自从路易斯·巴斯德（Louis Pasteur）在兔子和羊身上测试狂犬病和炭疽病疫苗以来，动物实验在一个多世纪里一直是新药研发的“黄金标准”和必经之路。然而，残酷的现实是：在动物实验中表现完美的候选药物，有高达90%至92%在人类临床试验中以失败告终。

新药研发的平均成本如今已飙升至26亿美元，耗时漫长且充满不确定性。失败的主要原因在于缺乏临床疗效（约占55%）和无法控制的毒性（约占28%）。归根结底，老鼠、狗或猴子终究不是人类，物种间根本的生物学差异使得动物模型往往无法准确预测药物在人体内的真实反应（Wenqiang Liu, 2026）。

面对高昂的试错成本与日益高涨的动物福利呼声，科学界和监管机构正在推动一场革命。2022年，美国通过《FDA现代化法案2.0》，正式取消新药审批前必须进行动物实验的强制要求，转而支持使用基于人类生物学的新方法。英国政府也宣布逐步淘汰部分动物实验的计划。这标志着药物研发正式迈入一个被称为新方法学（NAMs, New Approach Methodologies）的纪元。

“非动物测试”的惊人进展：在培养皿与芯片上重塑人体

NAMs汇集了当前最前沿的生物与信息技术，主要由三大“利器”组成：

1. “培养皿中的临床试验”：干细胞技术

人类多能干细胞（hPSCs）具有分化为外胚层、中胚层和内胚层所有三个胚层的能力，因此科学家可以在实验室中生成几乎任何类型的人类细胞（如大脑、心脏、肺和肝脏细胞）。作为一种基础的2D细胞模型，干细胞技术能够直接重构患者和疾病特异性的遗传密码，成功克服了传统动物实验中物种特异性的限制，能够精准重现在动物模型上无法获取的特定人类疾病表型（例如特定患者的心律失常或神经退行性特征）。

诱导多能干细胞（iPSCs）技术就像是细胞的“时光机”，能够将成年人的普通细胞逆转回干细胞状态，然后再将其培养成心肌、神经或肝脏等特定细胞。斯坦福大学的Joseph Wu团队开创性地提出了“培养皿中的临床试验”——他们利用带有特定突变基因的家族成员的细胞培养出内皮细胞，直接在这些病态细胞上筛选药物，成功找到了能改善该家族心血管功能的疗法。这种技术为“个性化精准医疗”打开了大门，医生甚至可以在给患者开药前，先在患者自己的细胞上测试药物是否安全有效。

图2. 细胞层面的新方法学：患者来源iPSC筛选平台。本图关键进展展示了基于干细胞的NAMs如何将其应用范围从机制发现拓展至治疗转化（Wenqiang Liu, 2026）。(A) 治疗候选药物筛选：基于人胚胎干细胞（ESC）与诱导多能干细胞（iPSC）构建的研究体系，可跨器官、跨疾病筛选分子靶点并实现药物重定位。(B) 前沿研究模型：报告基因细胞系、基因修饰iPSC衍生物，以及高通量药物筛选平台，可整合基因组与表型检测数据，加速精准毒理学研究及适用于大脑、肺、肝、心脏等多器官的人源性药物研发。(C) 高级共培养体系：整合白色脂肪细胞、肝细胞与促炎巨噬细胞的微生理系统（MPS），可构建代谢相关脂肪性肝病与2型糖尿病模型；iPSC衍生巨核细胞的三维共培养体系，可模拟骨髓增殖性疾病（真性红细胞增多症）；iPSC衍生小胶质细胞、星形胶质细胞与神经元的三重共培养模型，可用于研究不同遗传与环境背景下的细胞间通讯机制。(D) 治疗应用转化：基于干细胞的疗法正逐步走向临床转化：人胚胎干细胞来源的多巴胺能神经元可恢复运动功能；干细胞疫苗可激活机体免疫应答；iPSC-CAR-NK疗法可逆转系统性硬化症中的纤维化病变。

2. 类器官与“器官芯片”

器官芯片（Organ-on-a-chip）属于尖端生物工程技术，通常将细胞或类器官与工程化的微生理系统（MPS）结合。这种技术为离体细胞提供了动态的流体（模拟血液流动）、原生组织的生物物理微环境以及3D生物打印支架。

