贝叔的同学在做siRNA药物，祝他和团队顺利，早日造福病患！贝叔就这个机会学习了siRNA药物的原理，以及如何用AI突破研发的瓶颈，让这种创新的治疗方法能更快走向临床应用。原来，siRNA药物正凭借靶向“不可成药”靶点的独特优势，在遗传性、代谢性疾病等领域拥有巨大潜力。但传统siRNA研发周期长、试错成本高，而AI的介入，成为破解痛点、加速新药落地的新的希望所在。

一、siRNA药物是什么？

• 分子定义与核心机制：siRNA（小干扰RNA）是20-25个碱基对的双链RNA分子，核心通过RNA干扰（RNAi）机制，实现转录后基因沉默。
• 作用流程：Dicer酶切割长双链RNA生成siRNA → siRNA与Argonaute蛋白组装形成RISC复合物 → 引导链引导RISC特异性结合靶mRNA并将其切割降解，最终阻止致病蛋白合成。
• 核心优势：与靶mRNA近乎100%互补，沉默特异性强，可靶向传统药物难以作用的“不可成药”靶点，适配遗传性、代谢性疾病等研发方向。

二、siRNA临床前研发全流程

核心流程：靶点发现与确认 → siRNA序列设计与筛选 → 临床前研究，三个阶段环环相扣，AI将在每个阶段助力提升成功率、降低风险、提高效率，具体拆解如下：

（一）靶点发现与确认阶段

1. 药物研发专家采用的标准

• 靶点关联性与成药性：靶点与疾病有明确因果关系，具备可成药性，正常组织中低表达或有组织特异性，以此降低脱靶风险。
• 验证与合规要求：遵循CDE、FDA等监管指导原则，结合多组学数据，通过体外、体内多模型交叉验证，排除假阳性靶点。

2. 药物研发专家的交付

• 核心交付物：靶点可行性分析报告、靶点-疾病关联机制报告、靶点验证实验数据、靶点成药性评估报告及完整实验记录。

3. 药物研发专家要做的工作

• 靶点挖掘与功能研究：通过多组学技术挖掘候选靶点，开展靶点功能研究，明确其在疾病发生发展中的作用机制。
• 靶点验证与风险评估：构建体外细胞模型、体内模式生物模型，验证靶点沉默对疾病表型的改善效果，同步评估脱靶风险。
• 靶点筛选与报告撰写：筛选高价值靶点，系统整理实验数据并撰写相关研究报告，为后续siRNA序列设计提供核心依据。

4. AI重塑研究流程（核心赋能点）

• 靶点筛选效率提升：AI深度挖掘多组学大数据，快速筛选高价值候选靶点，替代人工低效筛选模式，大幅缩短靶点发现周期。
• 无效靶点排除：预测靶点成药性、脱靶风险及与疾病的关联强度，减少无效靶点的后续研发投入，降低研发浪费。
• 验证方案优化：整合临床与基础研究数据，优化靶点验证方案，提升靶点确认的准确性与可靠性。

5. AI的数据、模型、验证循环

• 数据输入与处理：输入多组学数据、临床疾病数据、靶点功能实验数据及公开数据库数据，经清洗、标准化处理后形成结构化数据集。
• 模型构建与优化：构建深度学习、图神经网络模型，用于靶点筛选、关联预测及脱靶风险评估，借助迁移学习提升模型预测精度。
• 验证与迭代：AI预测的候选靶点通过体外、体内实验验证，对比实验结果与预测结果调整模型参数，补充新数据实现迭代优化，形成完整闭环。

（二）siRNA序列设计与筛选阶段

1. 药物研发专家采用的标准

• 序列结构要求：序列长度控制在21-23bp，GC含量30%-50%，两端保留3’突出端，同时避免含有免疫刺激序列。
• 性能与特异性要求：与靶mRNA完全互补，降低与非靶mRNA的同源性，体外沉默效率≥70%、细胞毒性低、血清稳定性良好，且实验结果具有可重复性。
• 合规与修饰要求：遵循CDE相关指导原则，结合化学修饰要求，确保序列的稳定性与体内生物利用度。

2. 药物研发专家的交付

• 核心交付物：候选siRNA序列库（含化学修饰方案）、序列设计报告、沉默效率/细胞毒性/血清稳定性检测报告、脱靶评估报告及完整实验记录。

3. 药物研发专家要做的工作

• 序列设计与修饰：根据靶点mRNA序列设计多组候选序列，结合化学修饰技术优化序列，增强序列体内稳定性、降低核酸酶降解风险。
• 序列筛选与检测：构建靶mRNA表达载体，检测各候选siRNA的沉默效率，筛选高效序列，同步开展细胞毒性、血清稳定性及脱靶效应检测。
• 序列优化与报告撰写：优化序列修饰方案，对筛选出的最优序列进行重复验证，整理实验数据并撰写序列筛选报告。

