医药企业开展临床前动物药效实验时，经常会遇到一个很棘手的问题：

同样是DSS诱导结肠炎模型、博来霉素肺纤维化模型、CIA类风湿关节炎模型、DMM骨关节炎模型或CUMS抑郁模型，候选药在一家平台上药效明显，换到另一家平台后却不再显著。

有时情况恰好相反。

第一家平台模型组症状很重，阳性对照有效，候选药没有药效；第二家平台模型程度相对温和，候选药却出现了明显改善。两份报告都使用相同的模型名称，给药剂量和主要检测指标看起来也接近，最终结论却完全不同。

这类差异很容易被归因于动物实验本身波动大，或者直接怀疑某一家平台的执行能力。

但从临床前研究角度看，“模型名称相同”并不代表两次实验构建了相同的疾病状态。

同一种模型在不同动物来源、品系、性别、年龄、体重、饲养环境、造模试剂、操作人员、造模强度、给药窗口、入组标准和终点时间下，可能呈现完全不同的病理阶段。

模型名称只是一个分类标签。

真正决定药效结果的，是这批动物在给药开始时处于什么疾病状态，候选药是否获得了足够暴露，靶点是否参与当前模型病理，以及主要终点能否稳定反映药物作用。

因此，企业在比较不同平台结果时，不能只比较“模型做没做”和“P值显不显著”，还需要比较两次实验背后的疾病生物学是否一致。

动物疾病模型通常以造模方法、核心病理或适应症命名。

比如饮水给予DSS称为DSS结肠炎模型，肺内或系统给予博来霉素称为博来霉素肺纤维化模型，胶原免疫诱导称为CIA模型。

但一个完整模型远不止这些名称。

以DSS结肠炎为例，不同实验可能采用不同分子量、不同厂家、不同批次和不同浓度的DSS，饮用时间也可能不同。有的平台使用急性单轮刺激，有的平台采用多轮刺激形成慢性炎症。动物品系、性别、菌群背景和饮水量进一步影响实际摄入剂量。

虽然都叫DSS结肠炎，最终可能分别表现为轻度黏膜损伤、急性重度结肠炎、慢性复发性炎症或伴随纤维化的长期病变。

博来霉素肺纤维化模型也一样。

气管内滴注、气管喷雾、鼻内滴注和渗透泵给药会形成不同的肺内分布。单次高剂量更容易出现急性损伤和明显炎症，重复或持续暴露则可能产生更持久的纤维化。不同时间点取材，观察到的可能分别是炎症期、纤维化形成期或一定程度的自然恢复期。

同名模型之间真正需要比较的是：

动物处于哪个病程阶段，核心病理是否一致，模型严重度是否位于适合治疗干预的窗口，以及候选药靶点是否在该阶段被激活。

如果这些条件不同，药效结果自然可能不同。

动物不是标准化试剂。

即使品系、周龄和体重相同，不同供应商、繁殖群体和饲养环境中的动物，也可能表现出不同的疾病敏感性。

1、遗传背景和亚系差异

同一种小鼠品系可能存在不同亚系。长期独立繁殖后，遗传漂变会逐渐累积，影响免疫反应、代谢、行为和疾病敏感性。

部分疾病模型对遗传背景非常敏感。

某些品系更容易产生Th1或Th17反应，某些品系对博来霉素肺损伤更敏感，某些品系在代谢模型中更容易出现肥胖、胰岛素抵抗或脂肪肝。

企业看到同一个品系名称时，还需要了解动物来源和具体亚系。

2、性别差异

性激素、免疫状态、脂肪分布、药物代谢和行为模式都会影响模型表现。

同一模型中，雄性动物可能病变更重，雌性动物可能变异更大；也可能出现相反情况。若一家平台使用雄性动物，另一家使用雌性动物，即使造模流程相同，药效幅度和组内变异也可能不同。

