InSilico Medicine Hong Kong Ltd.

阿斯利康（AstraZeneca）、辉瑞（Pfizer）等公司正在利用人工智能的计算能力，并综合海量的多组学信息，以更好地设计试验、预测其分子的潜在疗效和安全性特征，从而更全面地了解具有挑战性的癌症。 在癌症治疗的宏大图景中，个性化治疗是一种相对年轻的方法。在过去的几十年里，众多进步不断突破可能性的边界——最近的是人工智能。根据一些记录，精准疗法起源于20世纪90年代，当时研究人员首次发现某些药物在携带特定基因或生物标志物特征的特定癌症中可能更有效。在此之前，癌症患者主要通过化疗和放疗进行治疗——这些通常是对身体进行的无差别的化学和放射性攻击，会导致严重的副作用。“癌症是一种高度个体化的疾病，”总部位于加利福尼亚州、利用人工智能技术改善癌症诊断并最终改善护理的生物技术公司1Cell.Ai的首席执行官兼联合创始人Mohan Uttarwar在给BioSpace的一封电子邮件中表示。我们相信每一种肿瘤学解决方案都应该是基于精准的。精准肿瘤学的出现得益于各种技术的并行发展，例如DNA测序、复杂的计算模型（这些模型帮助科学家识别能够区分一种特定癌症亚型与另一种的分子），以及根据这些生物标志物对患者进行准确分层。如今，有一项特定的新兴技术，如果最大化发挥其潜力并加以部署，可以将精准肿瘤学领域进一步向前推进，开辟更好的诊断和治疗前景，这就是人工智能。“人工智能在制药研发中日益占据核心地位，人工智能使公司能够从直觉驱动的药物开发转向数据驱动的药物开发”，OncoHost的首席执行官Ofer Sharon在给BioSpace的电子邮件中表示。阿斯利康美国肿瘤学负责人Arun Krishna对此表示赞同：“药物发现过程因人工智能而迅速改变”。药物发现与患者选择Uttarwar表示，公司可以利用人工智能挖掘整个癌症基因组，找到适合靶向的特定突变。或者，他们也可以使用这些分析模型来寻找新的、尚未使用的生物标志物，以更好地识别可能对治疗有反应的患者，从而进行更好、更精简的研究，这对临床试验的成功至关重要。反过来，制药公司也可以利用人工智能技术来设计更好的疗法，如抗体药物偶联物。例如，公司可以利用其庞大的生化数据集训练分析模型，以预测特定分子可能具有的效力或预期毒性。人工智能还可以用于预测潜在的药物间相互作用，这些相互作用不仅可能影响候选药物的临床疗效，还可能带来安全风险并恶化患者体验。通常，收集这些数据需要繁重、劳动密集型和耗时的实验，通常涉及动物模型，这反过来又引发了伦理担忧。人工智能有可能将这些障碍最小化或完全消除。美国FDA最近认可了人工智能的价值，并于4月宣布将开始逐步淘汰用于单克隆抗体和其他疗法的动物试验，转而支持基于人工智能的计算模型”和人类类器官实验室模型。随着这一转变，“我们可以更快、更可靠地为患者提供更安全的治疗方法，同时还能降低研发成本和药物价格”，FDA局长Marty Makary当时表示。几家生物制药公司已经开始将人工智能模型纳入其流程。例如，阿斯利康在过去几年中已在一系列人工智能合作伙伴关系中投入了超过10亿美元。对Krishna而言，药物发现中的预测性人工智能是“圣杯”。“这是我们应当努力做好的事情，在药物发现阶段，人工智能有望比在湿实验室中需要数月或数年的过程更快地识别出潜在有用的分子，现在可能只需要30天或更短。”人工智能在患者选择方面也很有用。去年，阿斯利康转向人工智能，以更好地对肺癌患者进行分层，旨在为其最受关注的资产之一提供更有力的支持。2024年9月，为了解释与第一三共（Daiichi Sankyo）合作的抗体药物偶联物Dato-DXd在肺癌III期试验中的失败，该公司采用了一个人工智能模型来确定哪些患者更可能对治疗产生反应。