通过将类器官与器官芯片整合，科学家可以克服传统静态培养的局限，显著提升体外疾病模型的成熟度、可重复性和生理学保真度，比如科学家们现在能够在U盘大小的微流控芯片（microfluidic chip）上，重现人类肺、肝、肾等器官的微观生理机能。例如，Emulate公司开发的一种“肝脏芯片（Liver-Chip）”在预测药物导致肝损伤方面的准确率高达87%。更令人震惊的是，这款芯片成功检测出了12种此前在动物模型中被标榜为“安全”、却对人类肝脏有毒的药物。此外，在三维环境中生长的“类器官”还能高度还原囊性纤维化、癌症等复杂人类疾病的特征，并被大规模用于高通量药物筛选。

图3. 多细胞层面的新方法学：用于人体组织建模的类器官平台。本图关键进展展示了基于类器官的NAMs如何将患者样本与临床治疗决策直接关联（Wenqiang Liu, 2026）。(A) 治疗候选药物筛选：由患者组织或人多能干细胞（hPSC）构建的脑、视网膜、心脏、肺、肝、肾、胃、胰腺、骨骼肌类器官体系，可揭示不同药物的敏感性，并挖掘药物重定位（老药新用）的潜力。(B) 精准医疗应用：患者来源类器官（PDOs）可实现组织病理学分析、多组学研究与微型化药物测试，前瞻性地实时预测患者个体的临床治疗响应。(C) 前沿模型技术：通过灌流培养、血管化构建、器官芯片体系，以及几何设计/3D打印支架，可提升类器官的均一性、成熟度与筛选通量，为疾病建模与药物研发提供标准化、高内涵的检测数据，提升研究准确性。(D) 治疗转化与应用：脑、心脏、肾上腺皮质、肝脏类器官的移植实验，验证了其在体内的生物学相关性，支持疗效评估、药代动力学/药效学（PK/PD）检测及再生医学应用。

3. 硅基生命：人工智能（AI）与计算机模拟

药物发现正在脱离纯粹的“实验室炼金术”，计算机模拟技术代表了新方法学中利用计算机科学和人工智能（AI）的前沿维度。它从传统的物理样本实验转向纯粹的“数据驱动”药物发现模式，主要依赖于数学建模、模拟以及基于深度学习和机器学习的AI算法。通过整合海量的多模态人类数据集（如多组学图谱、临床医疗记录、医学组织图像和虚拟化学库），计算机模拟能够以极低的成本和极高的速度完成早期疾病诊断、全新药物分子设计、靶点筛选以及精准的药物代谢和毒性（ADMET）预测。

目前，AI和机器学习平台可以在短短几天内分析数百万种化合物，将过去需要数年的发现过程大幅缩短。美国FDA的研究人员甚至开发了一种名为“Animal GAN”的生成式AI模型，通过模拟十万只“虚拟大鼠”，准确预测了药物的肝毒性排名。此外，一款名为INS018-055的特发性肺纤维化治疗药物，完全依靠AI驱动设计，仅用短短18个月就进入了临床评估阶段。

图4. 计算层面的新方法学：预测性药物研发工作流。本图关键进展展示了基于人工智能的NAMs如何将高维人类数据转化为贯穿研发-临床全流程的可落地临床洞见。示意图从左至右依次呈现：以人类为中心的输入数据、AI驱动的计算模型，以及可落地的治疗方案输出（Wenqiang Liu, 2026）。(A) 治疗候选药物识别：整合多组学、影像组学、虚拟筛选数据等多源数据集与技术，可实现代谢疾病、肿瘤、心血管疾病、炎症性疾病等多领域的候选药物发现。(B) 临床应用场景：多模态AI框架可整合临床样本、电子病历与体外分析数据，实现疾病诊断、治疗响应预测、ADMET（吸收、分布、代谢、排泄、毒性）与毒性评估，并指导患者个性化治疗方案选择。(C) 前沿技术支撑：大样本基础数据集与基于结构的计算模型，可加速个性化医疗、药物筛选、分子设计与药物重定位进程，同时提升分子结合亲和力预测精度与表型先导化合物识别效率。

