ARTICLE · 996581
每周医药AI|Bepirovirsen治疗乙肝:AI如何参与功能性治愈研发?
医药研发 AI 专家：把病毒靶点、序列设计和临床验证接成一条线
机制分析 · ASO 设计 · 患者分层 · 试验数据
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：乙肝治疗真正难的不是把病毒压下去，而是停药后还能不能维持控制。Bepirovirsen 把目标推向了“功能性治愈”，AI 能做的，是把 RNA 靶点、患者分层和停药后风险变成一套可检查的研发流程。
▲ 图 1：从 HBV RNA 靶点到 ASO 设计、患者分层、功能性治愈终点和停药后随访的研发闭环 · 资料依据：B-Well 试验注册信息、三期论文和 GSK 公告
本文核心要点
▸ Bepirovirsen 是靶向 HBV 转录本的反义寡核苷酸（ASO）
▸ 三期 B-Well 1/2 的重点是停药后的功能性治愈终点
▸ AI 可以参与序列、数据、分层、试验和安全性复盘
▸ 预测线索不能代替病毒学、肝病学和临床统计验证
先把问题说清楚：现有核苷（酸）类药物（nucleos(t)ide analogue，NA）可以长期抑制病毒复制，但慢性乙肝研发还要解决抗原清除、免疫控制和停药后复发风险。
慢性乙型肝炎（chronic hepatitis B，CHB）治疗的目标不是一次检测到病毒下降，而是让病毒学控制在停药后仍能维持。临床上常用的功能性治愈定义，是停药后持续检测不到乙肝表面抗原（HBsAg），同时乙肝病毒 DNA（HBV DNA）低于定量下限，通常观察至少 24 周[3][4]。
Bepirovirsen 的研发逻辑，是用一条反义寡核苷酸（antisense oligonucleotide，ASO）识别 HBV RNA 转录本，形成 RNA-DNA 杂合体后招募 RNase H（核糖核酸酶 H）降解靶 RNA，从而降低病毒 RNA 和病毒蛋白；其公开研究还描述了对前基因组 RNA（pgRNA）的影响[2]。这条路线把“复制抑制”往“抗原下降和免疫恢复”推进了一步，但也带来新的监测任务：肝酶升高究竟是毒性、免疫清除信号，还是两者都有？
AI 的价值就在这里：它可以把病毒序列、HBsAg 基线、HBV DNA、HBeAg（乙肝 e 抗原）、ALT（丙氨酸氨基转移酶）、既往用药和停药后随访放进同一个分析框架。它不能替临床研究者解释每一次 ALT 变化，也不能凭相关性宣布某个患者适合停药。
先划边界：“日本获批”是监管事实，不等于该药已在所有国家上市；“功能性治愈”也不是彻底清除肝细胞内所有病毒相关物质。本文讨论研发流程，不提供个人用药或停药建议。
这条路线走到哪一步：它已经走过三期试验，并进入监管审评和批准节点，不是停留在概念验证阶段的 AI 故事。
GSK 与 Ionis Pharmaceuticals：Bepirovirsen/HIBSAGO
GSK 与 Ionis 推进的 Bepirovirsen（原开发代号 GSK3228836）是一种靶向 HBV 转录本的 ASO。GSK 在 2026 年 8 月 24 日宣布，日本厚生劳动省批准 HIBSAGO，用于符合既往核苷（酸）类药物治疗和病毒学指标条件的成人慢性乙肝患者[1]。
B-Well 1/2 研究团队：南方医科大学南方医院与新加坡国立大学等中心
《新英格兰医学杂志》论文列出的共同第一作者为南方医科大学南方医院的 Jinlin Hou 和 National University Health System 的 Seng-Gee Lim，研究由全球 B-Well Study Group 完成[5]。
三期证据：终点设置比单次病毒下降更关键
B-Well 1 和 B-Well 2 纳入无肝硬化、正在稳定使用核苷（酸）类药物且基线 HBsAg 为 100 至 3000 IU/mL 的成人；Bepirovirsen 组每周皮下注射 300 mg，给药 24 周，随后在预定时间停用背景治疗并观察至第 72 周[5]。两项试验的功能性治愈比例分别为 20%和 19%，安慰剂组均为 0；同时 Bepirovirsen 组不良事件和 3 级以上不良事件比例更高，ALT 升高是常见的 3 级不良事件之一[5]。
这组结果值得关注，但不应被压缩成“19%的人被治愈”。论文的终点有明确的 HBsAg、HBV DNA、停药和随访条件，适用人群也有限。AI 项目若不能把这些条件原样写进数据字典，后面所有模型都可能在比较不同人群。
AI 在这里能做什么：整理证据、缩小候选、识别异质性，也把失败提前暴露出来。
- 序列层：
整理不同 HBV 基因型的公开序列，检查靶位点保守性和潜在错配；不把“计算匹配”当成体内有效。 - 分子层：
比较候选 ASO 的结合、脱靶、免疫刺激和肝细胞递送风险，把不能进入实验的候选先筛掉。 - 临床层：
用基线 HBsAg、HBV DNA、HBeAg、ALT、既往治疗和病毒基因型识别可能的反应亚群，帮助设计分层和交互分析。 - 证据层：
把疗效、不良事件、停药后复发和检测下限放在同一张时间轴上，避免只看治疗期曲线。