这项工作产生了一个名为TROP2-QCS的人工智能衍生生物标志物，该标志物涉及患者体内TROP2的表达水平。Dato-DXd现已在乳腺癌中获批上市，商品名为Datroway。随后的探索性分析显示，携带TROP2-QCS生物标志物的患者使用Dato-DXd治疗相比多西他赛治疗，疾病进展或死亡风险降低了43%。与此同时，在未携带该生物标志物的患者中，Dato-DXd的效果明显较弱——与多西他赛相比，风险降低仅为25%。这项工作虽然是初步的，但展示了公司如何利用人工智能更好地指导其药物开发工作。与此同时，辉瑞（Pfizer）正在构建下一代工具，用于整个临床前和临床开发领域，现任副总裁兼内科和传染病统计负责人Jared Christensen在之前接受BioSpace采访时表示。辉瑞还设有一个预测性机器学习研究中心，负责创建新颖的预测模型和工具。诺华（Novartis）在人工智能领域也很活跃。去年，这家瑞士制药公司与Flagship Pioneering旗下的Generate:Biomedicines达成合作，预付了6500万美元，旨在利用这家初创公司的人工智能平台来设计新药，该平台能够推断出可推广的生物学原理。合作的细节很少：尚不清楚合作伙伴将优先考虑哪些靶点，也不清楚他们计划如何利用人工智能。除了药物开发管线之外，OncoHost的Sharon表示，人工智能还有助于开发先进的伴随诊断，他声称这将更精确地将患者与治疗相匹配。未来与前沿人们对人工智能潜力的兴奋感是显而易见的，尤其是当生成式人工智能进入主流视野之后。2023年8月，英矽智能（Insilico Medicine）将首个完全由生成式人工智能创造的药物推进到II期临床试验。去年秋天，这家生物技术公司报告了该试验在特发性肺纤维化中的积极结果。次月，Generate:Biomedicines为其针对从哮喘到晚期实体瘤等各种疾病的临床前和临床蛋白质治疗药物管线筹集了2.73亿美元的C轮融资。尽管仍是一个非常不成熟的领域，但Sharon认为，生成式人工智能有潜力重新定义药物开发创新的速度和范围，影响多个领域，如从头分子设计和复杂的合成生物学，从而解锁曾被认为遥不可及的新治疗可能性。Uttarwar表示赞同：随着生成式人工智能的成熟，其模拟生物相互作用并提出全新治疗分子的能力将显著减少药物发现所需的时间和成本。具有强大计算能力的生成式人工智能，也能让癌症药物开发者接触到Uttarwar所说的“多组学数据集。Uttarwar和Sharon都认为，精准肿瘤学的下一个前沿是多组学，这是一个研究和综合来自各种组（-omes）信息的领域，不仅包括基因组，还包括转录组、蛋白质组和代谢组——指的是在特定时间点细胞或组织中表达或存在的全部RNA转录本、蛋白质和代谢物的集合。这种方法可以提供超越单一失调基因或信号通路的、更全面的疾病图景。“基因组改变只讲述了故事的一部分，但蛋白质反映了肿瘤微环境中实时发生的实际情况，人工智能在这里扮演着至关重要的角色，它整合了跨组学层次的复杂数据集，揭示人眼无法看到的模式，并产生可操作的见解”，Sharon解释道。Sharon认为，正如更广泛的生成式人工智能领域在最近几个月经历了快速、爆炸性的增长一样，该技术在医学领域——更具体地说是在癌症领域的应用也将如此。人工智能在该领域日益深入的整合将得益于他所预期的监管机构对人工智能定义的生物标志物接受度不断提高，以及业界有意推动模型训练并将人工智能工具纳入其工作流程和试验设计。数据困境尽管潜力巨大，但与BioSpace交谈的专家们一致认为，人工智能在很大程度上仍是一门新兴科学，这带来了一个困境。Sharon说：“人工智能模型的好坏取决于它们所训练的数据。