Pirfenidone

2026年7月10日，港交所上市公司英矽智能宣布：全球首个由AI完成靶点发现和分子设计的原创药物Rentosertib（ISM001-055），正式启动III期临床试验。 全国47家临床中心、320名受试者、52周双盲安慰剂对照——针对的是一种被称为”不是癌症的癌症”的病：特发性肺纤维化（IPF）。 说它是”iPhone时刻”并不夸张。因为在此之前，还没有任何一款AI从头设计的新药走到这一步。 而更值得追问的是：这款药的诞生过程，到底打破了传统制药的哪些”铁律”？它所代表的AI制药，将如何改变未来每个人吃到的药？一、一种”不是癌症的癌症”，和一个AI挖出的靶点 先说说这个病。 IPF——全称特发性肺纤维化，是一种原因不明的致命性肺部疾病。患者的肺组织逐渐变成疤痕——像一块越来越硬的海绵，无法交换氧气。确诊后中位生存期仅2-5年，比很多癌症还短。现有药物（吡非尼酮和尼达尼布）只能延缓病情，无法逆转。 那么问题来了：为什么过去几十年，没有更好的药？ 因为传统制药是靠人”猜”的。 研究人员翻阅文献、锁定某个已知靶点（通常是已经被大量研究过的”热门蛋白”），然后开始合成几百到几千个分子做筛选。这个过程，耗时2.5到4年只是早期发现阶段，耗资动辄成百上千万美元，成功概率……极低。 英矽智能走的是一条完全不同的路。 2019年底，他们做了一个”让AI自己从数据里挖靶点”的实验。 📊 核心数据 他们把与纤维化相关的大量组学数据（按年龄、性别标注的患者数据集）喂给了自研的 AI 靶点发现引擎 PandaOmics。AI 在没有任何人类先验假设的情况下，从 20 个潜在靶点中，把 TNIK（TRAF2- and NCK-interacting kinase）排在了第一位。 维度 传统制药 AI制药（英矽智能） 靶点发现方式 文献阅读+已有知识，集中在”热门靶点” AI从海量组学数据中自主挖掘全新靶点 早期发现周期 2.5–4年 12–18个月 每个项目合成分子数 数百到数千个 仅60–200个 候选化合物预算 通常数百万美元 约260万美元 💡 这样理解：传统制药像在一片已知水域里钓鱼——用已有知识缩小搜索范围，但容易陷入”热门靶点内卷”。AI制药像用卫星遥感扫描整片海域，从没有被人注意过的暗礁处发现鱼群。TNIK 这个靶点此前几乎没有人把它和肺纤维化联系在一起——是 AI 从数据中”看到”了人类肉眼看不到的关联。 📖 Nature Biotechnology, 2024, 42:448–457  |  数据来源：英矽智能官方发布及招股书 AI找到靶点之后，第二个引擎接棒：Chemistry42——一个生成式化学引擎，在”化学空间”里自主设计和优化分子结构。团队只合成了 79个分子，第55号分子（ISM001-055）展现出最佳的综合性能：纳摩尔级抑制活性、良好的ADME特性。 2021年2月，这个分子被提名为临床前候选化合物。从靶点发现到候选化合物，全程仅约18个月，花费约260万美元。二、从试管到人体：AI分子证明了自己 很多AI设计的分子在纸面上看起来很完美，但一进人体就翻车——这也是过去几年AI制药被舆论反复质疑的原因。 但 ISM001-055 的每一步都走得很扎实： 2021年11月，在澳大利亚启动首次人体微剂量试验。随后在新西兰完成了78名健康志愿者的I期临床——安全性良好，没有显著药物蓄积，药代动力学数据让团队吃下定心丸。 2023年6月，IIa期临床在中国启动。22个中心、71名IPF患者，随机分配到安慰剂组和三个剂量组，口服12周。 结果在2025年6月登上了《自然·医学》（Nature Medicine）—— ✅ 好消息：IIa期临床核心数据 组别 12周FVC变化 60mg QD（每日一次） +98.4 毫升（肺功能改善！） 安慰剂组 -20.3 毫升（持续恶化） 💡 一升一降的差距接近 119 毫升。这在IPF这个”只能延缓恶化”的疾病领域里，是一个近乎颠覆性的数字——现有疗法从未在12周的短期试验中展示过 肺功能改善 的信号。