在儿童新药研发领域，剂量探索始终是横亘在研发团队面前的核心挑战。传统成人剂量按体重或体表面积简单外推的方法，往往难以准确反映儿童独特的生理代谢特征，导致临床试验中疗效不足或安全性风险增加。某知名生物制药集团在推进一款针对儿童难治性癫痫的新药研发时，就遭遇了这一典型困境：前期动物实验和成人数据显示良好前景，但进入儿童I期临床试验后，剂量爬坡设计缺乏精准依据，受试儿童出现预期外的药物暴露变异，研发进度被迫延迟。
客户痛点：传统剂量外推方法的系统性缺陷
该集团儿科研发中心负责人坦言，儿童剂量探索的难点在于：儿童并非缩小版的成人，其肝肾功能、体液分布、代谢酶活性随年龄动态变化，传统异速缩放模型误差可达50%以上。更为棘手的是，儿童受试者招募困难，伦理审查严格，无法像成人试验那样进行大规模多剂量组探索。临床前数据与儿童临床反应之间的鸿沟，导致研发团队在方案设计阶段就面临巨大不确定性。集团迫切需要一种能够整合多源数据、精准预测儿童药代动力学特征并指导临床验证的智能解决方案。
解决方案：扑克之星AI预测模型与临床验证融合平台
扑克之星为集团量身定制了儿童剂量探索AI解决方案，核心是一套基于生成对抗网络与贝叶斯优化算法的预测模型。该模型首先整合了覆盖0-18岁各年龄段的生理药代动力学（PBPK）数据库，包含2000余例真实世界儿童用药数据及来自公开文献的3000余条药物代谢参数。通过扑克之星自研的深度学习引擎，模型能够自动学习年龄、体重、肝肾功能、遗传多态性等20余个变量对药物暴露的动态影响，生成高精度的剂量-暴露-效应关系图谱。针对该癫痫新药，模型仅用72小时就完成了传统方法需要数周才能完成的虚拟人群模拟，输出从新生儿到青少年的最优剂量爬坡方案及潜在毒性预警阈值。
实施过程：从数据整合到临床验证的闭环迭代
实施分为三个阶段推进。第一阶段是数据适配与模型校准：扑克之星团队与该集团临床药理、生物统计部门紧密协作，将集团提供的临床前毒理数据、体外代谢数据及前期成人PK数据，与扑克之星内置的儿童生理模型进行跨尺度融合，构建了该新药专属的虚拟儿童人群（n=5000）。第二阶段是剂量方案生成：模型基于贝叶斯优化框架，不断权衡疗效最大化与安全性约束，生成了3个备选剂量爬坡方案，均显著优于传统方法。第三阶段是临床验证与迭代：在实际的I期临床试验中，扑克之星模型预测的儿童药物清除率与实测值的平均偏差仅为8.7%，远低于行业平均水平（25%以上）。研究团队根据实时监测数据动态调整模型参数，实现了剂量爬坡的精准控制。
成果与价值：加速研发进程，降低临床风险
通过扑克之星AI剂量模型的深度介入，该集团儿童新药研发项目取得了显著成果。剂量探索周期从原计划的10个月缩短至4个月，整体研发成本降低约35%。更重要的是，模型在虚拟阶段成功预测了2例高暴露风险案例，指导临床团队提前制定了剂量调整预案，避免了实际试验中可能的严重不良事件。该方案已通过国家药监局药审中心的技术评审，被纳入优先审评通道。扑克之星的这一实践，不仅为儿童难治性癫痫新药研发提供了可复用的技术范式，更标志着儿童剂量探索从经验驱动迈向了数据智能驱动的新阶段。