不一致或有偏见的数据集可能会限制这些人工智能模型的普适性。”Uttarwar表示赞同，并指出信息的协调性尤为重要。“基因组学、蛋白质组学和影像学数据通常来自不同的来源、格式和协议，如果协调不当，它们可能会给人工智能模型引入噪声”，Uttarwar解释道。因此，在整个药物开发流程中需要更好的数据管理。医生、科学家和技术人员必须更好地组织和标准化他们的信息，以确保其人工智能模型得到适当的训练。否则，“所产生的见解是不可操作或不可信的，”Uttarwar说。除了其人工智能模型，1Cell.Ai也在致力于解决数据困境的方案。Uttarwar表示，该公司提供了一个名为iCore的数据管理平台，该平台确保符合美国和欧盟的健康数据收集法规。iCore是与包括斯坦福大学（Stanford）和MD安德森癌症中心（MD Anderson）在内的少数几家学术机构合作构建的，“它使我们能够协调基因组学、蛋白质组学和影像学等不同的数据集，为人工智能模型提供动力”，Uttarwar说。然而，在更深层次上，Sharon表示，人工智能在药物开发中的根本挑战在于信任问题。他主张，需要人工智能决策的透明度，这反过来可以促进这些模型的解释端使用者——临床医生和监管机构——之间的信任。Sharon解释说，制药商和人工智能模型开发者通过更协作的数据共享倡议、可解释人工智能模型的开发以及指导验证和部署的监管框架表现出了一定的开放性。但还有许多工作要做。Sharon补充道：“最终，成功将取决于人工智能工具融入临床和操作工作流程的程度，而不仅仅是算法的先进程度。”对于整个领域，Sharon相信今年将是关键的一年。“我们预计2025年将成为一个转折点，首批由人工智能发现或人工智能设计的治疗性（肿瘤学）候选药物将进入first-in-human试验，标志着疗法开发方式的范式转变。”参考资料：https://www.biospace.com/drug-development/as-ai-dawns-in-precision-oncology-2025-expected-to-be-a-turning-point--------- End ---------感兴趣的读者，可以添加小邦微信加入读者实名讨论微信群。添加时请主动注明姓名-企业-职位/岗位或姓名-学校-职务/研究方向。

互联网之父蒂姆·伯纳斯·李曾评价他是“地球上最聪明的人”。4岁学棋、7岁学习编程、16岁考入剑桥计算机科学系、22岁创办游戏公司、而立之年回归学术攻读认知神经科学博士学位，而后创办DeepMind，开发AI程序AlphaGo击败围棋世界冠军、研发AlphaFold破解蛋白质结构预测难题并荣获2024年诺贝尔化学奖，成为世界AI领域第一人。Demis Hassabis  图源Isomorphic Labs官网对于Demis Hassabis而言，他的人生经历丰富且成果显著。2021年，他将视线转向医药研发领域，创立了Isomorphic Labs，这是一家专注AI药物研发的初创公司，依托AlphaFold的技术成果建立。Hassabis希望通过人工智能改进药物研发流程，推动生物医学领域的发展。自创立以来，Isomorphic Labs开发出多个新一代AI模型，这些模型共同构成统一的AI药物设计引擎，可应用于多个治疗领域和药物模式。近期，Isomorphic Labs宣布获得6亿美元融资，由Thrive Capital领投，GV和Alphabet参投，将用于进一步开发其下一代AI药物设计引擎，并推动治疗方案进入临床阶段。01从AlphaGo，到AlphaFold，再到AI药物设计引擎Demis Hassabis的AI逐梦之旅源于孩童时期。