ARTICLE · 1096244
每周医药AI|Rentosertib进入III期:如何追踪AI药物从靶点到临床证据
医药研发 AI 专家：把疾病机制、靶点证据和临床验证串成可审查的研发路径
靶点优先级 · 药物发现 · 临床证据 · 研发复盘
正文已完整交付；文末「阅读原文」可继续操作
关注「AI-For-Precision-Health」 ｜ 持续更新可复现的 AI 科研实操
食品 · 医药 · 器械 · AI 工具 · 科研 Skill：让 AI 真正帮你做科研
一句话钩子：AI 把一个此前少有人关注的纤维化靶点——TRAF2 和 NCK 相互作用激酶（TNIK）——推到了 III 期，但“进 III 期”不是“药有效”。读完这篇，你能带走一套从公开组学数据、靶点排序到实验验证和临床终点的项目证据链，并看清每一步该由谁把关。
▲ 图 1｜从 AI 提出靶点，到临床试验回答疗效问题。IIa 期信号不能替代 III 期验证。
本文核心要点
▸ Rentosertib（原名 ISM001-055/INS018_055）是针对特发性肺纤维化（IPF）的候选小分子，AI 参与了 TRAF2 和 NCK 相互作用激酶（TNIK）靶点发现和候选分子设计。
▸ IIa 期中，60 mg 每日一次组 12 周用力肺活量（FVC）均值变化为+98.4 mL，安慰剂组为−20.3 mL；这是小样本、短随访的次要疗效信号，不是确证性结论。
▸ IIa 期也出现肝毒性相关停药；联合既有抗纤维化治疗时的药物相互作用，需要更大、更长研究继续厘清。
▸ 你可以用公开 IPF 组学数据做一个“靶点优先级与证据矩阵”练习，但不能据此宣称复现了企业专有 AI 药物研发平台。
特发性肺纤维化（idiopathic pulmonary fibrosis，IPF）会让肺组织逐渐瘢痕化，患者肺功能持续下降。临床常用用力肺活量（forced vital capacity，FVC）追踪肺功能变化。现有抗纤维化药物主要减缓进展，并不能让已经形成的瘢痕消失；不同患者的病程和治疗反应也不一样。[1,2]
早期研发常卡在两个问题：候选靶点是否真的驱动疾病，而不是只与疾病同时出现；即使靶点成立，药物能否在足够作用于靶点的剂量下保持安全。前者需要把不同组织、细胞和研究批次的证据放在一起看，后者必须靠药理、毒理和临床研究回答。AI 适合缩小搜索范围、排定优先级，不会替实验室证明因果，也不能替受试者承担风险。[1,5]
为什么这里需要 AI：IPF 项目会同时遇到转录组、蛋白组、细胞类型、通路、药物化学和临床试验资料。模型能做多源整合和候选排序，最终排序仍要回到独立数据与实验验证。[1]
这不是机器从头包办研发。更准确的说法是：模型生成了值得检验的假设，研究团队再做实验、化合物优化、毒理评估和临床研究。决定项目去留的，始终是后续证据。
靶点和分子发现：英矽智能团队在《Nature Biotechnology》报告以 PandaOmics 整合多组学、网络和文献线索，优先提出 TRAF2 和 NCK 相互作用激酶（TNIK）；再用 Chemistry42 生成并筛选抑制剂。论文称，从靶点发现到临床前候选物提名约 18 个月。研究包含细胞、动物和 I 期健康志愿者安全性/药代动力学资料。[1]
IIa 期临床：中国医学科学院北京协和医院徐作军团队与英矽智能等机构开展多中心、随机、双盲、安慰剂对照研究。71 名 IPF 患者被分到三个剂量组或安慰剂组，治疗 12 周；论文作者包括公司雇员，研究由英矽智能赞助，解读疗效时应同时披露这一利益关系。[2]
III 期临床：英矽智能于 2026 年 9 月宣布 GENESIS-IPF-3 首例患者给药，北京协和医院徐作军教授牵头，钟南山院士和上海市肺科医院陈昶教授联合牵头。公司公开方案为随机、双盲、安慰剂对照，计划在中国 47 个中心招募 320 人，治疗 52 周；主要终点是 52 周 FVC 年下降率。试验注册号为 NCT07687459，可在ClinicalTrials.gov 登记页核对。[3][4]
