一项体外实验得到：

IC50 = 20 nM。

接下来最容易出现的问题是：

那么体内应该给多少剂量，才能覆盖 20 nM？

这个问题看起来只是单位换算，实际跨越了多层不同的药理过程：

  • 体外加入的名义浓度；
  • 培养液中的有效游离浓度；
  • 细胞内、靶点附近的可用浓度；
  • 血浆中的总暴露与游离暴露；
  • 药物进入肿瘤的速度、程度与空间分布；
  • target engagement 和 PD 的深度与持续时间；
  • 肿瘤生长反应；
  • 给药途径、制剂、清除和耐受性共同决定的剂量。

因此，20 nM 不能直接换算成 20 nmol/L 对应的 mg/kg。

先给出结论：
体外活性适合定义“在某种实验条件下，什么浓度范围能够产生何种细胞效应”。体内剂量则是为了在动物中形成可解释的暴露—靶点作用—PD—药效关系。
二者之间真正需要翻译的不是“浓度到剂量”，而是：
体外效应浓度 → 有效靶点部位暴露 → 需要维持的时间模式 → 动物 PK → 可耐受的给药方案。

先把 potency、exposure 和 dose 分开

这三个词经常出现在同一张汇报图里，但它们不是同一个层次。

Potency｜活性或效力

通常来自体外剂量—反应实验，例如：

  • biochemical IC50；
  • cellular IC50；
  • EC50；
  • GI50；
  • GR50；
  • target engagement EC50；
  • PD EC50。

它回答的是：

在这套 assay 的条件下，需要多大浓度才能产生某个定义的效应？

Exposure｜暴露

通常来自浓度—时间数据，例如：

  • Cmax；
  • AUC；
  • Cmin；
  • 平均浓度；
  • 高于某阈值的时间；
  • 血浆游离浓度；
  • 肿瘤总浓度或游离浓度。

它回答的是：

动物实际经历了多深、多长、位于什么部位的药物压力？

Dose｜剂量

例如：

  • mg/kg；
  • 每日一次；
  • 每日两次；
  • 间歇给药；
  • 口服、静脉或其他途径。

它回答的是：

以什么输入方式产生目标暴露？

同一剂量可能因制剂、给药途径、生物利用度和清除不同而形成完全不同的暴露；同一暴露也可能通过多种剂量和给药频率实现。

因此，体外 potency 最多能够帮助提出目标暴露范围，不能直接指定 dose。

一条更完整的外推链

从体外活性到 CDX 给药方案，更合理的证据链是：

名义体外浓度
→ 培养液中游离浓度
→ 细胞内或靶点附近可用浓度
→ target engagement / cellular PD
→ 体内血浆游离暴露
→ 肿瘤有效暴露
→ 体内 target engagement / PD
→ 肿瘤响应
→ 在耐受范围内优化剂量与频率

外推错误通常发生在省略其中一层，并假定前后两个数字天然相等。

错误一：把一个 IC50 当作化合物的固定常数

IC50 不是一个脱离 assay 的绝对物理常数。

它会受到以下因素影响：

  • 细胞系与来源株；
  • 接种密度；
  • 培养时间；
  • 血清和培养基；
  • 检测平台；
  • 终点定义；
  • 细胞增殖速度；
  • 浓度范围；
  • 曲线拟合方式；
  • 最大效应和曲线斜率。

Fallahi-Sichani 等分析癌细胞药物反应时指出，IC50、最大效应和剂量—反应曲线斜率可以携带彼此不同的信息，只看 potency 会遗漏药物和细胞状态之间的系统性差异。［1］

Hafner 等进一步显示，细胞分裂速度会混杂传统药物敏感性指标；GR metrics 通过校正未处理细胞的增长速率，提高了不同条件间比较的可解释性。［2］

同样的 IC50，可能对应不同的体内期待

两个化合物都显示 IC50 = 20 nM，但可能具有：

  • 一个能达到接近完全抑制，另一个最大效应有限；
  • 一个曲线陡峭，另一个曲线平缓；
  • 一个短时暴露即可产生持久效应，另一个需要持续存在；
  • 一个作用于快速分裂细胞，另一个对分裂速度不敏感。

