Multi-Lab Testing of Early Preclinical Discoveries Identifies Promising Treatments
本文表明，通过提高严谨性开展多实验室临床前研究，能够有效过滤掉未经证实的疗法，因为研究揭示了由于实验差异，仅有极少数初始单实验室发现能够实现复现，从而识别出真正具有临床测试前景的候选药物。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
在将科学构想转化为造福人类的药物这一漫长旅程中，存在着一个臭名昭著的瓶颈。科学家们经常发现某种在单一实验室中（通常是在动物或细胞身上）看起来极具前景的疗法。结果令人兴奋，数据看起来很强劲，希望也很大。但当这些同样的疗法进入人体临床试验时，它们的失败率超过了百分之九十。这种早期实验室成功与现实世界失败之间的差距，是对时间、金钱和希望的巨大浪费。问题往往在于早期的研究本身。这些研究通常规模较小，仅在单一地点进行，且缺乏必要的严格保障措施，无法确保结果是真实的，而非仅仅是一个幸运的巧合。为了解决这个问题，研究人员开始测试一种新方法：在药物进入人体之前，它应该被再次测试，但这一次是由几个不同的实验室协同工作，并使用更严格的规则和更大的受试群体。这种方法旨在将真正有效的疗法从那些仅因偶然性或特定实验条件下才奏效的疗法中筛选出来。
最近，一支由德国及其他地区科学家组成的大型团队在广泛的范围内对这一想法进行了测试。他们收集了两组不同研究的数据。第一组由政府资助的十二个项目组成，专门用于重新测试具有前景的早期发现。第二组是已在科学期刊上发表的类似多实验室研究的集合。总计，他们查看了十九个成功纳入最终分析的不同研究项目。每个项目都始于在单一实验室中取得的初步发现，随后是严谨的重新检验，即由多个独立的实验室尝试重现该结果。其目标是观察当测试变得更加困难、条件更加多样化时，这些早期的“胜利”中有多少能够经受住考验。
结果非常显著。当研究人员将最初的单实验室结果与新的多实验室发现进行比较时，治疗效果的强度显著下降。在政府资助的项目中，只有十个研究中的三个证实了最初的阳性结果。在已发表的研究中，成功率较高，九个研究中有六个证实了发现，但整体趋势是明确的：最初的兴奋往往是对效果的过高估计。研究人员详细分析了发生这种情况的原因。他们发现，效果的下降是由三个主要因素造成的。首先，新研究中的对照组通常比原始研究中的对照组更健康，这使得治疗效果与对照组相比显得没那么出色。其次，当在不同的环境中进行测试时，对治疗的实际反应有时会减弱。第三，结果变得更加多变；当你在一系列不同的实验室、使用不同的动物和条件来测试一种药物时，数据会变得更加“嘈杂”，从而难以观察到清晰的效果。
尽管成功率较低，但研究人员认为，这一结果并非该方法的失败，而是“过滤器”的成功。多实验室研究的设计初衷就是比初始实验更加严谨。它们使用了更多的动物，包含了雄性和雌性受试者，并严格执行了随机化和盲法等规则（即科学家在最后阶段之前并不知道哪些动物接受了治疗）。这些保障措施旨在防止偏差并确保结果的可靠性。研究表明，当应用这些严格规则时，效应量会缩小，但剩余结果的可信度却增加了。那些证实了原始发现的研究是稳健的，而那些失败的研究则提供了清晰的信号，表明该疗法在更广泛的背景下可能并不奏效。
该团队还探讨了如何判断一项研究是否为“成功”。他们测试了定义成功的不同方式，从非常严格的规则到较为宽松的规则不等。即使采用最宽松的标准，大多数研究也未能证实最初的发现。这表明，在单实验室研究中看到的最初的高成功率往往具有误导性。研究人员得出结论，这些多实验室研究起到了至关重要的筛选工具作用。它们阻止了无效疗法进入昂贵且高风险的人体临床试验。通过识别哪些疗法在早期阶段失效，科学可以节省资源，并将精力集中在那些在严苛且接近现实条件的测试下真正证明了自身的候选药物上。这项研究并未声称已经解决了药物开发的问题，但它提供了一个清晰且基于证据的前进路径：如果一种疗法无法通过多个独立实验室的测试，那么它很可能还没有准备好进入下一步。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。