候选药准备BD时，临床前动物药效数据几乎一定会被拿出来重点展示。

很多团队会准备非常完整的一套结果：模型组和给药组差异明显，低、中、高剂量有梯度，病理改善，炎症下降，靶点相关蛋白也发生变化，再加上一个阳性药对照。单从动物实验完整度来看，这样的数据已经不错。

但如果把项目真正往临床方向推一步，对方更关心的往往不是“这只动物到底改善了多少”。

而是这些动物数据能不能帮助回答后面的临床问题。

动物里什么样的暴露开始出现药效？

靶点需要覆盖到什么程度，疾病终点才开始改变？

高剂量继续增加暴露以后，药效还有没有继续增加？

药效更依赖Cmax，还是需要全天维持一定Cmin？

停药以后能维持多久？

疾病已经形成以后再治疗，药物还有没有作用？

什么样的动物更容易响应，这种差异能不能帮助未来选择临床患者？

动物中使用的PD指标，到了人体里还能不能继续检测？

如果候选药准备联合标准治疗，动物里有没有证明它是在SOC基础上增加了额外获益？

这些问题一旦能够从临床前阶段回答，动物实验的意义就发生了变化。

它不再只是证明“这个药在动物里有效”。

而是在为临床研究提前提供几个非常重要的坐标：未来应该从什么暴露范围开始寻找药效，什么样的患者最值得优先进入临床，什么时候检测PD最容易看到信号，哪些指标可以作为早期PoC，给药频次有没有优化空间，以及临床出现什么结果时应该继续加量，什么情况下继续加量已经没有意义。