只把 IC50 作为体内覆盖阈值，可能掩盖真正需要覆盖的是：

  • 更高分位的效应浓度；
  • 某个 target engagement 水平；
  • 一段持续时间；
  • 或一个不可由单点浓度表达的动态过程。

错误二：把名义加入浓度当成细胞真正经历的浓度

体外实验报告的浓度通常是加入培养液的 nominal concentration。

但加入的药物可能：

  • 与血清蛋白结合；
  • 与培养板或塑料表面结合；
  • 被细胞非特异性结合；
  • 在培养期间降解；
  • 沉淀；
  • 被转运或代谢；
  • 在细胞内富集或被外排。

因此，加入 100 nM 不等于培养液游离 100 nM，更不等于细胞内靶点附近 100 nM。

Mateus 等提出 intracellular bioavailability 的测量框架，将培养液非结合比例、细胞内非结合比例和细胞累积结合起来；研究显示，知道药物真正能够接近细胞内靶点的比例，可以更好地连接 biochemical potency、cellular potency 和 target engagement。［3］

为什么更换血清比例会改变 potency？

因为 assay 中可用的游离药物比例可能改变。

如果一种高结合化合物在低蛋白培养条件下显示很强活性，而体内血浆结合显著更高，那么直接拿名义 IC50 与血浆总浓度比较，可能产生虚假的“充分覆盖”。

相反，高蛋白结合也不能被简单解释为“药物一定无效”。血浆结合会同时影响游离比例、分布、清除和暴露；只看一个 fu 数字而不考虑整个 PK 系统，同样可能误导。Smith 等专门讨论了药物发现中将高血浆蛋白结合机械等同于低体内活性的常见误区。［4］

错误三：把 biochemical potency 当成 cellular potency

在纯化蛋白或酶学 assay 中：

  • 靶点通常直接暴露于化合物；
  • 细胞膜不是障碍；
  • 外排转运不存在；
  • ATP、底物或辅因子条件由实验设定；
  • 蛋白构象和复合物环境可能不同于细胞内。

因此，1 nM 的 biochemical IC50 不能说明细胞内只需要 1 nM。

从 biochemical assay 到细胞内靶点，至少增加了：

  • 细胞通透性；
  • 外排；
  • 亚细胞分布；
  • 非特异性结合；
  • 细胞内 ATP 或竞争底物；
  • 靶点复合物和反馈网络；
  • 药物稳定性。

Mateus 等的结果说明，biochemical potency 相近的化合物可以因 intracellular bioavailability 不同而表现出不同的 cellular potency 和 target engagement。［3］

因此，进入体内剂量设计时，通常应优先使用与研究问题最接近的细胞层证据，而不是直接从纯化蛋白 IC50 起算。

错误四：把 cellular IC50 直接等同于血浆总浓度阈值

一种常见图形是：

  • 横线：cellular IC50；
  • 曲线：血浆总浓度；
  • 曲线高于横线，所以认为实现覆盖。

这至少隐含了三个未经验证的假设：

  1. 体外名义浓度与体外有效游离浓度相同；
  2. 血浆总浓度与体内游离浓度相同；
  3. 血浆游离浓度与肿瘤靶点部位浓度相同。

这三个假设都可能不成立。

Mariappan 等总结组织游离浓度时指出，虽然血浆和整体组织总浓度常被用于关联 PD，但从 free drug hypothesis 出发，靶点部位的游离浓度通常更接近药理相关暴露。［5］

更合理的比较可能是：

  • 体外游离 cellular potency；
  • 对应的体内血浆游离浓度；
  • 或更接近靶点部位的肿瘤游离暴露。

但即使比较游离浓度，也需要确认：

  • 是否达到稳态；
  • 是否存在主动转运；
  • 靶点位于细胞外、胞质还是特定细胞器；
  • 药物是否存在反应性或近共价结合；
  • 浓度与效应之间是否存在明显时间延迟。

错误五：把血浆暴露当成肿瘤暴露

血浆 PK 很重要，因为它告诉我们剂量是否形成了系统药物压力。

但肿瘤还增加了：

  • 血管灌注；
  • 通透性；
  • 间质压力；
  • 基质比例；
  • 坏死和低灌注区域；
  • 肿瘤细胞摄取；
  • 组织结合；
  • 局部代谢与外排；
  • 空间分布。

Morgan 等提出的“三根支柱”强调，需要建立作用部位暴露、靶点结合和功能性药理反应，而不是只证明给过药。［6］

everolimus 在正常和荷瘤啮齿动物中的比较研究显示，血细胞分配、蛋白结合、组织通透性和肿瘤摄取之间存在复杂关系；肿瘤自身特征会参与决定药物进入和保留。［7］