读证据要分层：“发现候选靶点”是计算和机制假设；“进入临床”是安全性与药代研究开始；“IIa 出现信号”是早期探索；“III 期成功”才可能提供更强的确证性证据。Rentosertib 目前仍是研究中的候选药物，不是已获批治疗。
IIa 期论文的主要终点是至少发生一次治疗期间不良事件的患者比例，各组结果相近。肺功能变化属于次要终点：60 mg 每日一次组 18 人，12 周 FVC 均值变化为+98.4 mL（95%置信区间 10.9 至 185.9）；安慰剂组 17 人，变化为−20.3 mL（95%置信区间−116.1 至 75.6）。论文没有报告这项 FVC 比较的 P 值，因此不能把均值差直接写成已确证疗效。[2]
剂量关系也不是整齐的“剂量越高、改善越多”：30 mg 每日一次组变化为−27.0 mL，30 mg 每日两次组为+19.7 mL，60 mg 每日一次组才是+98.4 mL。各组只有 17 至 18 人，疗程 12 周，且有 22.5%的受试者未完成研究。这个结果支持继续研究，却不足以回答长期获益和风险。[2]
安全性不能被肺功能均值盖过去。研究报告称，导致停药的常见事件涉及肝毒性或腹泻；肝毒性多见于同时使用背景抗纤维化药物尼达尼布的患者。论文作者提出需要进一步做药物相互作用研究，并在更大样本中观察更长时间的安全性和急性加重事件。[2]
2026 年 9 月另一篇《Nature Biotechnology》论文对 IIa 期中 42 名受试者的血浆蛋白数据做了事后分析，六种蛋白组衰老时钟都观察到治疗组预测年龄变化的信号。但研究者明确指出，单凭这些时钟无法拆分“疾病改善”与“衰老过程改变”；该分析不是抗衰老临床试验，也不能证明人变年轻。[5]
本文判断：Rentosertib 最值得跟踪的不是“AI 药物”标签，而是一个较少被验证的靶点能否跨过三道门：在不同数据集里站得住、在独立实验里解释得通、在更大更长的随机临床试验里显示患者真正获益。
下面是课题组可以复用的项目工作流，不是对英矽智能内部平台的复刻。先做公开数据版：用美国国家生物技术信息中心基因表达综合数据库（NCBI GEO）的 GSE213001 整理肺组织 bulk RNA 测序（转录组测序）数据（139 份组织样本，来自 20 名 IPF 患者、14 名非疾病对照和 9 名其他间质性肺病患者），再用 GSE136831 的单细胞 RNA 测序（scRNA-seq）图谱作细胞类型定位。GSE213001 的 139 是组织样本数，不等于 139 名独立受试者；同一患者多个取样区域必须按患者聚类，不能随机拆样本后制造虚假的外部验证。[6][7]
Step 1｜先把研究问题写成可证伪的句子
输入：一页项目说明，写清疾病、组织、比较组、目标人群、可用数据和研究期限。
AI 动作：把“找新靶点”改写成可检验问题，例如“哪些在 IPF 肺组织中变化、在纤维化相关细胞中定位且有独立证据支持的基因，值得进入功能实验？”并列出反证条件。
输出：question_and_success_criteria.md，含主要假设、排除标准和停止条件。
人工把关：呼吸病专家确认问题对应真实疾病过程；统计人员确认比较组与样本单位。
失败处理：没有明确实验读出或可观察结局时，先缩小范围，不要直接让模型列靶点。
Step 2｜把论文和试验资料整理成可追溯证据表
输入：IPF 综述、原始论文、ClinicalTrials.gov 登记页、候选靶点资料。
AI 动作：抽取研究类型、模型、样本、终点、结果、局限和原文位置；论文、企业公告和新闻报道分开标注。
输出：evidence_matrix.csv，每条证据保留原始链接和摘录位置。
人工把关：研究助理逐条回到原文核对数字；临床结论以论文或注册资料为准。
失败处理：找不到原始出处或来源冲突时，标为NEEDS_CHECK，不进入排名。
Step 3｜下载公开数据并锁定样本定义
输入：GSE213001 样本注释与表达矩阵；GSE136831 细胞类型注释。
AI 动作：辅助生成 GEO 下载脚本和样本清单，把疾病组、对照组、组织区域、平台、患者 ID 和批次映射为统一字典。
输出：sample_manifest.csv、data_dictionary.md和数据来源记录。