性别还可能影响候选药PK。相同mg/kg剂量不一定产生相同暴露。

3、年龄和体重

年轻动物具有更强的组织修复和代偿能力，老龄动物则更容易出现慢性炎症、纤维化、免疫衰老和器官储备下降。

使用年轻健康动物构建的慢病模型，药物可能更容易改善；在老龄或伴有代谢异常的动物中，相同干预未必能够逆转已形成的结构损伤。

体重也会影响造模试剂摄入、给药体积、麻醉深度和器官功能检测。

4、菌群和饲养环境

肠道菌群能够影响免疫、代谢、神经行为和药物反应。

不同供应商、不同动物房、不同饲料和不同笼位，均可能造成菌群差异。对DSS结肠炎、肿瘤免疫、肥胖、糖尿病和神经精神模型而言，这种差异尤其明显。

同一批动物在运输、适应性饲养和换笼后，模型敏感性也可能发生变化。

5、基础健康状态

亚临床感染、寄生虫、皮肤损伤、牙齿问题、呼吸道异常和应激状态，都可能影响实验结果。

动物外观正常，不代表其免疫和代谢状态完全一致。规范平台需要通过动物资质、健康监测、适应性饲养和实验前检查降低这些影响。

很多模型依赖化学试剂、生物制品、细胞或手术操作。试剂批次和技术细节会显著改变模型强度。

1、造模试剂批次差异

DSS、博来霉素、链脲佐菌素、胶原、脂多糖、致炎剂和各种抗体，都可能存在批次差异。

DSS的分子量和硫酸化程度会影响肠上皮毒性；链脲佐菌素的保存、配制时间、pH和注射速度会影响β细胞损伤；胶原乳化质量会影响CIA模型成功率和起病时间。

如果平台没有进行批次验证，仅按历史浓度直接使用新批次试剂，模型强度可能明显偏离预期。

2、试剂配制和保存

部分试剂对温度、光照、pH和配制时间非常敏感。

溶液配制后放置时间过长，活性可能下降；乳化不充分会导致免疫诱导不稳定；反复冻融会影响蛋白和抗体功能；未控制溶液浓度和均一性，会造成动物实际接受的造模剂量不同。

这些细节通常不会体现在模型名称里，却会直接决定模型表现。

3、手术操作差异

DMM、ACLT、MCAO、心肌梗死、肾缺血再灌注和各种原位肿瘤模型，都高度依赖操作者。

切断的位置、结扎力度、缺血时间、血流恢复程度、组织损伤范围和术后护理，均会影响模型。

同样是MCAO模型，一家平台可能形成较稳定的中等梗死，另一家平台则可能出现梗死体积过大、死亡率高或血流恢复不稳定。

此时药物是否有效，很大程度上取决于模型是否处于可干预窗口。

4、细胞状态差异

肿瘤模型中的细胞代次、支原体状态、细胞活率、培养密度、基质胶比例和接种位置都会影响肿瘤生长。

同一细胞系在不同实验室长期培养后，也可能出现克隆选择、靶点表达下降、药物敏感性改变和肿瘤微环境差异。

如果候选药依赖特定靶点，接种前必须确认细胞靶点表达和功能状态。

5、操作者经验与一致性

经验丰富的操作者不只表现为“手术成功”。

更重要的是能够将造模强度控制在较窄范围内，及时识别异常动物，并按照统一标准完成给药、采样和终点评价。

如果同一项目由多个操作者完成，又没有进行统一培训和操作分层，组内变异会明显增加。