AI 也会制造新的误判：训练集中的 HBV 基因型分布不代表真实目标人群，患者分层可能把中心差异误认成生物学差异，缺失的 HBsAg 或 ALT 数据也可能不是随机缺失。因而每个 AI 输出都要保留来源、适用条件和人工复核人。
能自己复现的部分：个人研究者可以完成证据整理、时间轴分析和患者分层的教学项目。第一次做的读者，先准备一篇公开论文和一个 CSV 模板，打开 ClinicalTrials.gov 的两个注册页，从终点字典开始。输出文件包括终点字典、证据矩阵和停药后时间轴。ASO 合成、细胞实验、动物实验和临床决策，必须由实验、临床、统计、质量和注册专业人员负责。
Step 1｜把“功能性治愈”写成可计算终点
输入：研究方案、受试者条件、HBsAg、HBV DNA、停药时间和随访时间点。
AI 动作：生成端点字典，明确检测下限、停药后观察窗口、救援用药和失访处理。
输出：endpoint_dictionary.yml。
人工把关：肝病专家和临床统计人员确认终点与方案一致。
失败处理：如果“治愈”没有同时绑定抗原、DNA、停药和时间条件，退回重写。
Step 2｜AI 做文献和试验注册证据卡
输入：B-Well 1/2 论文、试验注册号 NCT05630807/NCT05630820、监管公告和既往 B-Clear 研究[7][8]。
AI 动作：提取人群、剂量、背景治疗、随机比例、终点、随访、不良事件和限制，并为每个字段保存原文链接。
输出：bepirovirsen_evidence_matrix.csv。
人工把关：逐项对照论文正文和补充材料，新闻稿只作为线索，不作为唯一证据。
失败处理：新闻稿与论文口径不一致时，以论文/监管原文为准并保留冲突记录。
Step 3｜建立 HBV RNA 和 ASO 设计输入
输入：公开 HBV 参考序列、基因型标签、Bepirovirsen 公开结合位点信息和脱靶数据库。
AI 动作：做多序列比对，标记靶位点保守区、错配、二级结构和潜在交叉匹配；只输出候选区域，不生成未经审核的治疗序列。
输出：hbv_target_conservation.html 和候选区域图。
人工把关：病毒学和核酸药物专家确认序列来源、基因型覆盖和化学修饰假设。
失败处理：参考序列不足或基因型分布偏斜时，不把单一序列的匹配结果外推到临床。
Step 4｜把候选 ASO 变成多指标排序
输入：靶位点保守性、预期 RNA 结合、脱靶风险、免疫刺激风险、肝细胞递送和可合成性。
AI 动作：用预先登记的加权规则做候选排序，并输出每个指标的证据和不确定性；权重是项目决策规则，不是通用真理。
输出：aso_candidate_rank.csv 和风险雷达图。
人工把关：药化、核酸药理和安全性人员共同决定哪些候选进入实验。
失败处理：某候选只有模型分数、没有可追溯实验或序列证据时，降为假设。
Step 5｜先做体外验证方案，不先写“有效”
输入：候选 ASO、疾病相关肝细胞模型、阳性/阴性对照、HBV RNA/HBsAg/HBV DNA 和细胞毒性终点。
AI 动作：生成随机化、盲法、重复、剂量梯度、采样时间和主要/次要终点清单。
输出：in_vitro_validation_plan.md 和预注册分析方案。
人工把关：实验负责人确认模型、试剂、对照和检测平台可行。
失败处理：细胞毒性与抗病毒效应无法区分时，停止比较候选，不用单一终点下结论。
Step 6｜让模型同时看疗效和安全性
输入：纵向 HBsAg、HBV DNA、ALT、AST（天冬氨酸氨基转移酶）、不良事件和救援用药。
AI 动作：用混合效应模型或时间序列模型描述个体轨迹，分开分析病毒学反应、抗原下降和肝酶变化。
输出：longitudinal_response_report.html。
人工把关：临床统计人员确认缺失、删失、重复测量和多重比较处理。
失败处理：模型把中心、批次或检测平台当成治疗效应时，回到数据治理并做分层敏感性分析。
Step 7｜用基线指标做患者分层
输入：基线 HBsAg、HBV DNA、HBeAg、ALT、病毒基因型、既往核苷（酸）类药物和肝硬化状态。
AI 动作：先用规则分层，再用可解释模型探索反应异质性；预先固定阈值，避免看完结果才切分人群。
输出：response_subgroup_analysis.md 和森林图。
人工把关：临床团队确认亚组具有生物学和临床解释，统计团队确认交互作用检验。
失败处理：亚组样本过小或只在一个中心出现时，只报告探索性结果。
Step 8｜模拟停药后随访和复发风险
输入：治疗结束、背景 NA 停用、HBsAg/HBV DNA 复测和救援治疗时间。
AI 动作：生成随访时间轴，区分功能性治愈、病毒学复发、失访和救援用药；用生存分析或联合模型描述风险。
输出：off_treatment_followup_dashboard.html。
人工把关：肝病专家确认复发定义和随访安全预案，伦理团队确认受试者保护。
失败处理：停药后数据不完整时，不用最后一次检测值替代整个随访期。
Step 9｜把结果写成可审查的研究报告
输入：数据版本、分析代码、模型参数、图表、终点字典和不良事件表。
