
科睿唯安流行病学数据来源广泛，包括同行评审期刊、美国基于理赔和电子健康记录数据以及特定疾病的预测。这种多样化的数据收集涵盖800多种疾病。这些数据经过专家的精心汇编，并包含原始来源的完整引文。
生物医学和流行病学优先级排序可以与竞争优先级排序的适应症相结合，后者基于针对目标适应症的已获专利药物、药物开发阶段以及因毒性或安全警示而终止的临床试验。这些数据可以从科睿唯安数据库中获取，例如Cortellis药物早期研发情报数据库或OFF-X临床前和临床安全性情报。
真实世界数据在药物发现过程中的应用涵盖多个阶段。科睿唯安致力于在每个阶段为客户提供支持。无论您是要再利用您的药物为目标人群寻找合适的靶点，还是希望扩展到新的治疗领域，制定完善的临床试验计划和执行策略对药物的成功至关重要。在这个行业中，超过53%的临床试验方案因试验效果不理想而需要修改，因此我们深知首次试验就取得成功的重要性。
通过结合真实世界数据、历史及当前临床试验数据、行业基准和监管情报，我们能够为试验方案优化和实施提供深刻见解和专业指导。我们的临床方案优化分析的优势源于我们强大的数据库。这些数据库经过专业且精细的整理，能够支持深入的数据驱动方法。我们可以从类似试验的成功和失败中汲取经验，并对试验设计进行细分，以了解哪些因素最终发挥了关键作用。我们可以将这些数据与真实世界数据相结合，以了解试验设计标准对目标患者群体的影响。我们还可以利用真实世界数据来检查患者病程、护理标准和未满足的需求，以确保您的方案符合必要的标准，从而证明获得批准所需的价值。最后，真实世界数据以及之前的试验经验可用于选择最适合您试验的研究中心/研究者，并根据目标患者的可用性和可及性，筛选出最有可能获得成功的研究中心/研究者。最终，科睿唯安可以根据您的特定需求定制的复杂试验设计标准评估差距并提供建议。
总而言之，我们提供一站式全面的咨询服务，包括对数千个适应症进行系统的生物医学筛选，以对最有前景的候选适应症进行详细的商业和患者影响评估。
我们在发现和转化科学咨询服务方面的专家团队随时准备指导您确定最适合您药物的适应症，整合不同的数据源（组学数据、科睿唯安手动注释的生物医学数据库和真实世界数据）并利用尖端技术。凭借其丰富的知识和经验，他们还可以协助您确定最佳药物组合，从而最大限度地提高疗效和安全性。
科睿唯安商业策略咨询服务可助力最大限度地提高对患者和商业的影响力。
最后，临床与法规咨询团队还可以在优化临床试验设计方面提供额外的帮助和指导，以降低新药或再利用药物上市失败的风险。
即刻行动，最大化您的药物潜力！访问我们的“咨询服务”页面，了解更多关于我们如何为您提供帮助的信息。