人工把关：生物信息人员核对样本注释与原论文；确认哪些样本来自同一患者、哪些字段缺失。
失败处理：患者 ID 或组别不清楚、不同组织区域被混为独立样本时，暂停分析，先补元数据或换数据集。
Step 4｜先看批次和患者结构，再做差异分析
输入：表达矩阵、样本清单、患者 ID 和测序/处理批次。
AI 动作：生成可复核的 R 分析脚本，先画 PCA（主成分分析）检查批次与组别，再用适合数据类型的差异分析模型；有重复取样时使用患者层级/配对结构。
输出：qc_report.html、差异基因表和完整运行日志。
人工把关：统计人员审核设计矩阵、归一化、缺失值和多重检验处理；验证组不参与特征筛选。
失败处理：主成分主要按批次而非疾病分组，或训练与测试有患者泄漏时，回到数据治理。
Step 5｜让 AI 做候选靶点排序，而不是拍板
输入：差异分析结果、细胞类型定位、遗传学/通路证据、既往药物与靶点可成药性信息。
AI 动作：建立预定义评分卡：疾病关联、细胞定位、跨数据集复现、因果/遗传证据、药物可及性、安全风险分别计分；每项分数都链接来源。
输出：target_ranked_list.csv及每个候选的支持/反对证据卡。
人工把关：领域专家检查权重是否偏向研究热度；优先保留机制新但证据链清楚的候选。
失败处理：排序随一个数据集或权重微调就翻转时，标记不稳健并增加独立数据验证。
Step 6｜在独立队列里验证，不在同一数据上自我证明
输入：冻结的候选清单，以及 GSE180415 或另一组未参与筛选的 IPF 肺成纤维细胞数据。
AI 动作：冻结候选、阈值和分析方案后，评估方向一致性、细胞类型位置及亚组敏感性。
输出：external_validation_report.md，分列复现、未复现和无法判断。
人工把关：独立分析者确认数据未参与前期调参；解释疾病分期和取样组织差异。
失败处理：外部验证不成立就下调优先级或终止，不得回头改阈值直到“通过”。
Step 7｜把机制假设变成可做的实验
输入：优先靶点、细胞类型、候选通路和可用模型。
AI 动作：起草小规模验证矩阵：靶点敲低/抑制、阴性和阳性对照、细胞活性、胶原/纤维化标志物、重复数与采样时间；把靶点作用和非特异细胞毒性分开。
输出：wet_lab_validation_plan.md和试剂/样本预算草案。
人工把关：药理与实验负责人确认试剂、剂量、细胞来源、对照和伦理要求。
失败处理：只有细胞死亡时标志物才下降，或不同供体方向相反，先检查毒性和模型代表性，不算靶点命中。
Step 8｜再进入化合物和 ADMET 筛选
输入：经实验支持的靶点结构/结合口袋、已知配体、理化性质与毒性警示规则。
AI 动作：在公开化学数据库找参考配体，用 RDKit（开源化学信息学工具包）计算分子指纹和理化特征，配合适用域明确的构效模型做候选排序。ADMET 指吸收、分布、代谢、排泄和毒性（absorption, distribution, metabolism, excretion and toxicity）。
输出：compound_triage.csv，保留结构、模型版本、适用域和筛选理由。
人工把关：药物化学家核对结构、选择性和合成可行性；分数不能代替结合实验和药代毒理。
失败处理：候选超出模型训练化学空间或不确定度高时，不给虚假的精确分数，改做实验测定或停止排序。
Step 9｜把临床方案和 AI 证据用途分开
输入：公开 IIa 方案、安全信号、拟研究人群、终点和临床中心条件。
AI 动作：辅助核对入排标准、访视时间、终点定义、缺失数据预案、亚组计划和风险监测字段；模型若影响关键试验决策，先写清预期用途和风险等级。
输出：trial_evidence_plan.md与版本化分析计划。
人工把关：临床研究者、统计师、伦理和药物安全团队审核；正式监管材料不能由聊天模型代签或代判。
失败处理：AI 会影响患者入组、治疗或主要结论而未针对该用途验证时，从决策链移除该模型。
Step 10｜每轮结果都留下可复核的决策记录
输入：数据版本、代码提交、模型参数、实验记录、临床终点和不良事件。
AI 动作：按预设标准生成“继续、补证据、降级、停止”建议，并列依据、反证和缺失信息；结论链接到数据与实验记录。
