在一项具有里程碑意义的政策转变中，美国食品药品监督管理局（FDA）现在将允许基因组编辑工具和RNA疗法基于可靠的生物学证据而非大规模临床试验结果来寻求批准。这意味着，AI如今能够生成传统临床试验旨在产出的那种严谨、预测性的数据——而且速度更快，并且适用于那些此前被忽视的患者群体。
对于罕见病患者来说，这改变了一切。
匹兹堡大学人类遗传学系副教授、罕见神经系统疾病ADLD脑白质营养不良领域的顶尖专家Quasar Padiath博士表示：“通过以人类无法企及的规模对基因组数据进行模式识别，AI可以产生FDA现在所需的确切证据类型——并提高其最终能够批准的疗法的精准度。”
几十年来，罕见病患者面临着医生所谓的“诊断之旅”：多年的不确定性，寻找可能永远不会到来的答案。罕见病患者群体通常规模太小，无法进行传统试验，这造成了一个无法摆脱的困境：没有试验，就没有治疗；没有患者，就没有试验。AI通过将生物数据转化为监管机构所需的证据基础，打破了这一循环。
从数年缩短至数小时：诊断的演变
在2003年人类基因组计划完成之前，医生们没有健康人类DNA的参考图谱。要找到导致患者罕见病的突变，意味着需要在30亿个核苷酸中盲目搜索——就像在数千本书中寻找一个拼写错误。
第一个基因组花费了20年和数百亿美元才完成测序。如今，成本不到1000美元，只需几个小时。
Padiath博士回忆道：“那时，如果你患有罕见病，诊断之旅可能是无止境的。你可能永远找不到病因。”
奠定基础：基础设施与协作
然而，更便宜、更快速的测序带来了新的挑战：海量的原始基因组数据，任何单一研究实验室都无法单独存储或处理。像AWS HealthOmics这样的云平台应运而生，用于处理这些庞大的数据量——提供了存储、编目和整理人类基因组所代表信息的计算基础设施。
一旦这个基础存在，全球范围内的协作就变得前所未有的可能。像GeneMatcher这样的数据库工具现在作为该基础设施之上的匹配层运行。在匹兹堡发现异常突变的研究人员可以立即发现东京的临床医生是否在类似患者身上标记了相同的基因。
据Padiath博士说，曾经需要花费数年时间的搜索现在“只需一封电子邮件的时间”。
他说：“如果你现在看看任何主要的遗传学期刊，每一本期刊，每个月都会有新的疾病新基因被发现。下一步真正让我兴奋的是——治疗部分。”
AI的作用：从发现到治疗
测序和数据库帮助解决了发现问题。如今，AI正在处理解读和治疗。多个研究领域正在发生变革：
| 领域 | 描述 |
|---|---|
| 患者识别与全球匹配 | AI工具可以扫描数百万份医疗记录，以识别罕见病患者，并立即将他们的医生联系起来。FDA的新指南承认，找到这些患者，无论数量多么少，就足以开始证明治疗方法有效。 |
| 变异解读 | 当科学家读取某人的DNA时，他们会发现数千个微小的差异。大多数是无害的，但其中一个可能致命。AI已经学会了在数小时内而非数周内发现这些微小变异。这些发现现在被视为真实证据。 |
| 患者病程建模 | 这些对患者旅程的模拟对于没有现有治疗方法且没有对照组的罕见病至关重要。通过大规模使用真实世界数据，AI可以生成FDA所要求的模型。 |
| 基因编辑 | 像CRISPR这样的基因编辑工具现在可以通过展示它们如何在体内修复问题来获得FDA批准，而无需进行多年的临床试验。AI有助于引导该工具并预测患者风险，提高准确性和安全性。 |
| 药物重定位 | 开发一种新药需要十年时间和数十亿美元——很少有制药公司愿意为仅影响数百人的疾病下此赌注。但AI可以筛选数十亿种现有已批准药物，与已知的罕见病蛋白质靶点进行匹配，寻找可能惠及患者的意外匹配。 |
| 全新药物设计 | 在没有现有药物符合靶点的情况下，AI可以从头设计一种。基于疾病的分子结构，AI模型可以提出新的候选药物——无论是全新的化合物还是现有药物的改良版本。 |
未来的挑战
AI在罕见病研究中的前景是真实的，但风险也同样存在。测序的基因组是现存最个人化的数据——对黑客、保险公司有价值，并且在全球数据库中日益暴露。
潜在的不平等也是一个日益严峻的挑战。训练数据可能会遗漏代表性不足人群的突变。测序仍然需要成本，而医疗保健资金的不确定性可能会危及FDA正在推动的进步。生物学可能已经准备就绪，但所需的资源和安全保障是否到位仍不明朗。
罕见病研究人员希望FDA的政策转变能够兑现其承诺。对于数百种罕见病，例如Padiath博士研究的ADLD脑白质营养不良（一种影响百万分之一人口的超罕见神经退行性疾病），AI对于帮助发现重要的突破至关重要，这些突破将弥补今天的研究差距，并为明天的治疗方法奠定基础。
【全文结束】