候选药BD阶段，真正能让对方产生兴趣的临床前数据，往往都有一个共同特点。

看到动物结果以后，下一步临床怎么做，已经能大致看见轮廓。

1、动物有效，并不意味着人体按同样剂量一定有效

这是讨论临床转化时最先要避开的一个误区。

小鼠10 mg/kg有效，不能直接按照体重或者体表面积换算成人体剂量，然后认为这个位置就是未来临床有效剂量。

动物和人体之间的吸收、生物利用度、血浆蛋白结合、组织分布、代谢速度以及靶点敏感性都可能不同。

真正值得继承的不是10 mg/kg这个数字。

而是10 mg/kg在动物体内造成了什么样的暴露，以及这个暴露实现了多少靶点覆盖。

2、动物真正提供的是一套药理参照

例如在动物中发现，游离血浆浓度持续高于某个水平以后，靶点PD开始稳定改变；当PD达到一定程度以后，主要疾病终点开始明显改善。

那么到了人体临床阶段，即使使用的剂量完全不同，也可以继续问：

人体能不能达到类似的游离暴露？

靶点PD有没有达到动物有效区间？

如果PD已经充分覆盖，临床表型却没有改善，是不是说明疾病机制和动物不同？

这些问题才真正能够帮助临床做判断。

3、所以动物数据最重要的是建立关系，而不是提供一个换算公式

剂量和暴露之间的关系。

暴露和PD之间的关系。

PD和药效之间的关系。

药效和毒性之间的关系。

这些关系越清楚，临床阶段的试错空间就越小。

单独一个“30 mg/kg药效很好”的结果，离这一步还很远。

1、动物里的mg/kg最终还是要转换成体内暴露

假设3、10、30 mg/kg三个剂量都有药效。

如果只看剂量，很容易得到一个简单结论：

药物从3 mg/kg开始有效，30 mg/kg效果最好。

但真正值得继续分析的是三个剂量分别对应多少AUC、Cmax、Cmin和必要的组织暴露。

有些候选药剂量增加3倍，AUC可能也增加3倍。

另外一些药物可能出现超比例暴露或者吸收饱和。

这时候mg/kg与实际药理刺激之间已经不是简单线性关系。

2、最低有效暴露比最低有效剂量更容易向临床延伸

如果能够确定动物中，当游离AUC达到某个范围以后开始出现稳定药效，这个信息后面可以进入人体PK预测和临床剂量探索。

临床真正需要达到的是类似的药理暴露。

并不是复制动物的mg/kg。

3、靶器官药物还要进一步看组织暴露

例如中枢候选药需要看脑组织或脑脊液暴露。

肝靶向药要看肝脏。

肿瘤药要看瘤内。

皮肤局部药则要考虑皮肤组织暴露和系统暴露之间的比例。

如果动物药效发生在靶组织浓度很高、血浆浓度却不高的情况下，未来临床剂量设计就应该更多参考组织分布，而不能只盯着血浆AUC。

1、最低有效点告诉我们临床大概要从什么暴露附近寻找PoC

一个模型只做Vehicle和最高剂量，能够证明药有活性。

但对临床帮助有限。

如果增加多个剂量，就可以看到药效从什么时候开始离开无效区。

这个“开始有效”的位置，是后面临床暴露设计很重要的一条线索。

2、中间剂量往往比最高剂量更有信息量

有些项目会特别强调最高剂量抑制率80%。

但如果10 mg/kg已经达到75%，30 mg/kg只有80%，其实更重要的信息是药效已经接近平台。

这种平台对临床非常有用。

它提示人体以后即使继续提高暴露，收益可能也不会继续线性增加。

3、药效平台能够帮助临床避免无意义加量

假设动物中PD已经完全覆盖，疾病终点也进入稳定平台，再增加三倍暴露仍然没有明显额外获益。

未来临床如果已经达到类似PD和暴露，就没有必要为了“剂量更高”继续无限上探。

后面的重点应该逐渐转向安全性、给药便利性以及患者间暴露差异。

这类信息对临床剂量优化的价值，往往比最高剂量能做到多漂亮更大。

1、只有PK还不够

药物到了血里，只能说明动物暴露了。

并不能证明已经真正影响目标靶点。

如果一个候选药有明确靶点，动物实验最好能够找到一个相对近端的PD。

例如受体占有、酶活、目标蛋白降解、磷酸化变化或者特定代谢物改变。

2、真正有价值的是找到PD阈值

有些药靶点抑制20%就开始有生物学效应。

有些药可能需要持续达到70%以上覆盖，疾病终点才明显变化。

如果动物中能够大致建立这种关系，到了临床以后就多了一把尺子。

早期患者尚未看到明显疗效时，可以先看PD。

如果PD根本没到动物有效范围，首先考虑暴露还不够。

如果PD已经达到甚至超过动物有效水平，仍然没有临床信号，问题就不再只是继续加量。

3、这会明显提高临床早期结果的可解释性

没有PD时，临床阴性很难判断到底哪里出了问题。

可能是剂量不够。

可能是药没到靶器官。

也可能是靶点打到了，但机制在人类疾病里没有预想重要。

有了PK/PD桥梁，这几种情况至少能够逐渐拆开。

1、同样日剂量，可以形成完全不同的暴露曲线

30 mg/kg一天一次和15 mg/kg一天两次，总日剂量一样。

AUC可能接近。

但Cmax和Cmin通常不同。

如果药效主要跟AUC相关，两种方案可能都有效。

如果需要全天保持某个浓度以上，BID可能更有优势。

2、短效抑制和持续靶点覆盖，对临床方案的要求完全不同

有些靶点只需要短暂强抑制就能触发长期生物学效应。

有些靶点则一旦浓度下降，通路很快重新恢复。

动物中如果能够通过不同给药频次把这件事做出来，未来临床方案会清楚很多。

例如QD和BID在总日暴露相近时药效差异很大，就提示Cmin或者持续覆盖可能很关键。

3、毒性驱动参数同样重要

如果药效更依赖AUC，而毒性主要发生在高Cmax，临床以后就有机会通过拆分剂量降低峰值，同时保留总暴露。

这比单纯知道“30 mg/kg有毒，20 mg/kg安全”多了一层可操作信息。

动物PK/PD做得越细，临床给药方案越不需要完全靠试。

1、药效持续时间不一定等于血药半衰期

有些药血药浓度下降很快，但靶点作用可以持续很久。

不可逆抑制剂、蛋白降解剂、siRNA、ASO和部分抗体尤其明显。

另外一些药则几乎跟着血浆浓度同步消失。

所以不能只根据PK半衰期决定临床给药频次。

2、动物里可以直接做“给一次药以后能管多久”