药物是否显示药效，与模型严重度之间往往存在一个窗口。

1、模型太轻，容易出现自然恢复

模型程度过轻时，模型组可能在观察期内自然改善。

药物组看起来恢复更快，但组间差异可能不稳定；也可能因为对照组已经接近正常，药物没有进一步改善空间。

这种情况容易出现假阳性或假阴性。

2、模型太重，药物无法挽救

模型过重时，大量细胞死亡、组织结构破坏和器官功能衰竭可能已经形成。

即使候选药成功打到靶点、降低炎症或抑制某条信号，也无法逆转不可逆结构损伤。

此时阴性结果并不能直接说明候选机制无效，可能只是给药窗口已经错过。

3、模型窗口与药物机制不匹配

抗炎药更容易在炎症占主导的阶段起效；抗纤维化药物需要在ECM生成和重塑活跃阶段评价；组织修复药物则需要保留一定可修复结构。

如果平台使用的模型阶段与候选药机制不匹配，药效会被低估。

4、效应空间不足

如果模型组和正常组差异很小，药物缺少可改善空间；如果模型组已接近检测指标的上限或下限，也可能产生天花板或地板效应。

因此，正式实验前进行模型窗口摸底非常重要。

企业不应只要求模型成功，还应明确模型达到什么程度时适合启动给药和入组。

同一种模型中，给药起始时间可能比模型名称更重要。

1、预防性给药

造模前或造模同时开始给药，主要评价候选药能否降低初始损伤、炎症启动或疾病形成。

这类设计容易获得药效，也适合早期机制PoC，但与多数临床患者已发生疾病后接受治疗的场景存在距离。

2、早期治疗性给药

模型已出现初步表型后开始给药，可以评价候选药对疾病进展的干预能力。

这一阶段通常仍有较强可逆性，是很多项目较理想的治疗窗口。

3、进展期或晚期治疗

当纤维化、骨破坏、神经元丢失、肾小球硬化或其他结构损伤已经形成后给药，评价的是候选药对进展期病变的控制或逆转能力。

即使候选药能够抑制上游炎症，器官功能也未必快速恢复。

如果两家平台分别在造模当天和模型形成后开始给药，虽然模型名称一样，实际回答的研发问题完全不同。

4、终点时间也会改变结论

某些药物首先改变分子PD，随后改善病理，器官功能恢复更晚。

终点过早时可能只看到靶点变化，看不到药效；终点过晚时则可能错过短期效应，或者受到模型自然恢复和药物耐受影响。

平台是否理解候选药机制，并据此设置给药和采样时间，直接决定数据解释力。

1、没有入组标准，组间基础状态可能不一致

很多实验在造模后直接随机分组，却没有先检测疾病基线。

如果候选药组在给药前本身病情较轻，终点时更容易出现较好结果；如果候选药组病情更重，则可能造成假阴性。

可量化的模型应尽量依据体重、疾病评分、影像、血糖、尿蛋白、肿瘤体积、行为学或其他基线指标完成入组和分层随机。

2、入组标准过度依赖人为判断

入组本身也可能引入偏倚。

如果操作者知道动物分组，或者模型成功标准不清晰，容易在边界动物处理上出现主观差异。

企业应关注入排标准是否预先确定、是否盲法判定，以及排除原因是否完整记录。

3、随机化不能只靠“随机分”