输出：decision_log.md、下一轮实验清单和冻结的数据/代码版本。
人工把关：项目负责人召集药理、统计、临床和安全团队做决策并记录理由。
失败处理：预测与实验不一致，先核查样本身份、批次、靶点作用和测量流程，不以不断改模型掩盖负结果。
可复制提示词：先生成一份可审查的靶点证据矩阵
你是IPF药物研发项目的证据整理助手，不是靶点决策者。我会提供论文全文、GEO样本注释和分析结果。请为每个候选靶点生成证据记录，字段为：Gene_ID、数据集、比较组、组织/细胞类型、效应方向、统计量、独立复现、遗传/因果证据、通路依据、可成药性、反证、数据限制、来源链接、原文位置。规则：1. 不补写输入中没有的数字、论文或机制；缺失写“未提供”。2. 区分患者数、组织样本数和细胞数；同一患者多个样本不能当独立受试者。3. 发现集与验证集分开，不能用同一数据先筛选再称为外部验证。4. 每个AI判断都要指出数据字段和计算依据；无法追溯就标记“不可审查”。5. 输出支持证据、反证和下一项实验，不输出“该靶点已成立”的结论。
从 GSE213001 开始
准备：从 NCBI Gene Expression Omnibus（GEO，基因表达综合数据库）下载 Series 记录、样本表和处理后的表达矩阵；记录下载日期、原论文 DOI、分组字段及患者/组织区域关系。
先做三件事：核对 IPF、非疾病对照和其他间质性肺病样本；按患者而不是组织块分组；画 PCA 检查批次和肺叶区域是否主导变异。
再做两件事：用预先定义的模型找差异信号；冻结发现集后，在另一数据集检查方向是否复现，再用 GSE136831 确认候选信号主要出现在哪类肺细胞。
交付物：sample_manifest.csv、qc_report.html、target_ranked_list.csv、external_validation_report.md及反证/下一步实验决策记录。
停止条件：患者身份无法区分、疾病分组不清、外部数据未复现，或候选只在单一批次显著时，不把结果升级为药物靶点。
新手第一天只做这一小步：打开 GSE213001 的 NCBI GEO 页面，下载 Series Matrix 和样本注释；先确认 139 份组织样本分别来自哪些患者、组织区域和疾病组。弄清样本关系，再启动模型。
GENESIS-IPF-3 要回答的不是“AI 能不能生成分子”，而是在更大人群和 52 周随访中，Rentosertib 能否降低 FVC 年下降率，同时保持可接受安全性。这个终点与 IIa 期 12 周 FVC 均值变化不是同一个问题：前者看一年内肺功能下降速度，后者只是短期探索信号。[2,3]
方案还把患者纤维化负荷的 AI 定量分析纳入研究流程。它可能帮助量化影像特征或解释人群差异，但必须有明确用途、锁定算法版本、独立验证，并说明是否影响入组或结论。不能因为“临床试验用了 AI”，就把药物疗效归功于 AI 模型。[3,4]
美国食品药品监督管理局（FDA）2025 年发布药物和生物制品监管决策中 AI 模型可信度评估草案，主张根据模型用途评估风险；FDA 与欧洲药品管理局（European Medicines Agency，EMA）2026 年共同发布药物研发中的良好 AI 实践原则。落到研发项目里，先写清模型影响哪个决策、出错会造成什么后果、用什么数据验证，再考虑把它接进流程。[8][9]
三条红线：不把基因表达相关性写成致病因果；不把短期 FVC 均值、蛋白组时钟或企业新闻稿当作 III 期疗效；不把模型输出用于受试者治疗/入组决定，除非它针对该用途完成验证、治理和专业审核。
▸ 结论 1：Rentosertib 说明 AI 可以参与提出靶点和设计分子，但药物成不成立，最终仍要看独立实验和临床终点。
▸ 结论 2：IIa 期 FVC 信号有继续研究价值；小样本、12 周、未报告 FVC 比较 P 值和肝毒性相关停药，都要求结论停在“值得验证”。
▸ 结论 3：最容易被忽视的 AI 项目风险不是模型不够大，而是患者/样本重复、批次混杂、数据泄漏和把探索性指标当确证终点。
