关于举办：“AI赋能药品研发项目管理实战专题研修班”的通知

各有关单位：

当前，全球生物医药产业正处于由人工智能技术驱动的关键转型期。传统药物研发长期受限于“双十定律”的固有瓶颈，研发周期长、成本高、失败率居高不下。在多靶点、多模态药物发现日益成为主流的今天，依赖经验驱动的传统项目管理模式，在应对数据密集型、算法快速迭代的AI研发场景时，已显现出明显的局限性。

人工智能在靶点筛选、分子设计、临床预测等环节的深度应用，正在重构药物研发的底层逻辑。这一变革不仅涉及技术路径的更新，更对研发管理体系提出了系统性挑战：如何在项目全生命周期中有效整合数据、算法与算力资源？如何在跨学科背景下建立统一的沟通语境与协作机制？如何在追求模型迭代效率的同时，满足NMPA、FDA等监管机构对数据溯源、算法透明度和合规性的严格要求？这些问题已成为药企项目管理亟待解决的核心议题。

基于此，我们特组织本次《AI赋能药品研发项目管理实战》专项培训。课程立足药品研发项目管理的专业视角，系统梳理AI技术在药物发现全流程中的应用场景，重点解析AI药研项目在启动规划、进度管控、资源配置、风险治理及合规体系建设等方面的管理要点。通过典型案例剖析与实战场景演练，旨在帮助项目管理人员构建适配AI研发特征的复合型管理能力，掌握混合式项目管理方法，建立科学的里程碑评价体系，并搭建符合监管要求的AI研发治理架构。为此我们将于2026年11月7日至8日在线上举办“AI赋能药品研发项目管理实战专题研修班”，详细通知如下，请各单位积极选派人员参加。 