所以：

血浆曲线高于 cellular IC50，不等于肿瘤细胞内靶点持续高于有效浓度。

错误六：只选择 Cmax、AUC 或 Cmin 中最“好看”的一个

体外 potency 通常是一个浓度数字，体内暴露却是一条时间曲线。

真正驱动效应的暴露指标可能更接近：

  • Cmax：短时高峰；
  • AUC：累积暴露；
  • Cmin：谷浓度；
  • 平均浓度；
  • T > threshold：高于有效阈值的时间；
  • 靶点占据时间；
  • PD 抑制深度和恢复速度。

FDA 的暴露—反应指导原则强调，剂量、浓度和反应之间应通过适当的暴露指标连接，而不是把 dose 当作 exposure 的替代物。［8］

不同机制可能具有不同的时间依赖：

  • 可逆抑制可能需要持续覆盖；
  • 缓慢解离或不可逆作用可能允许短时暴露形成持久作用；
  • 下游蛋白 turnover 可能使 PD 滞后于血浆浓度；
  • 细胞损伤和肿瘤体积变化可能进一步延迟。

Danhof 等的机制性 PK/PD 框架把生物相分布、受体作用、信号转导和系统动力学视为浓度—效应关系的重要组成部分。［9］

因此，不能在没有机制和 PD 支持时，事后从 Cmax、AUC、Cmin 中挑选与药效最相关的一个，并把它当作已经证明的 driver。

错误七：假设 dose 与 exposure 永远成比例

如果 10 mg/kg 产生 AUC 100，就假设 30 mg/kg 必然产生 AUC 300，这是剂量比例性假设。

但暴露可能因以下因素出现非线性：

  • 吸收饱和；
  • 溶解度或制剂限制；
  • 首过代谢变化；
  • 清除饱和；
  • 转运饱和；
  • 自抑制或酶诱导；
  • 重复给药蓄积；
  • 高剂量下给药体积或沉淀问题；
  • 毒性导致漏药、减量或吸收改变。

因此，体内剂量设计不能只用一次低剂量 PK 做线性倍乘。

尤其在口服研究中，增加名义剂量后暴露不再增加，并不一定说明“药物已经达到平台药效”；也可能只是制剂或吸收形成了暴露平台。

错误八：用“覆盖 IC50”替代 target engagement 和 PD

即使经过校正，体外 potency 与体内游离暴露的对比仍然只是预测。

更直接的问题是：

  • 靶点是否被占据或结合？
  • 靶点活性是否被调控？
  • 近端 PD 是否按预期变化？
  • PD 深度和持续时间是否与剂量相关？
  • 肿瘤响应是否在 PD 之后出现？

一个 PK 曲线高于阈值，却没有 target engagement 或 PD，说明阈值转换可能有问题，或者药物没有到达真正作用部位。

相反，如果较低暴露已经获得充分 target engagement 和持久 PD，继续提高剂量未必增加机制作用，反而可能只增加非靶向效应和毒性。

所以，剂量优化的核心不应是寻找“最高可给剂量”，而是理解：

哪个暴露区间开始产生靶点作用？
何时达到接近充分的 PD？
更高暴露是否继续增加有意义的肿瘤反应？
同时付出了什么耐受性代价？

错误九：把最大耐受剂量当成最合理药效剂量

在某些探索性研究中，最高可耐受剂量常被用于提高看到药效的概率。

但最大耐受剂量只能说明：

在特定动物、给药途径、制剂、频率和观察条件下，耐受性边界大致在哪里。

它不能自动说明：

  • 该剂量最能检验目标机制；
  • 低剂量没有相同 target engagement；
  • 高剂量药效来自目标作用；
  • 更高系统暴露具有更好治疗窗；
  • 该剂量适合未来临床使用。

FDA 2024 年肿瘤药物剂量优化指导原则虽然面向临床开发，但其核心思想同样提醒我们：剂量选择需要综合活性、安全性、耐受性、PK 和 PD，而不是默认最高可耐受剂量就是最佳剂量。［12］

在 CDX 中，更有信息量的设计通常需要覆盖：

  • 无或弱 target engagement 的低暴露；
  • 开始出现 PD 的暴露；
  • 接近充分 PD 的暴露；
  • 可能出现平台药效的暴露；
  • 耐受性开始恶化的暴露。