单次给药以后连续观察PK、PD和疾病相关指标。

什么时候血药下降？

什么时候PD开始恢复？

什么时候药效开始反弹？

三条曲线并不一定重合。

这种数据对于长效产品特别有价值。

3、停药实验也能帮助判断药物是不是具有疾病修改作用

停药以后表型很快反弹，说明药效高度依赖持续药理抑制。

停药后仍然保持较长时间，可能提示组织结构、细胞状态或者疾病过程已经发生更长期改变。

对于慢病候选药，这一层信息很容易进一步影响临床给药间隔和疗程设计。

1、预防性给药最容易高估候选药的临床治疗能力

造模前开始给药，候选药可能直接影响疾病形成。

最后模型组很重，治疗组很轻。

图非常漂亮。

但未来患者通常已经有病了。

特别是纤维化、DKD、MASH、关节炎、神经退行性疾病这类慢病，临床治疗发生在已经形成病理以后。

2、动物实验应该尽量建立一个真正的治疗起点

例如出现稳定蛋白尿以后开始治疗。

纤维化达到一定阶段以后再随机。

肿瘤达到一定体积以后开始给药。

关节炎评分达到预定水平以后入组。

这时得到的结果才更容易回答：

面对已经存在的疾病，候选药还能改变多少。

3、治疗起点本身也可以帮助临床选择患者阶段

如果候选药在早期模型明显有效，到了晚期病理就基本无效，这不是一个简单的坏结果。

它可能说明药物真正的治疗窗口就在疾病早中期。

未来临床与其把所有患者都纳入，不如更早考虑疾病阶段分层。

这类动物结果完全可以提前影响临床入组策略。

1、不是所有药都适合“越重的患者越有价值”