它意味着AI设计的分子不仅安全，而且真的在人体中产生了疾病改善效果。 📖 Nature Medicine, 2025, 31:1703–1713  |  ⚠️ 样本量仅71人，III期将用320人验证 2024年3月，这个从AI算法到II期临床的全流程，被发表在了《自然·生物技术》（Nature Biotechnology）上——一篇论文讲完了一个药物的”前世今生”，这本身就是罕见的。 ⚠️ 保持冷静：III期是真正的”成人礼” IIa期入组仅71人，12周疗程；III期要入组320人、52周。样本量扩大近5倍，疗程拉长4倍，主要终点设为52周FVC年下降率而非12周点值。很多药物在II期惊艳、III期折戟——这是制药业的”死亡之谷”。Rentosertib 能不能跨过去，答案要等到2028年前后才能揭晓。三、为什么说2026年是AI制药的”成人礼之年” Rentosertib 不是孤例。 根据公开数据，截至2026年上半年，全球已有超过170条由AI设计或优化的药物管线进入临床阶段，其中十余款候选药物正集中冲刺III期临床。2026年被业内公认为AI制药史上临床数据读出最密集的一年。 港股已经形成了由英矽智能（全流程小分子）、晶泰控股（AI+自动化实验室）、剂泰科技（AI药物递送）组成的”三小龙”格局。 更值得关注的是钱的方向： 📊 英矽智能2026上半年战绩 合作方 时间 潜在价值 施维雅（法国） 2026年1月 8.88亿美元 礼来（美国） 2026年3月 27.5亿美元 SK生物制药（韩国） 2026年6月 25亿美元 武田制药（日本） 2026年7月 6亿美元 💡 四笔合作潜在总价值接近70亿美元。这意味着：跨国药企不是在”试试看AI行不行”，而是在用真金白银下注AI平台已经成为不可或缺的研发基础设施。核心逻辑很简单：在Rentosertib的临床数据面前，AI不再是PPT讲故事——它已经证明自己能稳定输出高价值创新管线。 📖 英矽智能港交所公告（2026年1月/3月/6月/7月） |  ⚠️ 合同价值为”潜在里程碑”总额，非已实现收入 2026年上半年，英矽智能预计收入1.025-1.065亿美元，同比暴增约280%；净利润3350-3950万美元——在AI制药赛道普遍巨亏的背景下，这个盈利数字意义重大。四、AI如何从根本上改写制药业 🔬 先看一组令人窒息的传统数据 业内有个著名的”双十定律”：一款新药从研发到上市，平均需要 10年时间和10亿美元。所有进入临床I期的药物中，最终只有约 10% 能获批。每个获批药物的平均研发成本，算上失败项目摊分，高达 26亿美元（塔夫茨大学2020年数据）。 AI正在从三个维度同时攻击这套旧体系： ① 靶点发现的范式革命 传统方法依赖已知文献和已有知识，容易陷入”热门靶点内卷”——已有约50款PD-1/PD-L1药物获批或在研，一个新靶点一火就是”千军万马过独木桥”。AI通过跨组学数据的深度学习，能从人类肉眼看不到的模式中找出全新靶点。TNIK就是最好的例子——没有AI，它可能再过十年也不会被人和肺纤维化联系起来。 ② 分子设计的效率跃迁 传统药物化学中，“先导化合物优化”是耗时最长的环节之一——合成数百个变体、逐个测试、再优化。生成式AI可以一次性产出大量满足多重约束条件（活性、选择性、ADME性质、合成可行性）的分子。英矽智能目前每个项目只需合成测试60-200个分子，而传统流程通常需要数百到数千。 ③ 临床成功率的可预期提升 BCG研究报告显示：AI生成的药物分子在I期临床试验中，成功率高达80-90%（远高于历史平均的50%）；在II期中成功率约40%，位于历史区间上限。逻辑很简单：AI在分子设计阶段就做了更精准的”预筛选”，淘汰了大量注定失败的候选分子，后续进入临床的”中奖率”自然更高。五、AI不是万能的：制药流程中哪些环节AI无能为力？ 讲了这么多AI厉害的地方，有必要明确一件事：AI目前能革新的，只是整个制药流程的前三分之一。 