超過九成的候選藥物在臨床試驗中以失敗收場，根本原因在於動物模型無法真正還原人類生理。尤其隨著新型療法問世，許多藥物的作用標的在動物體內根本不存在，這道鴻溝正日益擴大。2026年4月，美國研究團隊在《Science》發表一篇系統性回顧論文，彙整「新穎測試方法」（new approach methodologies，NAMs）的演進與最新進展，並提出以人為核心的藥物開發整合路線圖。NAMs涵蓋人類來源的細胞系統、微生理平台與人工智慧技術應用等，是填補這道轉譯鴻溝的核心技術框架。美國FDA《現代化法案 2.0》已於2022年開放以NAMs資料替代或補充動物試驗；2025年底美國參議院更通過《現代化法案 3.0》，要求 FDA儘快將相關法規與現行法律接軌。
以人為核心的測試系統與技術平台： 1.人類細胞系統：確認研究模型的生物學相關性 NAMs的根基在於人類細胞系統，將研發的起點回歸人類生理。原代細胞保留了成熟組織的代謝功能、電生理特性與免疫反應能力，以及在慢性病或老化相關疾病研究往往更能保留真實的病理特徵，但取得較困難；永生化細胞株可提供規模化與重複性，但可能與自然組織結構和調控有差異；誘導式多功能幹細胞（induced pluripotent stem cells, iPSCs）則保留了捐贈者的基因變異，分化後可精準模擬特定疾病患者的生物特性，但需考量其發育成熟度。因此，選擇哪種細胞平台，主要取決於疾病的作用機制。
2.微生理系統：在體外重建人體組織的複雜環境 類器官（organoid）與器官晶片（organ-on-a-chip, OoC）讓細胞生長在更接近人體生理的立體環境中。患者來源的腫瘤類器官已在多種癌症中展現出與臨床反應高度吻合的精準預測能力；器官晶片則進一步導入液體流動、剪切應力與機械應變，讓靜態培養所欠缺的動態生理條件得以重現。整合多器官的微生理系統（microphysiological system, MPS）更能完整地反映體內真實生理狀況，讓藥物的動力學評估更接近臨床實情。
3.人工智慧：跨越傳統的電腦計算與模擬預測 AI讓NAMs從測試工具演進為智慧系統。深度學習（deep learning, DL）可針對多重特性同步優化，快速設計與生成全新候選分子；主動學習（active learning, AL）則讓模型根據每輪實驗結果調整下一步的測試方向，並大幅提升命中率。另外，大型語言模型（large language model, LLM）驅動的智慧代理系統，已能統籌假說生成、實驗設計與資料解讀，讓持續自我學習的實驗室不再只是概念。
以人為核心的藥物開發整合路線圖 (修飾AI生成圖)
從實驗室到臨床的四步整合框架： 1.實驗室閉環（Lab-in-a-loop）：
高內涵實驗數據（如形態、代謝）與預測模型持續互饋修正，加速找到候選藥物並且優化先導化合物。
2.人類器官晶片評估（Human organs-on-chips）：
比傳統培養更接近人體生理環境，可利用不同器官晶片整合生理藥物動力學（physiologically based pharmacokinetics, PBPK）建模，提供系統級的安全性評估。
3.培養皿中的臨床試驗（Clinical trial-in-a-dish）：
患者來源模型除了可以預測個人化藥效反應，亦能評估不同族群的變異性（variability），有助於進入人體試驗前區分敏感或不適應群體。
4.數位雙生（Digital-experimental twins）：
利用計算型NAMs與測試實驗，整合分子、生理與真實世界測試數據，從而建構數位雙生，實現多維度的精準預測與醫療。
NAMs技術走在前面，法規制度還在追趕 雖然FDA ISTAND計畫已於2024年將人體肝臟晶片納入資格認定（qualification）流程，但目前全球對於NAMs應用於藥物開發的標準與規範尚未達成一致。舉凡患者檢體的知情同意、演算法介入臨床決策的程度、跨領域人才的養成等，都是這場方法轉型有待克服的挑戰。原文指出，未來十年動物模型將逐步從主要證據來源退為輔助參考。這不是動物實驗的驟然終結，而是一場由科技、法規與倫理共同驅動，正在進行中的典範轉移。
「本文彙整編譯力求精確，供便利參考；詳細資訊請參閱原文連結為準。」 相關連結
編譯/校稿：鄭獻仁 副研究員 / 王律凱 助理研究員