4. AI重塑研究流程（核心赋能点）

• 序列自动设计与预测：AI自动生成符合标准的候选siRNA序列，同步预测序列的沉默效率、稳定性、免疫原性及脱靶风险，减少无效序列的筛选工作量。
• 最优序列筛选与优化：构建序列-活性预测模型，精准筛选最优序列，模拟siRNA与mRNA的结合模式，优化序列结构与修饰方案。
• 筛选数据高效分析：快速分析大规模筛选数据，识别序列特征与性能的潜在关联，为序列优化提供科学指导。

5. AI的数据、模型、验证循环

• 数据输入与构建：输入靶点mRNA序列、siRNA序列-活性数据、化学修饰相关数据、各类检测数据，构建标准化序列-性能数据库。
• 模型构建与应用：构建CNN、Transformer等深度学习模型，用于siRNA序列设计、性能预测，借助强化学习模型自动迭代优化修饰方案。
• 验证与迭代：AI设计并预测的候选序列，通过体外实验进行验证，对比实验结果与预测结果修正模型偏差，补充新数据实现模型迭代优化，形成闭环。

（三）临床前研究阶段

1. 药物研发专家采用的标准

• 研究合规与模型要求：遵循GLP及监管指导原则，药效学研究采用人源化动物模型，PK研究阐明药物吸收、分布、代谢、排泄（ADME）过程，毒理学研究在两种动物种属中开展。
• 制剂与实验要求：制剂需确保递送系统的稳定性、包封率及靶向性，遵循杂质四级分类管控模式，所有实验需经过严格的方法学验证。

2. 药物研发专家的交付

• 核心交付物：临床前研究总结报告（含药效、PK、毒理、制剂、药学研究）、安全性评价报告、候选药物质量标准草案及完整实验记录，为临床试验申请（IND）提供支撑。

3. 药物研发专家要做的工作

• 药效与PK研究：开展体外/体内药效学研究，验证药物沉默效率与疾病改善效果；开展PK研究，明确药物在体内的代谢过程与相关参数。
• 毒理与制剂研发：开展各类毒理学试验，评估药物的潜在毒性与安全剂量范围；开发适配的递送系统，优化制剂处方与制备工艺。
• 药学研究与资料准备：优化原料药合成与纯化工艺，开展原料药结构鉴定与杂质管控，整理所有实验数据撰写临床前研究总结报告，准备IND申请相关资料。

4. AI重塑研究流程（核心赋能点）

• PK与毒性预测：AI预测siRNA药物的PK参数、代谢产物及潜在毒性，可替代部分动物实验，缩短研究周期，同时优化药物结构与修饰方案。
• 毒理分析与制剂优化：AI自动分析毒理学实验数据，快速识别毒性信号；优化制剂处方与递送系统设计，减少处方筛选的实验次数。
• 研发风险与合规辅助：整合临床前所有数据，预测药物进入临床试验的成功率，辅助IND申请资料的整理与审核，确保资料合规完整。

5. AI的数据、模型、验证循环

• 数据输入与整合：输入siRNA序列、修饰数据、制剂处方数据、药效、PK、毒理、杂质等相关数据，构建临床前研究综合数据库。
• 模型构建与应用：构建多任务深度学习、计算机视觉模型，用于PK/毒性/制剂性能预测，结合PK/PD模型优化药物给药方案。
• 验证与迭代：AI预测结果通过动物实验、体外实验进行验证，对比实际结果与预测结果调整模型参数，补充新数据实现模型迭代优化，形成闭环。

三、总结

在siRNA药物开发过程中，AI不是替代研发专家的专业能力，而是成为“高效助手”——能够帮团队跳过无效试错、缩短研发周期、降低失败风险，让专业能力得到更高效的发挥。能够在有限的数据中，产出更准确、更可靠的预测，是AI赋能siRNA药物的挑战。

参考资料

1. Elbashir SM, et al. Nature. 2001 May 24;411(6836):494-8.（核心：siRNA介导的RNAi机制基础，支撑siRNA药物基本原理部分）

2. Setten RL, et al. Nat Rev Drug Discov. 2019 Jun;18(6): 421-446.（核心：siRNA药物研发全流程及递送技术进展）

3. 中国药品审评中心（CDE）. 化学合成寡核苷酸药物（创新药）药学研究技术指导原则（试行）. 2026.（核心：siRNA药物药学研究、杂质管控、合规要求）

4. Hu B, et al. J Gene Med. 2019 Jul;21(7):e3097.（核心：siRNA靶点筛选与验证方法）

5. Maraganore J. et al. Nat Biotechnol. 2022 May;40(5):641-650.（核心：AI在siRNA药物研发中的应用）

6. Coelho T, Adams D, Silva A, et al. N Engl J Med. 2013 Aug 29;369(9):819-29.（核心：siRNA药物临床前药效学、毒理学研究方法）

7. Scott LJ. Givosiran: First Approval. Drugs. 2020 Feb;80(3):335-339.（核心：siRNA药物临床前研究与IND申请相关要求）