编辑推荐：
尽管纳米药物在制剂控制和理化表征方面取得了先进进展，但其临床转化仍然有限。递送荟萃分析和后期研发管线损耗表明，生物学验证常常成为瓶颈。生物学验证必须考虑依赖于生物背景的过程，例如蛋白冠（protein corona）形成、免疫识别以及细胞/组织屏障效应，而这些
尽管纳米药物在制剂控制和理化表征方面取得了先进进展，但其临床转化仍然有限。递送荟萃分析和后期研发管线损耗表明，生物学验证常常成为瓶颈。生物学验证必须考虑依赖于生物背景的过程，例如蛋白冠（protein corona）形成、免疫识别以及细胞/组织屏障效应，而这些过程标准临床前测试往往无法充分评估。为解决这一问题，研究人员提出了一种Design–Make–Test–Biology–Learn（DMTBL）工作流程，该流程将生物学验证与理化测试分离，并将与人类相关的生物学结果反馈至制剂设计之中。研究人员采用一项针对生物医学转化进行适应性调整、具有明确标准的作者指定技术就绪度（technology-readiness）评估，对实现端到端自主性所需的能力进行了评价。许多所需技术正接近实际部署阶段，包括高通量机器人化制剂制备、自动化理化检测、生物分布与毒性预测模型，以及人类相关性日益增强的患者来源类器官（patient-derived organoids）。然而，目前尚无闭环DMTBL系统得到成功展示：其整体集成处于技术就绪水平（TRL）2–3级，而各组件则处于3–8级。此外，“学习”（Learn）步骤需要一套与它所替代的“分析”（Analyze）步骤截然不同的计算栈，用以处理成像和多参数表型数据，而非标量化的理化指标。仍存在三个实际障碍：制剂制备与生物学测试之间的时间尺度不匹配；定量测量、成像数据以及跨平台和供体间的生物学变异性所构成的异质性数据。研究人员在一项分阶段路线图中设定了近期的工程与标准化优先事项，该路线图将合理的短期里程碑与更长期的目标区分开来。
1 纳米医学转化危机
纳米医学产生了大量文献和众多制剂平台，但获批的治疗性纳米药物寥寥无几。候选治疗药物从可控的临床前环境进入复杂多变的人体生物学环境时，淘汰率急剧上升。不充分的生物学验证是纳米医学转化中的一个主要且未得到充分解决的瓶颈。限制性能力并非纳米材料的合成或表征，而是尽早建立生物学有效性以指导新材料设计的环节。
一项包含117篇出版物的荟萃分析量化了问题的严重程度：治疗药物递送至肿瘤的中位值仅为给药剂量（%ID）的0.7%。一项更新后的荟萃分析纳入了2005年至2021年间发表的297项研究中的534个数据集，证实了这一发现，中位值为0.67%ID，且随时间推移无统计学显著改善。如图1A所示，临床淘汰率在II期急剧增加，表明当候选药物进入患者体内时，生物学复杂性已超过了理化优化的能力。BIND-014（一种PSMA靶向的多西他赛纳米颗粒）和CRLX101（一种喜树碱-环糊精偶联物）等案例均体现了这一模式：在动物研究中显示出良好的肿瘤定位和受体结合，但在临床II期却未能转化为相应的疗效。已获批的纳米药物如Doxil（聚乙二醇化脂质体多柔比星）和Abraxane（白蛋白结合型紫杉醇）主要改善了药代动力学、制剂或耐受性，而非大幅提升疗效。mRNA-LNP疫苗平台是最成功的临床范例之一，但它是经过数十年经验优化才得以实现的。
1.1 自动化-生物学不对称性
自动化和自驱动实验室通过微流控和闭环优化加速了配方发现。然而，合成和理化表征只需数小时，而有意义的生物学验证（类器官活性、器官芯片药代动力学）则需要数周。两者之间的时间差可通过多保真贝叶斯优化与异步批处理来填补：低保真代理（几分钟的计算预测、24–48小时的二维培养细胞毒性）指导正在进行的合成批次，而高保真结果（7–14天的类器官或器官芯片响应）则在等待中。当高保真数据到达时，模型会重新校准。
因此，纳米颗粒可以针对理化标准（如尺寸、分散性和胶体稳定性）进行优化，但仍可能因快速的蛋白冠形成、补体激活和免疫清除、有限的功能够摄取或纳米-生物相互作用引起的毒性而在体内失败。物种差异进一步复杂化了转化：对于相同的制剂，小鼠和人类的蛋白冠组成可能存在显著差异。这些因素促使人们更早地将人类相关平台（器官芯片系统、患者来源类器官和人类血浆分析）整合到发现周期中。
1.2 预测智能的前景与局限
多项机器学习模型在纳米医学预测任务上报告了强劲的性能。例如，基于LightGBM对2664条纳米颗粒记录进行10折交叉验证，预测纳米颗粒对环境测试生物毒性的准确率达到0.976；深度神经网络在Nano-Tumor数据库上的训练集调整R2达到0.92。然而，训练精度普遍高于验证精度，前瞻性验证（预测后续合成配方的结果）仍然罕见。数据集规模通常小于3000个配方，限制了向新型化学空间的泛化能力。
生物学复杂性跨越四个层级：分子尺度（秒-分钟），涉及硬冠和软冠蛋白的形成与动态交换；细胞尺度（小时），摄取途径由冠呈现的表位决定；组织尺度（天），EPR效应在不同肿瘤类型间存在显著异质性；机体尺度（周），多器官药代动力学相互作用、途径依赖的参数敏感性和患者特异性变异引入了系统级复杂性。目前的全原子分子动力学模拟无法覆盖生理相关的时间尺度，而粗粒化模型也仅限于少数蛋白质类型。因此，对于DMTBL集成而言，基于实验冠数据训练的机器学习代理似乎是更实用的选择。