单纯使用随机数字，并不能保证各组基础病情均衡。

模型个体差异较大时，需要先按基线严重度分层，再在层内随机。性别、体重、笼位和手术操作者也可能需要纳入平衡因素。

4、阳性对照必须与模型和窗口匹配

阳性对照的作用是证明这套实验条件能够识别已知有效干预。

但阳性药物的机制、剂量、给药途径和给药时间必须适合当前模型。

一个强力预防性抗炎药，在晚期结构损伤模型中可能没有明显作用。阳性对照无效时，不能立即认为模型失败，也需要判断其使用场景是否合理。

相反，阳性对照有效也不代表候选药模型一定选对。

阳性对照和候选药的作用机制可能完全不同。模型能够识别阳性药，不代表一定能够评价候选药所针对的病理过程。

不同平台结果不一致时，项目团队经常先排查模型，却忽略药物制剂和暴露。

1、制剂配方相同，实际状态可能不同

相同的溶剂比例和名义浓度，并不代表制剂在不同平台具有相同质量。

配制顺序、搅拌时间、温度、超声、pH、过滤和储存条件都会影响溶解、悬浮和稳定性。

候选药在配制时澄清，进入给药针筒或动物体内后仍可能析出。

2、悬液均一性影响实际剂量

悬液药物容易沉降。

如果给药期间没有持续混匀，前几只和后几只动物可能接受不同剂量。同组动物实际暴露差异增大，药效结果随之波动。

3、给药操作改变吸收

灌胃位置不正确、静脉注射外渗、皮下注射深度不同、腹腔注射误入器官或膀胱，都会影响药物暴露。

操作异常如果没有及时记录，终点时很难解释个体离群值。

4、疾病状态改变PK

疾病模型可能改变胃肠吸收、血浆蛋白、肝肾清除和组织灌注。

健康动物中确认的PK不能完全代表疾病动物。两家平台模型严重度不同，候选药暴露也可能不同。

5、没有PK就无法解释跨平台结果

如果一家平台达到有效暴露，另一家平台未达到，药效差异并不来自模型本身。

跨平台重复时，至少应设置关键时间点PK或稀疏采样，确认血浆和靶组织暴露是否可比。

对于组织靶向、小分子脑药、抗体、核酸和局部给药项目，靶组织暴露尤其重要。

终点名称相同，不代表检测过程相同。

1、样本采集时间不同

炎症因子、磷酸化信号、激素和代谢物具有明显时间波动。

给药后2小时与24小时采样，可能得到完全不同的PD结果。不同平台如果只写“终点采样”，却没有统一相对给药时间，数据难以比较。

2、取材部位不同

疾病组织通常具有空间异质性。

肺纤维化病灶、肿瘤坏死区、关节软骨损伤、脑梗死区域和肠道炎症并非均匀分布。不同取材区域可能产生完全不同的病理和分子结果。

规范方案应提前规定取材部位、方向、切面和样本分配。

3、样本处理和保存不同

缺血时间、固定时间、冻存速度、反复冻融和保存温度都会影响蛋白磷酸化、RNA完整性、细胞活率和病理质量。

流式细胞术尤其依赖组织消化、抗体组合、死细胞排除和门控策略。

4、病理评分标准不同

同一种病理指标可以采用不同评分体系。

观察区域、评分等级、切片数量、动物平均方式和盲法程度不同，都会影响结果。

半定量病理还受到观察者经验影响。涉及核心终点时，应建立统一评分标准，并根据需要增加数字病理定量。

5、行为学和器官功能检测高度依赖操作

行为学容易受房间环境、光照、噪声、测试顺序、操作者和动物适应影响。

肺功能、心脏超声、脑血流、micro-CT和其他功能检测也依赖设备参数和分析标准。

跨平台比较时，需要比较完整方法，不应只比较指标名称。

6、统计方法和异常值处理不同

一份报告可能排除了严重动物，另一份则纳入全部动物；一份使用重复测量分析，另一份只比较终点；一份提前定义主要终点，另一份从多个指标中选择显著结果。

统计处理差异会直接改变结论。

面对两份相互矛盾的结果，企业不应简单选择“药效更好”的那一份，也不应只按平台规模判断。

建议从以下几层重新审查。

1、模型是否真正成功

检查模型组与正常组在主要疾病指标上的差异，确认模型程度是否位于预设窗口。

同时查看模型成功率、死亡率、脱落率和组内变异。

2、阳性对照是否符合预期

阳性对照是否在当前给药窗口和主要终点上产生了合理效果，剂量和暴露是否有依据。

阳性对照完全无效或效果异常强，都需要解释。

3、给药前各组是否平衡

查看基线数据、入组标准和分层随机过程，确认候选药组没有在给药前就偏轻或偏重。

4、候选药是否达到有效暴露

查看制剂稳定性、给药记录、PK和组织暴露。

没有暴露证据时，阳性和阴性结论都不完整。

5、靶点和PD是否被命中

药物已经进入组织后，是否真正作用于靶点？下游PD变化是否符合机制和时间关系？

如果靶点未命中，药效阴性不能直接否定靶点生物学。

6、主要终点是否具有临床和生物学意义

显著变化是否发生在预设主要终点，而不是从大量探索性指标中偶然找到？

效应幅度是否达到项目预设标准？

7、数据是否完整、透明和可追溯

查看原始记录、个体数据、排除动物、异常事件、偏差说明和病理盲法过程。

一份结果漂亮但缺少过程记录的报告，决策价值可能低于一份结果不理想但解释完整的报告。