开发时很容易希望候选药能够覆盖更多患者。

但疾病进展到不同阶段以后，主导病理已经可能变化。

早期以炎症为主。

后期可能变成结构损伤和纤维化。

某个靶点只在前一阶段起关键作用，到了晚期药物自然很难获得相同效果。

2、动物分阶段给药非常适合提前测试这一点

同一个模型可以设计早期、中期和晚期三个治疗窗口。

如果药效随着疾病进展逐渐下降，就说明候选药临床定位需要更精细。

反过来，如果已经形成较重病理后仍然有效，项目的临床适用空间会明显更大。

3、这类数据对BD很重要

因为它开始回答一个很现实的问题：

未来临床试验到底准备招什么人？

轻症。

中度。

还是晚期难治患者。

动物数据当然不能直接替代临床分层，但至少可以提前告诉对方候选药最可能在哪一段疾病生物学里发挥作用。

1、动物实验里“个体差异大”并不总是坏事

传统药效实验很喜欢把变异尽量压低。

但进入转化研究以后，有些差异反而值得看。

例如同样暴露下，有一部分动物响应很好，另一部分几乎不响应。

首先当然要排除实验误差和PK差异。

如果这些因素都排除了，剩下的差异可能来自疾病生物学本身。

2、可以反查响应动物和不响应动物治疗前有什么不同

靶点表达。

某个循环标志物。

基础炎症程度。

疾病阶段。

某种代谢状态。

如果治疗前的某个特征能够预测后面药效，价值会明显增加。

3、这可能成为临床患者分层的起点

临床PoC最怕的是把真正只对一部分患者有效的药平均到整个群体里，最后整体看不到差异。

动物阶段如果已经找到可能的response biomarker，后续临床方案就可以更早把这一假设纳入探索。

这类数据在BD阶段通常比再多做一个终末组织Marker更有吸引力。

1、动物实验最大的便利是可以随时取组织

肝脏。

肾脏。

脑。

肿瘤。

全部可以终末检测。

临床却不能这样。

如果候选药所有机制证据都只能靠处死动物以后取组织看到，到了患者阶段就会失去很多判断工具。

2、临床前阶段就应该开始寻找可重复取样指标

血液中的蛋白。

尿液中的生物标志物。

外周血细胞中的信号。

循环代谢物。

影像。

或者其他临床可以连续检测的指标。

它们不一定比组织Western blot更接近靶点，但转化价值往往更大。

3、真正好的PD需要和动物有效暴露联系起来

不能只是因为某个指标方便检测，就把它叫PD。

更理想的是：

随着剂量和暴露增加，这个指标发生稳定变化。

达到某个程度以后，动物药效开始出现。

这时候它才真正能够帮助未来临床判断患者是不是进入了有效药理区间。

1、动物终点不可能完全复制临床

例如很多慢病临床终点需要半年甚至数年。

动物实验不可能简单等比例照搬。

因此真正需要的是找到一个具有生物学连续性的中间终点。

2、越接近临床关注问题的终点，越值得放在动物主要终点前面

DKD可以关注UACR和肾功能相关指标。

MASH需要组织学和纤维化。

炎症性疾病要有功能和疾病评分。

神经病变不能只有几条炎症蛋白。

肿瘤则不能只看一个机制Marker，而要看肿瘤负荷、生存或者与临床治疗场景匹配的疾病终点。

3、机制指标的作用是解释，不应该替代临床相关药效

一个候选药能把某条通路抑制90%，当然是很好的PD。

但临床真正关心的是这90%的靶点抑制有没有换来患者获益。

动物实验也应该保持这个层级。

先有疾病终点。

再用机制解释为什么疾病终点变了。

1、Vehicle对照只能说明药物有活性

临床上患者并不是“不治疗”。

很多适应症已经有成熟SOC。

所以BD对方很自然会问：

你的药比现有治疗多解决了什么？

2、SOC比较应该围绕未来产品定位设计

如果候选药准备替代现有治疗，就需要比较单药疗效。

如果准备作为add-on，更应该在SOC基础上增加候选药。

如果目标是SOC不敏感或者耐药患者，就需要在动物里尽量模拟相应背景。

只有这样，动物结果才能对应未来临床方案。

3、临床竞争优势并不一定表现为“最大药效更高”

起效更快。

维持时间更长。

给药频次更低。

在更晚疾病阶段仍有效。

对某个难治亚群有效。

与SOC联合时有额外获益。

安全窗口更宽。

这些都可能是候选药真正的差异化。

动物实验应该提前围绕产品准备讲的那一个优势去设计。

1、简单做“A+B优于A”只能解决最基础的问题

如果未来临床一定会联合SOC，动物里当然要证明联合有价值。

但联合实验还能继续往前一步。

候选药需要从第一天就联合，还是SOC治疗一段时间以后再加？

对于SOC反应不充分的动物，加上候选药还有没有进一步改善？

这些设计更加接近真实临床。

2、给药顺序有时会直接改变结果

肿瘤、免疫和代谢项目中都可能出现这种情况。

药A先改变细胞状态，后面药B才更有效。

或者两药同时给反而增加毒性。

如果动物阶段已经观察到顺序依赖，就可以提前影响临床方案。

3、联合以后还要重新看暴露和安全性

两个药单独都安全，不代表联合后仍然一样。

代谢酶、转运体和器官毒性都可能发生相互作用。

BD阶段如果准备强调组合优势，只展示一张联合药效图通常不够。

1、动物疗效再好，也需要留出继续加量和应对个体差异的空间

假设稳定药效需要AUC 1000。

AUC 1200就开始出现明确不可接受毒性。

这意味着动物里的药理窗口已经很窄。

即使平均动物可以有效，未来人体存在PK个体差异以后，临床控制难度仍然很高。

2、更理想的是在毒性出现以前药效已经进入平台

例如AUC 300开始起效。

AUC 700已经获得接近最大药效。

直到AUC 3000以后才出现明显耐受问题。

这种关系给临床留下的剂量优化空间明显更大。

3、这里仍然要区分毒性由什么暴露参数驱动

药效由AUC驱动、毒性由Cmax驱动，就还有调整给药频次的机会。

如果药效和毒性都紧紧依赖同一个Cmin水平，窗口可能更难通过方案解决。

所以安全窗评价最终还应该和PK一起看。

1、第二模型不是为了PPT里多一行“Two in vivo models”