AI 动作：按照 TRIPOD+AI（回归或机器学习临床预测模型透明报告指南）整理方法和结果，自动列出未报告字段[6]。
输出：analysis_report.md、结果表、图形和审查清单。
人工把关：项目负责人逐项核对原始数据、统计输出和医学表述。
失败处理：任何数字不能回溯到数据表或论文原文时，删除或标记为待核验。
Step 10｜用失败结果决定下一轮实验
输入：预测排序、体外/体内结果、亚组差异、停药后轨迹和安全事件。
AI 动作：生成“保留、降级、淘汰、补实验”四类决策，并把失败原因写入版本化日志。
输出：decision_log.md 和下一轮实验优先级。
人工把关：药理、临床、统计、安全和注册人员共同签字确认。
失败处理：预测与实验不一致时，先检查序列、递送、模型、终点和数据质量，再决定是否重训。
可复制提示词：把试验数据整理成证据链
你是慢性乙肝药物研发项目助理。请根据我提供的论文、试验注册信息和去标识化数据，生成证据矩阵草稿。字段：endpoint、definition、population、intervention、background_NA、timepoint、result、adverse_event、source、source_url、limitation。规则：1. HBsAg、HBV DNA、功能性治愈、停药后复发必须分列；2. 新闻稿、论文、注册信息和内部数据必须标明来源类型；3. 不把治疗期下降写成停药后治愈；4. 缺失、低于检测下限和失访不得互相替代；5. 每条结论都保留限制，找不到原文就写 NEEDS_VERIFICATION；6. 最后输出建议补充的实验或随访，不宣布药物有效或患者适合停药。
公开资料能复现到哪一步：没有企业原始数据时，最稳妥的目标是重建研究设计和证据时间轴，而不是声称复现三期疗效。
可以先把公开论文中的试验组、时间点和终点整理成一张长表，再用下面的代码检查每个患者或汇总记录是否同时具备治疗期、停药期和主要终点字段。示例只做数据结构检查和简单分层，不重新计算论文的统计推断。
import pandas as pddf = pd.read_csv("bwell_public_summary.csv")required = ["trial", "arm", "baseline_hbsag", "week72_hbsag", "week72_hbv_dna", "functional_cure", "adverse_event"]missing = [c for c in required if c not in df.columns]if missing: raise ValueError(f"缺少字段: {missing}")# 仅检查定义是否完整，不把缺失值当作阴性结果df["endpoint_complete"] = ( df["week72_hbsag"].notna() & df["week72_hbv_dna"].notna() & df["functional_cure"].notna())summary = (df.groupby(["trial", "arm"], dropna=False) .agg(n=("trial", "size"), endpoint_complete=("endpoint_complete", "sum"), cure_rate=("functional_cure", "mean")) .reset_index())summary.to_csv("endpoint_completeness_report.csv", index=False)print(summary)
运行后必须检查：
□ 功能性治愈是否按 HBsAg、HBV DNA 和停药后时间共同定义
□ 低于检测下限、缺失和失访是否被区分
□ 每个试验、治疗组和时间点是否保持一致
□ 结果是否注明“公开汇总复核”，没有冒充患者级再分析
一个能交给团队继续做的项目，至少要过四道门。
- 机制门：
靶 RNA、ASO 结合、RNA 降解和抗原变化之间的链条有实验或高质量文献支撑。 - 数据门：
人群、背景治疗、检测方法、停药时间和随访完整，模型没有把中心差异当治疗效应。 - 临床门：
主要终点在独立人群或外部数据中方向一致，亚组结果经过预先定义和交互检验。 - 安全门：
病毒学获益与 ALT 升高、免疫反应、肝损伤和救援用药一起评估。
当前最容易被忽略的是“停药后”。治疗期 HBsAg 下降很有吸引力，但真正影响功能性治愈判断的是停药后的持续性；三期试验把终点放在第 72 周，本身就是研发设计给出的答案[5]。
明确不能自动化的部分：是否停药、是否进入临床、如何处理 ALT 升高、是否满足监管申报条件，都需要临床、统计、药理、安全和注册专业人员依据方案和法规判断。
▸ 结论 1：Bepirovirsen 的价值不只是降低 HBV 相关指标，而是把研发目标推向停药后的功能性治愈。
▸ 结论 2：AI 可以贯穿序列、证据、分层、试验和随访，但不能把模型排名写成药物疗效。
▸ 结论 3：读者今天可以先完成三个交付物：终点字典、证据矩阵和停药后时间轴。