早年接触并学习围棋的经历培养了他的策略思考能力，也为其日后在AI领域的深耕奠定独特思维基础。在剑桥大学计算机科学专业求学期间，Hassabis系统学习理论知识。毕业后短暂投身游戏行业，开发AI模拟游戏。这段实践经历让他深刻认识到人工智能在模拟人类学习能力上的潜力，也坚定了他创造能“自主学习”AI的想法。2010年，Hassabis创立DeepMind，开启了将想法转化为现实的征程。2016年，DeepMind开发的AlphaGo以4:1击败围棋世界冠军李世石，这场人机对弈的胜利，不仅是技术的突破，更让全球看到AI在复杂策略领域的无限可能。在Hassabis看来，AlphaGo并非人们认为的“机器”：“就好像和人类一起探索宇宙的哈勃望远镜一样，AlphaGo是和我们一起探索围棋的哈勃”。此后，Hassabis带领团队将目光投向医疗领域。基于与英国全国医疗系统合作获取的数据，DeepMind推出DeepMind Health智能医疗系统，为诊疗和症状判断提供AI辅助。2018年，AlphaFold在被誉为“蛋白质结构预测奥运会”的CASP（Critical Assessment of Structure Prediction）比赛中，力压97个参赛者夺冠，成功根据基因序列预测蛋白质的3D结构。这项成果不仅解决了困扰生物学界半个世纪的难题，为医疗领域变革和新药物研发奠定理论基础，也让Hassabis团队在2024年荣获诺贝尔化学奖。Hassabis团队在2024年荣获诺贝尔化学奖凭借AlphaFold的技术积累，2021年，Isomorphic Labs宣布成立。作为从谷歌DeepMind剥离出来的子公司，它承载着Hassabis利用人工智能变革药物研发的新目标。Isomorphic Labs首席AI官Max Jaderberg在访谈中谈到，药物研发的本质是在近乎无限的分子空间（科学家估算约有10^60种可能性，远超宇宙原子数量）中寻找最优解。Isomorphic Labs的目标，正是打造一套AI药物设计系统，利用AI技术更高效地筛选和设计药物分子。2024年以来，Isomorphic Labs迎来多个关键发展节点：1月，公司与诺华、礼来达成战略合作，分别获得3750万美元与4500万美元的预付款，用于共同开展AI辅助药物研发。其中，与诺华的初始合作聚焦于针对三个高难度靶点的小分子疗法发现，而与礼来的合作则围绕多个未公开靶点展开小分子药物研发。5月，lsomorphic Labs与谷歌DeepMind联合发布AlphaFold 3，该模型不仅能预测蛋白质折叠，还可精准解析药物中常见分子的相互作用，大幅提升药物研发效率。2025年2月，诺华宣布扩大与Isomorphic Labs的合作范围，在原有三个靶点基础上新增最多三个研究项目。诺华生物医学研究总裁Fiona Marshall提到，过去一年Isomorphic Labs的AI技术已帮助探索了传统方法无法触及的新化学空间，未来双方将继续聚焦高难度靶点，满足临床未被满足的患者需求。目前，Isomorphic Labs以统一的AI药物设计引擎为核心，持续开发新型预测和生成式AI模型，聚焦肿瘤学和免疫学领域，通过分析生物数据挖掘药物候选分子，为全球患者带来创新治疗方案。02高精度分子预测能力，覆盖全类别生物领域在生命科学研究领域，蛋白质结构解析是理解生命活动分子机制的关键环节，能够为药物设计提供关键依据。过去，蛋白质结构解析主要依靠如X射线晶体学、核磁共振、冷冻电子显微镜等实验方法，这些方法虽然能够提供高精度的蛋白质结构信息，但通常需要花费大量的时间和精力，存在一定局限性。2020年，AlphaFold 2运用深度学习算法实现重大突破，仅通过蛋白质的氨基酸序列就能准确预测三维结构，为后续研究提供了关键技术支撑。