只有一个高剂量组，很难判断药效—暴露关系和治疗窗。

错误十：把一次体内阳性反推成体外阈值已经正确

如果某个剂量在 CDX 中有效，而其血浆 AUC 高于体外 IC50，不能因此证明：

  • IC50 是正确 exposure driver；
  • 血浆总浓度是正确比较对象；
  • 只要 AUC 高于 IC50 就会有效；
  • 其他化合物也能用同一倍数外推。

阳性结果可能同时受到：

  • 非目标药理；
  • 活性代谢物；
  • 肿瘤内富集；
  • 持久 target engagement；
  • 宿主效应；
  • 毒性相关生长减慢；
  • 模型特异性依赖；

等因素影响。

Simeoni 等的异种移植瘤 PK/PD 模型通过浓度、细胞损伤延迟和肿瘤生长连接给药方案与肿瘤曲线，说明体内药效不是一个静态 potency 倍数，而是动态系统的结果。［10］

Huber 和 Mistry 后续用半机制模型讨论小分子激酶抑制剂的体外—体内药效关联，也强调经验性 IVIVC 需要放在肿瘤生长动力学和暴露模型中解释。［11］这类模型可以帮助形成假设，但不能被视为对所有化合物、靶点和模型通用的换算公式。

一个更稳妥的体内剂量设计顺序

第一步：定义体外效应到底是什么

记录：

  • assay 类型；
  • 细胞来源和状态；
  • 培养基与血清；
  • 暴露时长；
  • 测量终点；
  • IC50、Emax、曲线斜率；
  • 增长速率影响；
  • 重复性。

不要把不同 assay 的 20 nM 当作同一个生物学量。

第二步：判断名义浓度与有效浓度的差距

考虑：

  • 培养液蛋白结合；
  • 细胞内可用比例；
  • 非特异性结合；
  • 稳定性；
  • 沉淀；
  • 转运和外排。

必要时区分：

  • nominal concentration；
  • unbound medium concentration；
  • intracellular unbound concentration。

第三步：确定最接近机制的体外阈值

优先级通常比单一 viability IC50 更高的证据包括：

  • biochemical potency；
  • cellular target engagement；
  • 近端 PD；
  • 下游 PD；
  • 增殖或死亡；
  • 时间依赖和 washout 后效应。

不同层次共同决定体内需要复制什么。

第四步：获得动物 PK，而不是直接猜剂量

通过探索性 PK 了解：

  • 给药途径；
  • Cmax；
  • AUC；
  • 半衰期；
  • 生物利用度；
  • 剂量比例性；
  • 重复给药后的变化；
  • 游离比例；
  • 耐受性。

剂量应从能够产生目标暴露的 PK 反推，而不是从体外浓度直接按体液体积计算。

第五步：确认肿瘤暴露

至少判断：

  • 血浆与肿瘤浓度的时间关系；
  • 肿瘤是否存在分布滞后或持续保留；
  • 总浓度能否代表研究问题；
  • 是否需要关注游离浓度、细胞内浓度或空间分布。

第六步：建立体内 target engagement / PD

选择与作用机制足够接近、可解释且时间匹配的读出。

需要回答：

  • 起效阈值；
  • 最大或平台 PD；
  • 作用持续时间；
  • 剂量与 PD 的关系；
  • PD 恢复是否与给药间隔匹配。

第七步：再连接肿瘤药效

将不同剂量下的：

  • PK；
  • 肿瘤 PK；
  • target engagement；
  • PD；
  • 肿瘤曲线；
  • 体重和一般状态；

放在同一时间轴上。

此时，剂量选择才能从“哪个组效果最好”转变为：

哪个给药方案在可接受耐受性下，稳定地产生足以检验机制的暴露和 PD？

从体外到体内，最常见的错误对应表

被直接画上等号的两端中间缺失的关键层次可能造成的误判
Biochemical IC50 = cellular有效浓度通透性、外排、ATP、细胞内结合高估细胞内活性
Nominal cellular IC50 = 游离有效浓度培养液和细胞结合、稳定性错误设定覆盖阈值
Cellular IC50 = 血浆总浓度血浆蛋白结合和 assay 蛋白条件看似覆盖，实际不可比
血浆浓度 = 肿瘤靶点浓度灌注、分布、组织结合、细胞摄取把分布失败误判为生物学耐药
暴露高于 IC50 = target engagement靶点可接近性、亚细胞分布认为已充分检验机制
Target engagement = 肿瘤药效通路依赖、反馈、细胞命运把 PD 当作疗效保证
更高 dose = 更高 exposure吸收、清除和制剂非线性盲目加量但暴露不增
MTD = 最佳药效剂量PD 平台和治疗窗用毒性边界替代剂量优化