新药研发的全流程大致是这样的： 靶点发现 → 分子设计 → 临床前研究（动物）→ I期（安全性）→ II期（初步疗效）→ III期（大规模确证）→ 审批上市 → IV期（上市后监测）← AI擅长区 →|←       AI目前无法替代的人类实证区          →|卡点一：I期90%到了II期变40%，“死亡之谷”谁来填？ 这个数据本身就在打AI的脸。 AI在分子层面能精确回答”这个分子像不像药”——它预测靶点结合力、溶解性、代谢稳定性，几乎可以取代传统药物化学的大量手工劳动。 但II期考验的是”这个药能不能在真实的人体里治病”——药物吸收、分布、代谢、排泄（ADME），脱靶毒性，免疫反应，个体差异……这些动态过程发生在一个有数万种蛋白、十亿级细胞的超级生态系统中。AI的预测能力在这个层面，目前基本上是无能为力的。 国研新经济研究院创始院长朱克力一针见血：AI回答不了”这个药能不能治病”——那是只有真实人体才能回答的问题。 ⚠️ “重生成、轻验证”正在制造人为的失败 行业里一个普遍的问题是：大量AI生成的分子，在跳过充分的动物模型验证后，直接推进到昂贵的人体试验。AI出分子太快了，快到团队来不及做扎实的临床前验证。最终II期临床失败率居高不下——这不是AI的问题，是滥用AI速度的问题。卡点二：III期临床——AI离这里还隔着一条银河 III期临床试验需要数百到数千名真实患者、双盲、随机、多中心、长期随访。这个环节的失败率长期稳定在40%-50%，AI对此几乎没有任何改善。 因为III期失败的原因往往不是分子不好，而是： 患者异质性（不同年龄/性别/基因背景对药物的反应千差万别） 疾病本身的复杂性（IPF、阿尔茨海默、癌症都是”一类病名，多种病因”） 长期毒性是需要在数千人身上积累数年才能看到的东西 安慰剂效应和真实疗效的区分需要统计学大样本 这些，没有一个是靠算力能解决的。卡点三：数据——AI的”粮食危机” 一个AI模型有多好，取决于它吃了什么数据。 现实是：高质量的生物医学数据极度稀缺且极度分裂。每个药企的数据都是孤岛，公开数据集质量参差不齐，阴性结果（失败实验）几乎从不发表——导致AI在”只看到成功案例”的有偏数据上训练，预测精度被系统性高估。 有人把这个问题叫做制药业的”Garbage in, garbage out”——喂给AI的都是残缺的菜谱，你却指望它做出一桌满汉全席。卡点四：黑箱——告诉监管机构”为什么”，而不是”是什么” 生成式AI尤其是深度学习模型，本质上是一个黑箱。它能给出一个答案（“这个分子很可能有效”），但你问它”为什么”——它说不清楚。 而药品监管机构（FDA、CDE）审评的核心逻辑恰恰是”机制明确”：你必须解释药物通过什么通路起效、在什么器官代谢、为什么安全。如果AI不能提供可解释的因果推理，监管就无从审评。 Anthropic（Claude的母公司）的AI制药负责人坦言：第一款完全由AI设计并通过监管批准的新药，“仍然相去甚远”，整个发现和开发过程在相当长的时间内都做不到全自动化，人类专家的参与和监督不可或缺。卡点五：转化医学——实验室到病床的最后一公里 这是最深的鸿沟。 AI在”干实验”（计算）层面表现惊艳，但制药最终需要”湿实验”（试管 + 动物 + 人）。小鼠模型预测不了人体反应，体外细胞实验预测不了体内毒性，药代动力学的非线性让数学模型捉襟见肘。 AI可以把一辆车在电脑里设计得很完美，但它没法替你上路试驾。 上路之后会发生什么——发动机在颠簸路面的耐久性、驾驶员紧急变道时车身稳定性——这些东西只能上路才知道，而人体的复杂程度，比任何路况都高几个数量级。六、对正在选专业的学生：AI已经改变了”学生物”的底层逻辑 如果十年前有人问你”学生物有前途吗”，答案可能是悲观的。“生化环材四大天坑”的说法流传甚广。 但现在这个逻辑被彻底改写了。改写它的，正是AI。纯生物或纯计算机都不够了 AI制药的核心特征是交叉学科——它不是”生物学用一点AI工具”，也不是”计算机专业的人转行做药”。它是一个全新的知识结构：理解生物学问题 + 能用AI方法解决 + 懂得工程化落地。 这意味着：未来十年最稀缺的人才，是能跨三个领域自由对话的人。 📊 当前最吃香的三大交叉方向 方向 核心能力 就业出口生物信息学  / 计算生物学 编程 + 统计学 + 基因组学。