自发布以来，AlphaFold 2在全球科研领域得到广泛应用，数百万科研人员将其运用于疟疾疫苗研发、癌症靶向治疗探索、工业酶优化设计等多个方向，还荣获了生命科学突破奖等多项权威荣誉。2024年推出的AlphaFold 3实现了技术的进一步跨越：Evoformer核心模块的改进。Evoformer是一种基于深度学习的架构，灵感来源于自然语言处理中的Transformer模型（类似ChatGPT的核心架构）。它能够高效处理输入的分子信息，通过对序列数据的深度分析，捕捉分子之间复杂的进化关系和相互作用模式。扩散网络生成分子3D结构。AlphaFold 3在完成序列数据处理后，通过扩散网络生成分子结构。这一过程类似于AI图像生成技术，从模糊的原子云状态开始，模型经过数百次甚至上千次的迭代优化，不断调整原子的位置和相互关系，逐步收敛到一个能量最低、最符合物理规律的精确3D结构。从单一蛋白质到全类别生物分子。相较于AlphaFold 2仅专注于蛋白质结构预测，AlphaFold 3实现了跨分子类型预测，其范围覆盖DNA、RNA、配体等全类别生物分子。生物体内的功能通常由多种分子协同完成，如基因表达需要DNA、RNA、蛋白质共同参与，AlphaFold 3实现了对细胞内更多种类的生物分子进行结构和相互作用的分析，为全面理解生物系统的复杂性提供了更为强大的工具。分子相互作用预测精度突破。在蛋白质与其他分子相互作用预测精度上，AlphaFold 3较传统方法提升至少50%，部分关键场景下精度翻倍。这使得科学家能够更准确地了解生物分子之间的相互作用方式，对于药物设计、理解疾病机制等领域具有重要意义，因为精确的分子相互作用信息是开发有效药物和深入研究疾病发生发展过程的关键。AlphaFold 3准确预测生物分子复合物的结构如果说AlphaFold 3是AI制药领域的基础科学突破，那么Isomorphic Labs的AI药物设计引擎则是这一突破的产业应用案例。其引擎正是以AlphaFold 3为核心技术支撑，融合扩散模型、多任务强化学习框架等多种前沿AI技术，形成的有机协同的整体架构。其中，扩散模型能依据已知的分子结构来生成具有潜在活性的分子，通过对已有分子结构的分析和变换，创造出可能具有药用价值的新分子，丰富候选药物库；多任务强化学习框架则根据药物研发需求，动态优化模型参数，实现从分子结构预测、生成到优化设计的完整技术链条。传统的药物研发过程中，筛选候选药物分子是一项耗时耗力的工作，往往需要进行大量的实验和计算，耗费数年甚至数十年的时间。而Isomorphic Labs的AI药物设计引擎借助AI技术，能够在短时间内处理海量的生物数据，通过智能算法快速识别具有潜力的药物候选分子，从过去的平均5～10年降至1～2年甚至更短，在药物研发效率上实现质的飞跃。目前，引擎在药物研发中展现出三大核心优势：技术层面，凭借AlphaFold 3的高精度分子预测能力，能预测所有生命分子的结构和相互作用，以此准确解析药物与靶点的结合模式，为药物设计提供更精准的分子结构信息，使研发人员能够基于对分子机制的深入理解设计药物，显著提升药物设计成功率。效率层面，引擎替代了人工实验和数据处理，能高效识别有潜力的药物候选分子，以此缩短药物发现的周期，降低研发成本，加速创新药物的推出，为患者更快地提供有效治疗方案。应用层面，传统药物研发受限于技术瓶颈，对疾病领域和药物类型往往有限制，而引擎因兼容全类别生物分子，可同时探索肿瘤、免疫病、罕见病等多个领域，以及小分子、生物制剂等多种药物形式，还对配体结合、复合体稳定性等药物设计关键维度具备强预测力，极大拓展了药物研发的边界。