主办单位：药成材信息技术（北京）有限公司

北京华夏凯晟医药技术中心

一、 会议安排

会议地点：线上

会议时间：2026年11月7日- 8日

二、课程大纲

第一天：AI时代下的药品研发项目管理基础与核心流程

模块一：课程导入与行业背景

药品研发项目管理的行业痛点

l “双十定律”下的周期、成本与失败率挑战

l 传统项目管理模式在多靶点、多模态药物发现中的局限性分析

AI技术对药物研发范式的重塑

l AI在靶点识别、分子生成、临床预测等关键环节的应用图谱

l AI对研发项目进度管控、成本控制及质量体系构建的潜在价值

课程目标与能力框架

l 构建“传统药研PM”向“AI+药研PM”复合能力的转型路径

模块二：AI药物研发核心技术及项目应用场景

AI药物研发主流技术体系解析

l 机器学习（ML）与深度学习（DL）在分子性质预测中的算法逻辑

l 生成式AI（Diffusion模型、大语言模型）在分子设计与优化中的应用机制

l 知识图谱在靶点-疾病-化合物关联分析中的构建与推理

AI技术在研发全周期的应用场景

l 早期研发阶段：靶点筛选、虚拟筛选、ADMET性质预测

l 临床前研究阶段：化合物结构优化、晶型预测、毒理风险建模

l 临床开发阶段：患者分层模型、临床试验方案优化、真实世界数据（RWD）挖掘

典型案例剖析：AI药研项目的“技术-管理”协同模式

l 案例1：AI驱动小分子药物从靶点验证至IND申报的项目路径管理

l 案例2：AI辅助抗体药物研发的跨学科协作与里程碑设置

模块三：AI药研项目全生命周期流程管理

AI药研项目的阶段划分与关键节点控制

l 与传统研发流程的差异：新增“数据治理”“模型验证”及“算法迭代”节点

l 各阶段核心交付物（DVP）定义：数据集规格、模型性能评估报告、湿实验验证数据

项目启动：AI项目的特异性启动要素

l 数据需求规格书（DRS）：数据来源、质量标准及标注规范

l 算法与算力选型：开源框架与自研模型的权衡、异构算力资源配置策略

l 组织架构设计：数据科学家、算法工程师、药研专家及PM的角色与职责（RACI矩阵）

项目规划：WBS分解与进度计划编制

l AI项目WBS的构建逻辑：增设“模型迭代闭环”与“数据反馈机制”任务包

l 混合式管理方法：关键阶段采用瀑布模型，模型优化采用敏捷开发（Scrum/Kanban）

l 工具演示：基于数字化平台的AI药研项目进度可视化管控

项目执行与监控：动态跟踪与偏差管理

l 复合监控指标：融合模型性能指标（AUC、RMSE）与研发里程碑达成率

l 数据迭代对基准计划的影响评估与变更控制流程

l 风险预警机制：针对模型过拟合、数据漂移及算力瓶颈的监控体系

模块四：第一天课程总结与互动答疑

▸ 全天串讲回顾 + 学员实际问题解答

第二天：AI药研项目的资源整合、风险管理与实战落地

模块五：AI药研项目的资源管理与成本控制

AI项目核心资源配置策略

l 人力资源：跨学科团队的技能矩阵构建与配置优化

l 算力资源：云算力与本地集群的TCO（总拥有成本）分析与调度策略

l 数据资源：多源数据（公开库、内部库、合作库）的合规获取与资产管理

AI项目的成本构成与精细化管控

l 成本结构分析：模型训练、数据存储、算力租赁及合规审计成本

l 估算技术应用：基于类比法与参数法（数据量、模型复杂度）的成本测算

l 成本优化路径：模型轻量化、数据复用机制及弹性算力调度

实战演练：AI药研项目资源负荷图与成本预算表编制

l 场景模拟：针对特定靶点药物发现项目，制定资源需求计划与预算分解结构（CBS）

模块六：AI药研项目的风险管理与合规体系

AI药研项目的特异性风险识别

l 技术风险：模型泛化能力不足、数据噪声干扰、算法黑箱效应

l 合规风险：数据隐私保护（GDPR、HIPAA、《个人信息保护法》）、算法可解释性及监管接受度

l 协作风险：药研团队与AI团队的KPI冲突与目标对齐

风险评估与分级应对策略

l 风险矩阵构建：基于概率-影响矩阵的风险定级

l 关键风险应对预案：

l 模型风险：交叉验证、独立测试集验证及多模型集成策略

l 数据风险：数据溯源审计、脱敏处理及第三方数据合规审查

l 监管风险：参照FDA/NMPA指南（如《AI/ML药物研发指导原则》）进行文档规范化管理

案例复盘：某AI药研项目因数据偏差导致临床前失败的归因分析

l 根因分析：训练数据集的人群代表性不足导致的模型外推失效

l 流程改进：建立数据多样性评估标准（DQA）及偏差纠正机制

模块七：AI药研项目的团队治理与利益相关方管理

跨学科团队（药研+AI）的治理挑战

l 语义对齐：药研术语（IC50、PK/PD）与AI术语（Embedding、过拟合）的映射与统一

l 目标融合：平衡“模型性能指标”与“实验可操作性/成药性”的双重要求

协同机制与沟通管理

l 协作平台搭建：集成数据、模型、实验记录的统一管理平台

l 会议机制设计：技术评审会（TRB）与需求澄清会（CRB）的标准作业程序（SOP）

l 激励体系构建：设立跨职能团队共享目标（如预测准确率与实验成功率挂钩）

利益相关方沟通策略

l 内部治理：向管理层汇报AI项目的预期价值与不确定性（避免技术泡沫）

l 外部协同：与CRO、数据供应商及监管机构的沟通要点与合规边界

l 情景模拟：针对“模型预测与湿实验结果冲突”的分歧解决演练

模块八：AI药研项目管理实战与行业前瞻

全流程案例拆解：某AI+药企合作项目的端到端管理

l 项目背景：针对难成药靶点的AI驱动药物发现

l 管理亮点：多源异构数据治理、分阶段验证里程碑（Virtual→In Vitro→In Vivo）及联合PMO运作机制

l 经验教训：模型迭代导致的成本超支根因分析及进度压缩策略

AI药研项目管理的未来趋势

l 智能化项目管理：基于NLP的进度自动跟踪与风险预警

l 监管科学进展：各国药监部门对AI模型的持续学习（Continuous Learning）与变更管理要求

l 组织变革：药企建立AI项目管理办公室（AI-PMO）的架构设计与最佳实践

模块九：课程总结与综合测评

▸ 全天串讲回顾 + 学员实际问题解答

本次会议拟邀请药品研发项目管理及人工智能应用领域专家进行专题授课，相关课程安排、专家简介及参会报到等具体事宜，详见后续发布的第二轮通知。

三、 会议费用

线上：会务费：4000元/单位（会务费包括：培训、研讨、 电子版资料、电子版培训证书、含两天回放）

四、 联系方式

联 系 人: 马超              

手机/微信：13240487419

电子邮箱：1683101345@qq.com

附件二：AI赋能药品研发项目管理实战专题研修班”的通知--报名表