用算法分析生物大数据 AI制药公司（英矽智能/晶泰/剂泰）、大型药企AI部门、基因测序公司合成生物学 基因编辑 + 代谢工程 + 发酵工程。设计和构建生物系统 合成生物学公司（华熙/川宁/仅三生物）、生物制造、酶工程生物制药  / 转化医学 药理 + 毒理 + 临床试验设计。把分子变成药 药企研发中心、CRO（临床研究组织）、药品监管机构 💡 这样理解：AI制药公司需要的不是”会写代码的人”或”会做实验的人”——需要的是能看着一个蛋白质结构说”这个可以做成药靶”、同时能判断AI预测结果是否在生物学上合理、最后还能参与设计临床试验的人。一端连接比特世界，一端连接原子世界。 📖 综合2026年高考志愿填报趋势及多所高校生物类专业改革方向一个关键提醒：不要成为AI的”上游” 这里有一个很少有人说的风险：如果你的工作是在AI的”输入端”做标准化、重复性操作，那么你被替代的概率极高。 比如：传统的药物化学中”合成100个类似物、逐个测活性”——这个工作正在被生成式AI快速吞食。因为AI做得更快、更准、更便宜。 但反过来，如果你的工作是在AI的”下游”——解读AI输出、验证AI预测、把AI的答案变成真实世界的药物——那么你的价值反而会上升。因为”黑箱”越强大，能看懂黑箱并为其背书的人越稀缺。 ✅ 给考生的实用建议 如果你是高三学生，正在选专业：1. 生物信息学是当前最稳的入口——从数据分析切入生物，比纯学生物多一条退路，比纯学计算机多一个万亿级应用场景。2. 合成生物学已在2026年成为独立本科专业（专业代码083003T）——从”造物”角度切入，是未来生物制造的核心。3. 如果你已经确定了生物方向，一定辅修计算机或统计学。纯生物实验技能的人才供给过剩，而”会写代码的生物学家”供应远低于需求。4. 如果你已经确定了计算机方向，不妨修几门分子生物学或药理学的课。AI制药公司最缺的不是AI工程师——是既懂AI又懂靶点的”翻译官”。5. 不要怕跨学科。十年前”生物+计算机”被认为是两头不靠，如今这是最珍贵的知识结构。未来十年更是如此。七、中美格局：AI制药会不会改变全球制药权力版图？ 讲完中国AI制药的崛起，必须得回答一个更大的问题：这对中美在医药领域的竞争意味着什么？一个被低估的数据：中国已经拿走了全球70%的AI制药专利 根据药物专利数据平台DrugPatentWatch的统计，中国提交的全球AI驱动药物发现专利占比已接近 70%，美国约为18%。虽然西方一度贬低中国专利”重量轻质”，但2026年的指标表明，中国专利的”创造性步骤”和商业可行性正在结构性提升——CNIPA将发明专利审查周期缩短至平均15个月，快于美国USPTO的20个月以上。 换句话说：中国不仅申请得多，批得还比美国快。 📊 中美AI制药关键指标对比（2026年） 指标 中国 美国 全球AI药物发现专利份额 ~70% ~18% 临床试验总数（2025年） ~7,700 ~6,200 IND审批速度 平均87天 可变，通常更长 License-out全球价值份额 ~32%（2021年仅8%） ~27-28% ≥10亿美元重磅交易起源 35笔（微弱领先） 33-34笔 AI投资焦点 应用与资产（“投药”） 基础设施与模型（“投工具”） 💡 这样理解：中美在AI制药上，本质上是两种路径的竞争。美国在”建最好的工具”——从英伟达的算力底座到Google DeepMind的基础研究；中国在”用工具最快造出药”——短期看后者见效更快（更多的临床管线、更多的license-out交易）。但工具的差距正在缩小：智谱5.2、Kimi K3的连续突破已经证明中国在基础模型上不再是跟随者，而昇腾950在预训练任务上的等效表现则意味着算力瓶颈也在松动。中美之间的差距，正在从”卡脖子”变成”各有千秋”。 📖 DrugPatentWatch / CNIPA / JPM 2026  |  ⚠️ License-out价值为”潜在里程碑”总额，非已实现收入中国的”杀手锏”：世界上最高效的临床试验体系 AI制药的核心瓶颈从来不是”设计分子”，而是”验证分子”。