第一模型已经做到阳性以后，最值得问的是这组数据最大的外推风险在哪里。

模型病因太人工？

遗传背景太特殊？

疾病阶段太早？

物种靶点生理和人差距较大？

找到这一点，第二模型就知道该怎么选。

2、第二模型应该主动改变关键变量

第一模型是化学诱导，第二模型可以换自然进展。

第一模型依赖某个单基因背景，第二模型换到多因素疾病背景。

第一模型在小鼠，第二模型可以在更适合靶点药理的物种中验证。

这种改变才真正能够增加临床转化信心。

3、两个完全不同模型都指向相似有效暴露，价值会明显增加

尤其当两个模型病因不同，但在类似PD覆盖后都出现疾病改善时，会更支持候选药作用于共同病理机制。

这时候动物数据开始不仅证明“药能治这个模型”。

而是在证明靶点本身有可能具有跨病因的疾病修改价值。

1、临床前不是所有实验都必须做成阳性才有价值

一个候选药在早期疾病有效，晚期无效。

这已经帮助确定临床病程窗口。

一个候选药和SOC联用有效，单药一般。

这可能提示未来更适合add-on开发。

一个候选药只在某个biomarker-high亚群有效。

这可能直接提示患者分层。

2、真正危险的是无法解释的阴性

如果动物无效，却不知道是不是PK不足、PD没覆盖、模型不匹配还是靶点机制不成立，这组数据确实很难使用。

但只要把这些层次拆开，阴性本身也能帮助下一步决策。

3、BD更看重边界清楚的项目

一个项目什么都“可能有效”，其实风险很高。

如果已经知道：

适合哪个疾病阶段。

不适合哪个阶段。

更适合单药还是联合。

需要什么PD覆盖。

哪些患者特征更容易响应。

反而说明项目开发路径已经更加清楚。

1、只有一个高剂量阳性

可以证明PoC。

但不知道有效暴露，也不知道平台和剂量空间。

2、只做一个末次终点

看不到起效速度、持续时间和药效反弹。

对于临床给药频次几乎没有帮助。

3、所有给药都是造模前开始

很难判断治疗已形成疾病的能力。

4、只有病理和大量Western blot，没有PK/PD

机制图可能很完整，但不知道人体未来需要达到多少暴露。

5、动物药效很强，但没有SOC

无法判断临床竞争位置。

6、第二模型和第一模型几乎一样

只是换了一种更重的诱导方式，对临床外推帮助有限。

7、动物明显掉体重、少吃，却没有任何控制

很多疾病改善都可能受到系统状态变化干扰。

8、只有终末组织PD

人体以后很难持续监测。

9、动物疾病阶段和未来临床患者完全不匹配

例如一个明显晚期患者定位的产品，却只有预防性早期模型数据。

这种数据很难真正支撑临床方案。

10、最低有效剂量和毒性剂量都有，却没有暴露

看起来有“10倍窗口”，实际PK窗口可能完全不是10倍。

1、先假设明天就要设计临床PoC

准备招什么患者？

剂量怎么递增？

什么时候测PD？

什么指标最早可能出现变化？

给药一天一次还是两次？

疗效大概要多久才能出现？

如果第一剂量没有效果，下一步是增加剂量还是延长治疗时间？

这些问题拿出来以后，再看现有动物数据能回答多少。

2、没有有效暴露，就优先补PK/PD

这通常比再做一轮组织机制更重要。

特别是已经有稳定动物药效，却还不能把剂量转成暴露的项目。

3、只有预防性药效，就补治疗性设计

临床患者已经有疾病。

动物也应该尽量验证这一场景。

4、不知道临床剂量频次，就补PK/PD时间曲线

一次给药后连续看暴露、PD和药效。

很多给药方案问题都能提前暴露出来。

5、不知道未来招哪类患者，就从动物响应差异中寻找线索

疾病阶段。

基线标志物。

靶点表达。

这些都可以提前做探索。

6、只有单药数据，而未来一定会联合SOC，就补真正的组合方案

不要等进入临床以后才第一次问联合有没有额外价值。

临床前能提前解决的，就尽量不要留到人体里试错。

1、先说明目标患者和动物疾病阶段为什么对应

动物是什么病理阶段。

什么时候开始治疗。

为什么这个阶段能够代表未来准备进入临床的患者。

这部分是整个数据包的起点。

2、再给完整剂量和暴露关系

至少让人能够看到无效区、起效区、稳定药效区和平台区。

每个关键剂量尽量对应PK。

后面临床讨论才有依据。

3、把Target engagement或近端PD放到药效前面

证明药先打到了靶点。

随后疾病终点才发生变化。

如果还能看到PD阈值，价值会进一步提高。

4、给出真正临床相关的主要药效终点