现实的冷水：为什么我们现在还不能让动物“完全退休”？

尽管新方法学展现出取代动物实验的巨大潜力，但要真正让小白鼠“完全退休”，科学界、工业界和监管机构仍面临着多维度的严峻挑战。这些“现实的挑战”主要集中在以下四个关键领域：

1. 人体生物学系统的高度复杂性难以完全复制

1）系统性代谢与免疫反应：目前的体外模型（如器官芯片）往往是基于还原论的，可能只包含器官中的少数细胞类型。它们很难完全模拟药物在全身的系统性代谢过程（例如肝脏和肾脏的协同处理），也难以重现复杂的人类免疫系统反应。

2）高级生理功能与系统级交互的缺失：包含复杂血管网络、神经末梢、相互作用的内分泌和生殖系统的完整器官运作，以及组织的衰老过程，目前都很难在类器官或器官芯片中准确重现。此外，人类复杂的行为和认知功能几乎不可能在实验室的培养皿中进行模拟。

3）模型的发育不成熟与长期毒性评估受限：由干细胞培育的细胞或类器官通常存在结构和代谢上的不成熟，缺乏原生组织微环境和功能性血管网络，且无法完全重现与年龄相关的表观遗传特征。同时，当前的NAMs主要集中于评估药物的短期效应，针对药物长期慢性暴露的毒性评估模型仍很不完善。

2. AI与计算模型面临的“数据与技术瓶颈”

1）高度依赖数据质量与多样性：人工智能模型的预测能力严重依赖于底层数据。现实世界中的临床和实验数据往往存在格式不统一、非结构化文本以及人口统计学偏差等问题。特别是对于罕见病，高质量训练数据的匮乏，加上数据共享机制的阻碍和隐私壁垒，极大限制了AI技术的应用。

2）误差传播与算法局限：实验模型（如类器官体外培养）中固有的批次间差异和多变性，会作为训练数据传递给AI模型，从而放大计算偏差并限制结果的可重复性。另外，部分AI模型对分子三维拓扑结构的感知有限，有时会导致生成存在缺陷的化学结构。

3. 漫长、昂贵且缺乏标准的监管验证

3）验证过程极其耗资费力：要让监管机构（如FDA或EMA）信任并接受新方法，研究人员必须提供大量数据证明这些替代模型具有高度的准确性和可重复性。这是一个成本高昂且耗费大量人力的过程，且针对不同新方法的验证标准往往各不相同。

4）缺乏统一规范与历史包袱：全球现有的药物审批框架主要建立在动物实验的基础上，针对NAMs的新指南和验证基准仍在摸索与演变之中。目前跨平台的数据标准不一致、检测读数未统一，缺乏标准化的协议使得制药企业难以顺畅地驾驭新的审批流程。

4. 工业界转型成本与科研文化的惯性

1）基础设施与人才转型的巨额成本：摒弃传统的动物实验模式意味着企业需要投入巨资进行彻底的转型，包括重塑整个研发管线、引进微流控技术和高级细胞培养平台等新基础设施。同时，研究人员也需要重新接受培训，以学习如何解读基于AI和非动物模型的数据并据此做出决策。

2）科研界的传统偏好：科学界内部存在文化惯性。许多同行评审专家和科研资金赞助机构在评估论文或拨款申请时，依然偏好那些包含传统动物实验验证的研究，这令积极推动替代方案的科学家感到沮丧。

4）对新技术过度炒作的担忧：专家警告，部分关于NAMs的宣传可能令人误以为这些技术已经完全成熟。事实上，NAMs如果存在样本量过小或实验设计缺陷，同样会导致候选药物在临床试验中折戟。“并非所有这些替代模型都已准备好迎接黄金时代”。

Christoph Eberle. Will Non-Animal Approaches Replace Some or All of Animal Testing? Charles River Laboratories. Mar 24, 2025

https://www.criver.com/eureka/will-non-animal-approaches-replace-some-or-all-animal-testing

Diana Kwon. (2026). The age of animal experiments is waning. Where will science go next? Nature. 650, 812-814

https://doi.org/10.1038/d41586-026-00563-3