036亿融资，只是一个开端近年来，在生物制药领域，AI 技术正发挥着越来越重要的作用。《2025年AI制药市场分析及未来发展趋势报告》显示，2025年全球AI制药市场规模预计达200亿美元，年复合增长率超30%。在AI制药领域，全球范围内已有超过百家初创公司和大型制药企业投入大量资源进行研发。在Max Jaderberg看来，未来十年将是药物研发的变革期。随着AI技术发展，生物学领域正迎来“GPT-3时刻”——AI模型将从被动模拟转向主动创造，催生具备自主探索能力的“科学智能体”，而AI+蛋白质作为医药的主要分支，随着靶向药物、合成生物学的流行而越来越受到重视。以AlphaFold 3为代表，动态结构模拟技术已开启新的研发维度——药物设计不再局限于静态分子结构，而是聚焦蛋白质在溶液中的真实运动状态及其与药物的相互作用，这将显著提升候选药物的有效性。随着技术突破，大量蛋白质预测数据库与设计工具正在被利用。谷歌主导的结构数据库公开约2亿个蛋白质结构模型，Meta的esm-fold软件免费提供超6亿个蛋白质三维结构数据。在设计工具方面，RoseTTA Fold、AlphaFold 3及国际蛋白质数据库PDB的全新服务，均为相关研究提供助力。同时，在药物发现方面，AI的应用已经取得了显著成果。例如，斯坦福医学院与麦克马斯特大学研究人员开发SyntheMol模型，并成功设计出能抑制超级细菌鲍曼不动杆菌的分子；英矽智能则利用自研AI平台，成功识别罕见肺部疾病的全新药物靶点，整合多源数据挖掘疾病分子关联，为新药研发开辟新路径。然而，AI制药的发展仍面临诸多挑战。技术突破虽带来希望，但实际落地仍需跨越数据、监管、行业协作等多重障碍。但不可否认的是，AI正在从医药研发的辅助工具转变为重要驱动力。目前，AI 技术已几乎覆盖从药物靶点发现到临床研究的全链条环节，随着技术的深入应用，人类快速研发各类新药、攻克疑难疾病的愿景正逐渐接近现实，而Isomorphic Labs正站在这场变革的前沿。如果您想对接文章中提到的项目，或您的项目想被动脉网报道，或者发布融资新闻，请与我们联系；也可加入动脉网行业社群，结交更多志同道合的好友。近期推荐声明：动脉网所刊载内容之知识产权为动脉网及相关权利人专属所有或持有。未经许可，禁止进行转载、摘编、复制及建立镜像等任何使用。文中如果涉及企业信息和数据，均由受访者向分析师提供并确认。动脉网，未来医疗服务平台

关注并星标CPHI制药在线日前，北京康辰药业股份有限公司（简称：康辰药业）1类新药KC1086片在国内获得临床试验默示许可，拟用于晚期复发或转移性实体瘤。KC1086是康辰药业完全自主研发的一款具有全新结构的强效、高选择性赖氨酸乙酰转移酶6（KAT6）的小分子抑制剂。临床前研究显示：在ER+/HER2-的乳腺癌药效模型中，同等剂量水平下KC1086对肿瘤生长具有更强的抑制作用，且在其他实体瘤药效模型中显示出类似的效果。此外，KC1086的ADME特性和安全性评价结果显示可有效解决此类化合物的蓄积问题，无明显的种属差异。康辰药业是集研产销于一体的创新药企业，除了KC1086，公司还有多款在研项目，其中ZY5301（“金草片”）是NMPA批准的针对“盆腔炎性疾病后遗症慢性盆腔痛”的唯一中药，其3期临床试验已达到主要研究终点，完成递交Pre-NDA并已获得受理。ZY5301属于我国在研中药1.2类新药，其主要成分是总环烯醚萜苷，由筋骨草全草提取获得。2024年3月，公司宣布该药在女性盆腔炎性疾病后遗症慢性盆腔痛患者中开展的3期临床试验（CTR20222693）已达到主要研究终点。统计分析结果显示：ZY5301在为期12周治疗期内VAS评分的疼痛消失率达到主要研究终点，其安全性及耐受性表现良好，且不良事件发生率低。