而验证——需要人。 惠理集团合伙人、剑桥大学干细胞生物学博士梁传昕指出，中国可能拥有目前全球最高效的临床试验环境：庞大人口基数带来极快的受试者招募速度，中国生物制药公司接近”24/7”的研发节奏，以及广泛分布的临床研究中心网络——英矽智能的III期研究仅在中国就规划了47家中心。 这套体系产生了一个美国难以复制的飞轮效应：更多的临床数据 → 更好地训练AI模型 → 更精准地设计下一批分子 → 更快的临床验证。 这也是跨国药企即便在《生物安全法案》（BIOSECURE Act）的政治压力下，仍然密集与中国AI制药公司签约的根本原因——脱下政治的西装，商业身体是诚实的。美国守住的”高地”：正在被侵蚀的0到1优势 但必须诚实地说：基础模型的源头创新，目前仍以美国为主。 从AlphaFold到RFdiffusion，从ChatGPT到Claude——这些重构AI制药范式的核心工具，最初的诞生地确实在美国。 不过，这个判断在2026年正在发生微妙而深刻的变化。 ✅ 两件事改变了”算力封锁”的叙事 第一，中国基础模型已不是追随者。智谱5.2在多项基准测试中达到国际顶尖水平，Kimi K3在长上下文推理上的表现令硅谷侧目。这些不是”在美国模型上Fine-tune”，而是从底层架构开始的自主创新。AI制药所需的蛋白质结构预测、分子生成、多组学分析——这些任务对基础模型自有能力的依赖，正在被中国本土模型填补。 第二，华为昇腾950已经被证明可以等效替代英伟达芯片用于大规模预训练。梁文锋在近期的公开表态中直接点破了这一点。这意味着最核心的”算力焦虑”正在消解——如果中国自研芯片能在训练端顶上，那英伟达的出口限制就不再是结构性障碍，而只是短期摩擦。 一位业内人士用一句话总结了这个正在变化中的格局：“美国能造出AlphaFold，中国能让它多快好省地跑出临床数据。” 这句话前半句仍然成立，但后半句正在成为越来越重的砝码——而且前半句的护城河，正在被深度求索和智谱们一点一点填平。 这背后有一个更底层的逻辑：AI制药对算力的需求类型，恰好是中国最擅长补上的一种。 药物研发的AI任务（分子动力学模拟、蛋白质结构预测、序列分析）不像训练GPT-5那样需要十万张卡——它更需要的是”精准”而非”暴力”。而中国在算法效率和针对性优化上的积累，正在这个缝隙中快速追赶。未来：一种前所未有的”竞合”格局 🎯 中美AI制药的未来格局：四个判断 1. 不会脱钩，只会更深地咬合。2025年中国药企license-out交易157笔、总价值1,357亿美元——美国药企需要中国的临床数据和创新资产，中国药企需要美国的全球商业化渠道和监管背书。“种子在中国，土壤在美国”的格局至少延续十年。 2. 中国在”量”上还会加速领先，但”质”的追赶也在同步进行。专利数量、管线数量、临床试验数量——中国超越美国已成定局。而随着智谱5.2、Kimi K3等国产基础模型的成熟，以及昇腾950等国产芯片在预训练上的等效表现，中国在AI基础设施上的短板正在快速补齐。“算力封锁”已经从一个结构性问题变成了一个正在消解的短期摩擦。 3. 最大的变量不再是硬件封锁，而是人才流向和监管路径。全球顶尖的AI+生物学交叉人才集中在哪，创新就会发生在哪。而FDA和CDE谁能率先建立AI药物的清晰审评路径，谁就更有可能吸引全球药企把管线优先放在自己的体系里验证。 4. 十年后回头看，AI制药可能是中美竞争中唯一无法”脱钩”的领域。因为芯片可以自己造，能源可以自己发，但药物的研发——从靶点到临床试验——天然需要全球化协作。一台新药的诞生可能始于硅谷的代码，跑在上海的服务器上，验证在郑州的患者中，最终销往纽约的药房。这种链条之深，不是一纸行政命令能切断的。 🔬 一个值得追问的”暗线” 在所有公开讨论中，很少有人提到的一点是：AI正在拉平中美制药业的”试错成本”。传统模式下，美国药企凭借更强的资本厚度可以承受更高的失败率——“我有钱，我可以多试”。但AI将试错从物理世界（湿实验）搬到了数字世界（硅基模拟），试错的边际成本急剧下降。