核心观点
- 人工智能（AI）与大语言模型（LLMs）的整合显著提升了定量系统药理学（QSP）模型的生成效率、可解释性和可重复性。
- 生成式AI通过设计创新分子和构建数字孪生模型加速了药物发现与个性化治疗模拟。
- 基于检索增强生成（RAG）架构的技术优化了QSP模拟，实现了从海量数据中实时获取证据支持。
- QSP即服务（QSPaaS）模式的兴起将促进建模与模拟工具的普及化应用。
- 可解释性不足、监管接受度及多源数据整合仍是AI在QSP领域应用的主要挑战。
摘要
定量系统药理学（QSP）提供了一种基于机制的框架，可整合生物、生理和药理学数据以预测药物相互作用及临床结果。近年来人工智能（AI）的进展正革新QSP领域，显著提升模型构建、参数估计和预测能力。AI驱动的数据库及云端平台支持QSP模型开发，并推动"QSP即服务"（QSPaaS）模式的发展。尽管如此，计算复杂性、高维度数据处理、模型可解释性、数据整合及监管合规性等问题依然存在。本文重点分析了AI与QSP融合的关键进展，包括替代模型（surrogate modeling）技术、虚拟患者生成及数字孪生技术，同时提出了应对现有挑战的策略，旨在通过提升药物研发的精准性、监管可行性和机制透明度，推动AI在生物医药领域的深度应用。
关键词
定量系统药理学（QSP）；人工智能（AI）；机器学习（ML）；大语言模型（LLMs）；药物发现；数字孪生；监管接受度
【全文结束】