KC1036进展也较快，是其公司自主研发且具有完全自主知识产权的II型非竞争性AXL、VEGFR多靶点受体酪氨酸激酶抑制剂，通过抑制AXL、VEGFR2等靶点实现抗肿瘤活性，被开发针对消化系统肿瘤、胸腺肿瘤等多个适应症。已公布的临床试验结果显示：截至2023年7月31日，KC1036单药治疗晚期食管鳞癌（ESCC）的ORR为26.1%，疾病控制率DCR为69.6%，中位OS为7.1月，明显优于现有临床结果。关于KAT6及其靶向药进展KAT6属于MYST家族组蛋白乙酰化酶，在调节转录、发育、造血细胞分化、细胞周期进程和有丝分裂方面发挥关键作用。KAT6 包括 KAT6A、KAT6B两种亚型其中KAT6A于1996年在急性髓系白血病（AML）的染色体异位中首次被发现。KAT6B于1999年被鉴定为KAT6A的旁系同源物。研究发现，KAT6通过对组蛋白H3和非组蛋白进行乙酰化修饰，在细胞周期调控、干细胞自我更新等方面发挥着重要作用，其异常表达（包括突变、基因组扩增、缺失或融合）往往会导致乳腺癌、卵巢癌、宫颈癌、胶质母细胞瘤、白血病等多种疾病的发生。因此，KAT6被认为是肿瘤药研发的潜力靶点。据不完全统计，全球还有多款在研KAT6靶向药，详见下表。在研KAT6靶向药大多处于早期临床，恒瑞医药的HRS-2189进展较快，其前列腺癌适应症已进入2期阶段。辉瑞的PF-07248144是全球最先开展临床研究的KAT6抑制剂，通过与KAT6A/B选择性结合，抑制组蛋白H3第23位赖氨酸乙酰化修饰（H3K23Ac），从而影响基因转录发挥治疗作用。2025 ASCO大会上公布的PF-07248144作为单药疗法，以及与氟维司群治疗曾接受过大量治疗的ER+/HER2-转移性乳腺癌的首次人体 1期剂量递增/扩展研究结果显示：1mg、5mgPF-07248144+氟维司群治疗组的ORR分别为24.1%、37.2%，CBR分别为37.9%、55.8%，mDOR分别为4.6个月、15.8个月，mPFS分别为3.6个月、10.7个月。安全性方面，最常见的3级及以上副作用为中性粒细胞贫血，该副作用可以逆转且可以通过剂量调整来控制，未发生肺炎副作用。辉瑞计划今年开展该药的关键3期临床，进一步巩固公司在乳腺癌领域的优势。Olema Oncology的OP-3136在临床前研究中显示出显著的抗肿瘤活性，无论单药使用还是与palazestrant（一款雌激素受体完全拮抗剂）联合。齐鲁制药的QLS1304在ER+/HER2-乳腺癌体内模型中无论单药还是与SoC联用均展示出了强劲的抗肿瘤疗效，今年5月被FDA授予快速通道资格认定。复宏汉霖的HLX97-053在对CDK4/6抑制剂耐药患者来源的异种移植瘤模型中表现出与氟维司群和哌柏西利明显更强的协同作用，且其血液学毒性也显著降低，具有同类最佳的潜力。此外，KAT6靶向药领域已有BD交易达成。2024年1月，英矽智能将ISM5043的全球独家开发和商业化权益授予给美纳里尼，总金额高达5亿美元。   总结整体来看，KAT6靶向药大多处于早期阶段，辉瑞的PF-07248144预计有望最先进入3期临床。适应症上看，当前KAT6靶向药主要集中在乳腺癌，有望攻克CDK4/6抑制剂耐药问题。期待KAT6靶向药早日迎来重大突破，造福广大肿瘤患者。END智药研习社近期直播预告来源：CPHI制药在线声明：本文仅代表作者观点，并不代表制药在线立场。本网站内容仅出于传递更多信息之目的。如需转载，请务必注明文章来源和作者。投稿邮箱：Kelly.Xiao@imsinoexpo.com▼更多制药资讯，请关注CPHI制药在线▼点击阅读原文，进入智药研习社~