▸ 结论 4：真正决定项目能否继续的，不是某一次预测分数，而是机制、外部验证、长期随访和安全性是否同时成立。
▸ 下一步：先用公开论文重建 B-Well 1/2 的终点结构，再把自己的去标识化数据接入同一字段体系，任何临床决策都留给专业团队审核。
References
[1] GSK. Hibsago (bepirovirsen) approved in Japan as first and only functional cure for chronic hepatitis B. 24 August 2026. https://www.gsk.com/en-gb/media/press-releases/hibsago-bepirovirsen-approved-in-japan-as-first-and-only-functional-cure-for-chronic-hepatitis-b/
[2] Yuen MF, et al. Safety, tolerability and antiviral activity of the antisense oligonucleotide bepirovirsen in patients with chronic hepatitis B: a phase 2 randomized controlled trial. Nature Medicine, 2021, 27:1725-1734. doi:10.1038/s41591-021-01513-4. https://doi.org/10.1038/s41591-021-01513-4
[3] European Association for the Study of the Liver. EASL Clinical Practice Guidelines on the management of hepatitis B virus infection. Journal of Hepatology, 2025, 83(2):502-583. https://www.hepb.org/assets/Uploads/EASL-guidelines-May-2025.pdf
[4] AASLD/IDSA. Practice Guideline on Chronic Hepatitis B: key updates and clinical implications. 2025. https://www.worldgastroenterology.org/publications/e-wgn/e-wgn-expert-point-of-view-articles-collection/aasldidsa-2025-practice-guideline-on-chronic-hepatitis-b-key-updates-and-clinical-implications
[5] Hou J, Lim SG, Buti M, et al; B-Well Study Group. Phase 3 Results of Bepirovirsen Treatment for Chronic Hepatitis B Virus Infection. New England Journal of Medicine, 2026, 394:2395-2406. doi:10.1056/NEJMoa2515131. https://doi.org/10.1056/NEJMoa2515131
[6] Collins GS, et al. TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ, 2024, 385:e078378. doi:10.1136/bmj-2023-078378. https://doi.org/10.1136/bmj-2023-078378
[7] Yuen MF, et al. B-Clear Phase 2b Study Design: Establishing the Efficacy and Safety of Bepirovirsen in Patients with Chronic Hepatitis B Virus Infection. Advances in Therapy, 2023, 40:3773-3788. doi:10.1007/s12325-023-02531-z. https://doi.org/10.1007/s12325-023-02531-z
[8] ClinicalTrials.gov. B-Well 1, NCT05630807, 2026. https://clinicaltrials.gov/study/NCT05630807; ClinicalTrials.gov. B-Well 2, NCT05630820, 2026. https://clinicaltrials.gov/study/NCT05630820
*AI 输出仅用于科研和研发辅助。涉及药物研发、临床研究、用药、停药和安全性决策时，请结合原始数据、试验方案、法规原文和专业人员意见。