一份简化的外推检查清单

In vitro｜体外活性是否定义清楚？

  • 这是 biochemical、cellular、TE、PD 还是 viability potency？
  • 暴露多长时间？
  • Emax 和曲线斜率如何？
  • 细胞增长速度是否影响结果？
  • 名义浓度和游离浓度是否可能差异很大？

PK｜剂量是否产生预期暴露？

  • 给药途径和制剂是什么？
  • 是否线性？
  • 重复给药是否改变暴露？
  • 关键指标是 Cmax、AUC、Cmin 还是覆盖时间？
  • 总浓度和游离浓度如何？

Distribution｜药物是否到达肿瘤靶点？

  • 血浆与肿瘤时间曲线是否一致？
  • 肿瘤总浓度是否足够回答问题？
  • 是否存在组织结合、外排或空间分布限制？
  • 靶点位于什么细胞和亚细胞区室？

Pharmacology｜是否产生预期作用？

  • 是否有 target engagement？
  • 近端 PD 的阈值和平台在哪里？
  • PD 持续多久？
  • 更高剂量是否仍增加 PD？

Response｜剂量是否形成可解释药效？

  • 肿瘤反应与 PK/PD 是否按时间顺序出现？
  • 是生长延缓、停滞、回缩还是再生长？
  • 高剂量作用是否伴随明显耐受性问题？
  • 是否存在暴露平台或药效平台？

Boundary｜结论能走多远？

  • 当前剂量只适用于这个模型和方案，还是已有跨模型证据？
  • 是目标机制药效，还是仅观察到抗肿瘤活性？
  • 是否已经排除制剂、分布和非目标作用？
  • 该动物剂量是否被错误暗示为临床剂量？

这些证据最终能支持什么？

只有体外 potency

可以支持：

  • 在特定 assay 中存在一定浓度—效应关系；
  • 可提出体内目标暴露的初步范围。

不能支持：

  • 直接的 mg/kg；
  • 肿瘤暴露充分；
  • 体内 target engagement；
  • CDX 药效；
  • 人体剂量。

加入动物 PK

可以进一步支持：

  • 哪些剂量能够产生何种系统暴露；
  • 给药频率是否可能覆盖某个候选阈值；
  • 暴露是否线性和可耐受。

仍不能证明：

  • 肿瘤靶点部位暴露；
  • 体内药理作用已经建立。

加入肿瘤 PK、target engagement 和 PD

可以进一步支持：

  • 体外假设是否在体内成立；
  • 有效暴露阈值和作用持续时间；
  • 剂量—暴露—PD 关系；
  • 药效缺失发生在哪一层。

加入多剂量药效与耐受性

可以进一步支持：

  • 哪个暴露区间具有更合理的药效—耐受性关系；
  • 是否出现 PD 或药效平台；
  • 后续研究应选什么剂量范围。

即使如此，一个 CDX 中的动物剂量仍不能被直接当作人体推荐剂量。

结语

体外活性到体内剂量之间最大的误区，是把它想成一次简单换算：

IC50 是多少，所以需要多少 mg/kg。

真正的翻译路径更像一串需要逐层验证的问题：

  • 这个 IC50 在什么 assay 条件下得到？
  • 细胞真正经历的游离浓度是多少？
  • 靶点位于哪里，药物能否到达？
  • 动物中什么剂量产生目标系统暴露？
  • 血浆暴露是否转化为肿瘤有效暴露？
  • 是否产生 target engagement 和足够 PD？
  • 作用需要峰值、累积暴露还是持续覆盖？
  • 更高剂量是否继续增加机制作用，还是只增加毒性？