不要把几十个机制指标放在最前面。

先告诉对方疾病改善了多少。

然后再解释为什么改善。

5、展示时间关系

什么时候靶点被覆盖。

什么时候生物标志物开始变化。

什么时候功能终点改善。

什么时候达到平台。

停药以后又什么时候反弹。

这套时间关系对临床非常实用。

6、和SOC或者未来联合方案比较

明确候选药在真实治疗格局里的位置。

是替代。

联合。

还是解决SOC作用不充分的人群。

7、用第二模型验证最重要的临床外推风险

不是为了重复一遍阳性。

而是告诉对方换病因、换疾病阶段或者换物种以后，关键药理结论仍然存在。

8、最后把安全窗口接进来

动物有效暴露在哪里。

药效平台在哪里。

明显毒性从哪里开始。

如果还能够知道分别由AUC、Cmax还是Cmin驱动，后面临床剂量设计会更加清楚。

最终比较理想的数据链应该是：

候选药在与目标患者相匹配的疾病阶段开始治疗，在合理暴露下实现靶点覆盖；达到一定PD以后，临床相关疾病终点开始改善，并随着暴露增加进入稳定平台；这一作用能够在第二个疾病背景中重复，同时动物有效暴露与明显毒性暴露之间保留足够空间，且存在可以延续到人体的PD或者疾病生物标志物。

到了这一步，动物实验提供的已经不是一组“临床前阳性数据”。

它实际上已经开始参与临床研究设计。

1、可以从未来临床研究反推现有动物数据缺口

对于已经有基础药效的候选物，可以先把未来临床目标人群、预计给药方式、PD、生物标志物和主要PoC终点放在一起。

再判断现有动物数据缺的是剂量反应、有效暴露、治疗性药效、时间曲线，还是第二模型。

避免BD前继续机械增加更多病理和机制指标。

2、可以建立剂量—PK—PD—药效关系

在低、中、高多个剂量下同步获得血浆和必要的组织暴露。

结合靶点PD和主要疾病终点，寻找最低有效暴露、稳定药效区和平台区。

进一步判断未来人体需要达到什么水平的药理覆盖。

3、可以把动物治疗起点向临床患者靠近

对于现有数据主要来自预防性给药的项目，可以根据适应症重新建立疾病基线。

等目标病理形成以后再进行随机和治疗。

提高动物结果对临床真实治疗场景的解释能力。

4、可以建立药效和PD时间曲线

针对抗体、siRNA、ASO、长效小分子以及其他新模态，可以连续观察单次给药以后暴露、靶点作用和疾病终点维持多久。

帮助判断未来临床是QD、BID、每周还是更长间隔给药更合理。

5、可以设计与SOC匹配的动物比较

根据候选药未来产品定位，决定是做头对头比较，还是在SOC基础上做add-on。

不仅比较最大药效，还可以继续比较起效速度、持续时间、治疗阶段和暴露窗口。

6、可以围绕患者分层提前寻找响应标志物

如果动物个体间药效存在差异，可以结合基线疾病严重度、靶点表达、循环标志物和PD继续分析。

筛选有机会在人体中继续验证的response biomarker。

7、可以针对第一模型的临床外推风险设计第二模型

第一模型偏人工诱导，可以用自然进展模型补病因相关性。

第一模型遗传背景特殊，可以换另一疾病背景。

第一模型靶点物种差异明显，则考虑更合适物种或人源靶点模型。

第二模型真正用于提高临床结论的可信度。

8、可以把有效暴露和耐受边界放到同一套开发框架里

药效实验中同步观察体重、摄食、一般状态和必要的安全性信号，再结合已有耐受或毒理信息。

判断稳定药效所需暴露距离明显不良反应还有多少空间。

如果药效和毒性由不同PK参数驱动，还可以进一步通过给药频次优化扩大窗口。

候选药物做BD时，动物数据真正有说服力的地方，通常并不是模型组和给药组之间的P值有多漂亮。

对方真正想知道的是，拿到这个项目以后，进入临床还有多少关键问题必须从零开始试。

动物已经证明有药效，这当然是基础。

但如果动物数据还能进一步告诉对方：

大概需要达到什么暴露才开始有效；

靶点覆盖到什么程度才有疾病改善；

药效是否已经出现平台；

一天一次够不够，还是需要持续维持浓度；

疾病做到什么阶段以后药物开始失效；

什么样的个体更容易响应；

哪个PD到了人体还可以继续检测；

和标准治疗相比真正的优势在哪里；

有效暴露距离毒性还有多少空间；

那么这套动物数据已经开始替未来临床减少试错。

这才是BD阶段临床前动物实验最值得追求的状态。

不是把动物做得越来越多。

而是让每一组动物实验都越来越靠近未来那个真正要发生的问题：

这个候选药到了人身上，临床研究究竟应该怎么做。