当”有钱多试”不再构成竞争优势时，谁的数据多、谁批得快、谁的患者队列容易招募——这些中国本来就有比较优势的维度，会变得比过去重要得多。这才是AI制药对中美格局最底层的冲击：它正在重新定义”创新”本身的门槛。八、未来：首款AI药物何时获批？ 🎯 先说结论：三个判断 1. 2028-2029年将迎来全球首款AI原创药物获批上市。Rentosertib是最大热门——如果III期成功，最快2028年可提交NDA。但一旦”首款”被验证，赛道会瞬间引爆，因为这意味着FDA/CDE建立起了AI药物的审评路径，后续跟进者将大幅提速。 AI制药的本质不是”发明了一种新方法”，而是把制药业从“手工炼金”升级为“精密工程”。就像iPhone不是第一部手机，但它重新定义了”手机是什么”——AI药物也不会是”一种新药”，而是重新定义”药是怎么做出来的”。 2025年全球AI制药市场规模约24.9亿美元；中信建投预计到2035年突破460亿美元，十年复合增长率超过33%。英矽智能已经收到的四笔BD合作说明一件事：跨国药企不是在”观望”，而是在”抢票”。 时间节点 预测事件 2026-2027 Rentosertib III期持续入组；十余款AI药物III期数据密集读出 2028 首款AI原创药物有望提交NDA；AI制药行业收入拐点出现 2029-2030 首款AI药物获批上市；“Prompt-to-Drug”（提示词到药物）愿景初具雏形 2035 全球AI制药市场规模突破460亿美元 ⚠️ 上述时间线基于Rentosertib III期成功的假设。如果III期失败，整个时间表将推迟至少3-5年。AI药物至今零获批，一切仍是”可能性”。 2026年7月，当那个写着”CTR20262475”的临床试验登记号出现在CDE平台上时，AI制药终于走完了从”科学家的一篇论文”到”真实患者的病床前”的全部热身。 接下来的两年，是真正的大考。 而我们每一个人——无论是不是制药业的从业者——都可能在未来的某一天，吃到一颗由AI设计出来的药。 那是”iPhone时刻”真正降临的瞬间。📖 参考文献 📖 参考文献图例 证据等级：🟢 高置信　🟡 中置信　🟠 低置信　🔴 风险/未证实 核实状态：✓ 来源已核对（DOI/原文）　? 非同行评议/存疑　~ 数量级估算（非精确值） 🟢 ✓ Ren F, et al. A small-molecule TNIK inhibitor targets fibrosis. Nature Biotechnology, 2024, 42:448–457. DOI: 10.1038/s41587-023-02043-z 🟢 ✓ Ren F, et al. A randomized, placebo-controlled phase 2a trial of rentosertib in idiopathic pulmonary fibrosis. Nature Medicine, 2025, 31:1703–1713. 🟡 ✓ 英矽智能港交所自愿公告（2026年7月8日）：Rentosertib启动III期临床试验。CTR20262475 / NCT07687459. 🟡 ✓ 英矽智能2026年中期盈利预喜公告（2026年7月9日）。港交所披露易。 🟡 ✓ Insilico Medicine. The Continuous Story from AI Hypothesis to Phase III. https://rentosertib.net/story 🟡 ? 21世纪经济报道. 英矽智能AI药物进入III期临床，行业商业化进程能否提速？2026年7月9日。 🟡 ? 中信建投研报：全球AI制药市场预测（2025-2035）。转引自21世纪经济报道。 🟡 ? BCG研究报告：AI药物临床试验成功率分析。转引自公开报道。 🟠 ~ 塔夫茨大学药物开发研究中心. Estimated Cost of Developing a New Drug. 2020. 成本数据为历史均值，AI时代可能已发生显著变化。 数据均标注来源，完整参考文献见正文附录。