因此，体外 potency 不是剂量答案，而是体内研究设计的一个起点。

最可靠的给药方案，不是数学上“覆盖 IC50 倍数最高”的方案，而是能够在可接受耐受性下，形成一条清楚的：

dose → exposure → target engagement → PD → tumor response

证据链。

参考资料

  1. Fallahi-Sichani M, Honarnejad S, Heiser LM, Gray JW, Sorger PK. Metrics other than potency reveal systematic variation in responses to cancer drugs. Nature Chemical Biology. 2013;9:708–714.
  2. Hafner M, Niepel M, Chung M, Sorger PK. Growth rate inhibition metrics correct for confounders in measuring sensitivity to cancer drugs. Nature Methods. 2016;13(6):521–527.
  3. Mateus A, Gordon LJ, Wayne GJ, et al. Prediction of intracellular exposure bridges the gap between target- and cell-based drug discovery. Proceedings of the National Academy of Sciences of the United States of America. 2017;114(30):E6231–E6239.
  4. Smith DA, Di L, Kerns EH. The effect of plasma protein binding on in vivo efficacy: misconceptions in drug discovery. Nature Reviews Drug Discovery. 2010;9(12):929–939.
  5. Mariappan TT, Mandlekar S, Marathe P. Insight into tissue unbound concentration: utility in drug discovery and development. Current Drug Metabolism. 2013;14(3):324–340.
  6. Morgan P, Van Der Graaf PH, Arrowsmith J, et al. Can the flow of medicines be improved? Fundamental pharmacokinetic and pharmacological principles toward improving Phase II survival. Drug Discovery Today. 2012;17(9–10):419–424.
  7. O’Reilly T, McSheehy PMJ, Kawai R, et al. Comparative pharmacokinetics of RAD001 (everolimus) in normal and tumor-bearing rodents. Cancer Chemotherapy and Pharmacology. 2010;65(4):625–639.
  8. U.S. Food and Drug Administration. Exposure-Response Relationships — Study Design, Data Analysis, and Regulatory Applications. Guidance for Industry. 2003.
  9. Danhof M, de Jongh J, De Lange ECM, Della Pasqua O, Ploeger BA, Voskuyl RA. Mechanism-Based Pharmacokinetic-Pharmacodynamic Modeling: Biophase Distribution, Receptor Theory, and Dynamical Systems Analysis. Annual Review of Pharmacology and Toxicology. 2007;47:357–400.
  10. Simeoni M, Magni P, Cammia C, et al. Predictive pharmacokinetic-pharmacodynamic modeling of tumor growth kinetics in xenograft models after administration of anticancer agents. Cancer Research. 2004;64(3):1094–1101.
  11. Huber HJ, Mistry HB. Explaining in-vitro to in-vivo efficacy correlations in oncology pre-clinical development via a semi-mechanistic mathematical model. Journal of Pharmacokinetics and Pharmacodynamics. 2024;51(2):169–185.
  12. U.S. Food and Drug Administration. Optimizing the Dosage of Human Prescription Drugs and Biological Products for the Treatment of Oncologic Diseases. Guidance for Industry. 2024.
  1. 01

    细胞系选择

    界定模型与研究问题的匹配性

    主要输入
    公开资料、模型特征
    判断 / 输出
    模型选择依据
    常见风险
    适用性与可重复性
  2. 02

    细胞培养与状态确认

    确认起始材料状态

    主要输入
    细胞状态记录
    判断 / 输出
    起始质量判断
    常见风险
    状态偏差
  3. 03

    动物准备

    让模型条件与研究设计相衔接

    主要输入
    研究设计、动物信息
    判断 / 输出
    纳入与排除逻辑
    常见风险
    个体差异
  4. 04

    细胞接种

    建立移植起点

    主要输入
    经确认的细胞材料
    判断 / 输出
    建模可行性
    常见风险
    成瘤不稳定
  5. 05

    肿瘤生长监测

    观察模型是否按预期发展

    主要输入
    连续观察记录
    判断 / 输出
    进入研究的判断
    常见风险
    异质性
  6. 06

    随机分组

    降低已知偏倚

    主要输入
    基线观察结果
    判断 / 输出
    组间可比性
    常见风险
    基线失衡
  7. 07

    给药与观察

    连接干预与随访

    主要输入
    研究方案、观察计划
    判断 / 输出
    治疗期观察
    常见风险
    非特异影响
  8. 08

    疗效与安全性评价

    从多个维度理解反应

    主要输入
    纵向测量、观察
    判断 / 输出
    效应与耐受性线索
    常见风险
    只看单一终点
  9. 09

    样本采集与分析

    补充机制与暴露解释

    主要输入
    研究相关样本
    判断 / 输出
    可解释的证据链
    常见风险
    样本与问题脱节