跨平台重复的目标，应是判断第一套结果能否在独立环境中复现，而不是把方案简单复制粘贴。

1、先识别第一套实验的关键变量

包括动物来源、品系、性别、周龄、造模试剂批次、操作方式、给药窗口、制剂、主要终点和PK。

只有明确哪些条件可能决定结果，才能设计有效重复。

2、区分必须保持一致和允许独立验证的部分

候选药制剂、剂量、给药途径、主要终点和关键时间点通常需要尽量保持一致。

造模流程可以按照第二平台的成熟SOP执行，但应提前比较与原方案的差异，并确认最终模型严重度相近。

3、用模型表型匹配代替只匹配造模剂量

相同造模剂量不一定产生相同模型。

跨平台重复更应关注给药开始时的疾病评分、病理阶段、功能指标和靶点活性是否相近。

也就是说，应匹配生物学状态，而不只是匹配试剂浓度。

4、增加桥接PK和PD

重复实验中建议加入关键PK和PD指标。

这样即使药效结果不同，也能判断差异来自暴露、靶点命中还是疾病生物学。

5、提前定义复现标准

复现不应只定义为P值再次小于0.05。

可以提前规定效应方向、最低效应幅度、暴露范围、PD变化和主要终点表现。

药效幅度略有差异，但方向一致、暴露和PD关系清晰，仍然可能构成有效复现。

6、避免同时更换过多变量

跨平台时如果动物来源、制剂、给药途径、检测方法和终点时间全部改变，即使结果不同，也无法确定具体原因。

应尽量采用分阶段桥接设计，逐步识别关键变量。

1、是否真正理解候选药的研发问题

优秀平台不应只回答“这个模型能不能做”，还应理解候选药机制、临床定位、给药场景和当前研发阶段。

同一模型在PoC、候选物确认和IND前阶段的设计重点不同。

2、是否拥有稳定模型窗口

企业需要了解平台历史模型数据、成功率、变异度、阳性对照表现、死亡率和自然恢复情况。

拥有模型经验，不只代表做过，更代表能够稳定控制严重度。

3、是否重视方案评估和预实验

当动物来源、试剂批次或候选药制剂发生变化时，平台是否会建议进行小规模摸底，而不是直接进入正式实验。

前期预实验增加少量成本，却可能避免整批正式实验失败。

4、是否具备制剂和PK意识

动物药效平台如果只关注给药剂量，不关注制剂状态和药物暴露，阴性结果很难解释。

平台应能识别溶解、析出、悬液均一性、给药体积和组织暴露问题。

5、是否有过程质量控制

包括动物入组、随机盲法、给药记录、造模异常、中期质量门、样本链条、检测质控和偏差管理。

项目质量主要由执行过程决定，不能只靠终点报告补救。

6、是否能够提供个体数据和原始证据

平均值和统计图无法展示组内差异、离群动物和模型分布。

企业需要能够追溯个体动物的体重、疾病评分、给药异常、样本和检测结果。

7、是否具备失败复盘能力

临床前实验不可能全部获得阳性。

平台的价值还体现在阴性结果出现后，能否从模型、制剂、暴露、靶点、终点和统计层面提供有依据的复盘，帮助企业决定补实验、调整方案或停止项目。

对于医药企业和biotech来说，动物模型的价值不在于完成一个标准化名称，而在于建立稳定、可解释、能够支持研发决策的疾病状态。

博恩生物可围绕临床前动物药效项目提供从方案评估到执行交付的综合支持，包括根据候选药机制和临床定位评估模型适配性、给药窗口、疾病阶段、主要终点、阳性对照和Go/No-Go标准。

在正式实验前，可结合动物来源、试剂批次、历史模型数据和候选药特点，开展模型窗口及给药可行性预实验，评估造模成功率、组内变异、自然恢复趋势和治疗窗口，降低正式实验风险。

在模型执行阶段，可进行动物入组、基线分层、随机化、盲法评价、给药过程监测和异常记录，并根据项目需要设置中期质量门，判断模型是否达到预设状态、是否适合继续给药和终点评价。

在制剂与暴露层面，可协助开展给药浓度、溶媒、给药体积、制剂均一性和稳定性评估，并结合血浆PK、组织分布、靶点占有和PD biomarker，建立剂量—暴露—靶点—药效关系。

在药效和机制检测层面，可开展动物行为学、器官功能、影像、病理、免疫组化、免疫荧光、多重免疫荧光、流式细胞术、细胞与分子检测、炎症因子、代谢指标和组学分析，根据候选药机制构建主次清晰的终点体系。

对于跨平台复现或既往项目结果不一致的情况，可协助梳理动物来源、模型SOP、造模强度、给药窗口、制剂、暴露、取材和统计差异，设计具有桥接价值的重复实验，而不是简单复制原方案。

模型名称相同，为什么不同平台做出的药效结果完全不同？

因为动物模型的核心从来不只是名称。

动物基础背景、造模试剂、操作细节、疾病严重度、给药窗口、制剂暴露、靶点状态、样本处理和终点评价，共同决定了候选药最终显示怎样的药效。

企业真正需要比较的，也不只是两家平台是否都完成了某个模型。

更重要的是，两次实验是否建立了可比的疾病生物学状态，候选药是否获得了可比暴露，主要终点是否具有一致的检测能力，以及全部数据能否支持清晰的研发决策。

只有把模型、暴露、靶点和终点放在同一条证据链中，不同平台之间的结果差异才能被真正解释，动物药效实验也才能从“做出一组数据”升级为“降低候选药开发风险”。