2 DMTBL框架
传统的Design-Make-Test-Analyze（DMTA）循环在材料科学和小分子药物发现中取得成功，但对于纳米医学而言并不足够，因为它将理化测试与生物学验证混为一谈。
2.1 从DMTA到DMTBL：应对生物学复杂性
在DMTBL框架中，“Test”保留其理化含义（尺寸、电荷、包封效率），而“Biology”被提升为一个独立的、集成的节点，代表与人类相关的生物学验证（冠形成、细胞摄取、器官芯片功效、免疫激活），其输出直接反馈给“Learn”阶段。“Learn”步骤必须处理高维生物学表型：来自细胞绘画分析的形态学指纹、时间分辨的器官芯片药代动力学曲线、冠蛋白质组质谱以及多重类器官活性读数。这需要卷积神经网络、图神经网络和多模态融合架构，其计算栈与传统的“Analyze”步骤有本质区别。
该框架在逻辑结构上是材料无关的，但具体实施细节因纳米颗粒类别而异。其核心价值在于：无论使用何种分析方法，生物学数据都必须闭合优化回路。
2.2 跨四个层级的层级式生物学验证
生物学验证必须跨越四个层级：分子尺度（0.5–60分钟），蛋白冠形成定义纳米颗粒身份，表面化学强烈影响补体参与方式；细胞尺度（1–24小时），摄取由冠呈现的表位主导，全基因组CRISPR筛选揭示了SLC18B1和NHLRC2等新的调控因子；组织尺度（1–7天），EPR异质性显著，微生理系统揭示了静态培养中不可见的行为，如呼吸导致的机械拉伸增加了二氧化硅纳米颗粒的跨肺泡-毛细血管转运；机体尺度（1–4周），多器官药代动力学相互作用、途径依赖的参数敏感性以及患者特异性因素（如补体基因多态性、ApoE亚型）带来了系统性复杂性。
3 技术就绪度评估
3.1 组件级就绪度
预测智能（Pillar I）被评定为TRL 3–5级。大多数纳米QSAR模型处于TRL 3级（回顾性交叉验证）；PBPK模型在动物衍生参数经留出数据验证时可达到TRL 4级；TRL 5级（在相关环境中验证）需要对模型构建后合成的新配方进行前瞻性测试，而所总结的六项研究均未报告此类验证。
物理自动化（Pillar II）处于TRL 6–8级。微流控合成平台已商业化部署，自驱动实验室实现了高通量的自动化合成与理化表征，但生物学分析的集成成熟度远低于此。
纳米-生物界面工程（Pillar III）处于TRL 4–5级。预包被调理素策略可在受控条件下改善隐身效果，但批次重现性和不同患者血浆背景下的变异性仍是挑战。
活体系统集成（Pillar IV）处于TRL 5–7级。器官芯片和类器官平台在特定终点上展现出改善的人类相关性，但性能和标准化程度在不同平台和终点间差异显著。
3.2 集成差距
目前尚无完整的闭环DMTBL系统得到展示。部分闭环工作流存在，但通常依赖简化的生物学验证。三个主要障碍限制了集成：
时间错配（Barrier 1）：合成需数小时，生物学验证需数天至数周。多保真贝叶斯优化与异步批处理提供了解决方案，使自驱动实验室在等待高保真数据期间，可基于低保真反馈继续运行多个配方批次。
数据异质性（Barrier 2）：生物学分析产生图像和多参数表型，难以直接作为结构化模型输入。解决方案包括结合卷积神经网络的细胞绘画分析、FAIR兼容的本体论以及连接合成参数、表征数据和生物学结果的知识图谱。
生物学变异性（Barrier 3）：跨平台变异可能掩盖配方依赖性效应。缓解策略包括标准化参考配方、供体匹配对照、批量校正算法以及协调一致的标准化倡议。
3.3 生物学数据标准化作为速率限制约束
DMTBL循环若缺乏可重复的生物学数据则无法收敛。一项多中心蛋白质组学研究显示，相同冠样本在12个设施间的一致性蛋白质鉴定重叠率仅为1.8%；统一数据库搜索后提升至35.3%。器官芯片平台面临类似困难，中国多站点调查中类器官活性测试的实验室间变异高达40%。这些变异水平超出了有意义模型训练所需的信噪比。
4 定量综合
4.1 机器学习性能
六项研究中最一致的结果并非性能差距的大小，而是其不可衡量性：四项研究未报告任何独立验证。在有独立验证的研究中，结果不一。前瞻性验证在所有研究中均未报告。数据集规模（约500–3000个示例）远小于成功药物发现机器学习应用所需的10,000个以上示例。
4.2 生物学平台有效性
活体系统平台相比传统临床前模型报告了改进的预测有效性，但仅有三个平台报告了针对明确基准的灵敏度/特异度对。Liver-Chip在18种药物测试中对肝毒性检测达到87%灵敏度和100%特异度；胃肠癌类器官在110份活检样本中对治疗反应预测达到100%灵敏度和93%特异度。然而，这些替代终点与长期临床结局之间的关系尚不完整。最大的证据缺口在于：尚未有研究表明冠组成、器官芯片药代动力学或类器官药物反应能定量预测跨多种纳米药物类别的长期安全性和有效性。
5 自主纳米医学的四大支柱
5.1 Pillar I: 预测智能
预测智能提供连接配方设计与生物学结果的数学基础。它涵盖纳米QSAR与机器学习毒性预测、PBPK建模与生物分布预测。将蛋白冠组成纳入描述符集可提高预测准确性。PBPK模型已从房室框架发展为AI增强的预测系统。