▸ 下一步：今天打开 GSE213001，先做样本与患者关系表，再生成 QC 报告。能复现数据结构、看到批次并写清停止条件，比先跑复杂模型更有价值。
本篇使用的工具/资料
NCBI GEO：公开表达数据与样本注释；R/Bioconductor：差异表达和质量控制；GSE213001 与 GSE136831：IPF bulk 及单细胞数据；RDKit：分子结构与理化性质处理；FDA/EMA 文件：AI 模型用途和可信度边界。
*本文用于科研与研发方法讨论，不构成医疗建议、药物疗效结论或临床试验建议。Rentosertib 仍处于临床研究阶段；涉及患者、动物、样本、药物或监管决策，必须由具备资质的临床、实验、统计、伦理和药物安全团队审核。
参考资料
[1] Ren F, et al. A small-molecule TNIK inhibitor targets fibrosis in preclinical and clinical models. Nature Biotechnology. 2025;43:63–75. doi:10.1038/s41587-024-02143-0.
[2] Xu Z, Ren F, Wang P, et al. A generative AI-discovered TNIK inhibitor for idiopathic pulmonary fibrosis: a randomized phase 2a trial. Nature Medicine. 2025;31:2602–2610. doi:10.1038/s41591-025-03743-2.
[3] Insilico Medicine. Doses first patient in GENESIS-IPF-3, Phase III trial of Rentosertib. 2026-09-10. Original release.
[4] 英矽智能. 英矽智能首款 AI 药物进入 III 期临床研究. 2026-07-08. 中文公告.
[5] Zhavoronkov A, Galkin F, Chen S, et al. Integration of proteomic aging clocks in a phase 2a clinical trial supports simultaneous geroprotective assessment. Nature Biotechnology. 2026. doi:10.1038/s41587-026-03286-y.
[6] Jaffar J, Wong M, Alhamdoosh M, et al. Bulk tissue RNA sequencing from human donors with and without lung fibrosis. NCBI Gene Expression Omnibus, GSE213001. 2022. GEO record.
[7] Adams T, Schupp J, Poli S, et al. Single-cell RNA-seq reveals ectopic and aberrant lung-resident cell populations in idiopathic pulmonary fibrosis. Science Advances. 2020;6(28):eaba1983. NCBI GEO, GSE136831. GEO record.
[8] U.S. Food and Drug Administration. Considerations for the Use of Artificial Intelligence to Support Regulatory Decision-Making for Drug and Biological Products: Draft Guidance. 2025-01. FDA page.
[9] FDA & EMA. Guiding Principles of Good AI Practice in Drug Development. 2026-01. Principles.