AI驱动下药学专业技能实验课程改革的探索

Reform of AI-driven innovation in pharmaceutical professional skills experiment course

摘要

随着国家政策对医药创新和数智化转型的推动，药学教育面临多学科交叉实验资源有限、新技术融入滞后等挑战。本文探讨了人工智能（artificial intelligence，AI）技术驱动下药学专业技能实验课程的创新改革路径，提出四大转型升级趋势：虚拟仿真实验智能化，通过AI增强实验真实性并解决伦理与成本问题；课堂课后一体化，打破时空限制实现自主训练；教学反馈精准化，基于数据分析实现个性化指导；AI技术发展常态化，通过教学数据反哺AI模型优化。本文以抗肿瘤药物设计为例，展示了AI在药物化学、分析、药理及药剂实验中的具体应用，如靶点预测、图像识别、分子对接和释放曲线建模。最后强调AI需与教师主导作用相结合，通过系统性规划推动药学教育生态重构，培养兼具专业能力与AI素养的复合型人才。

Abstract

With the promotion of national policies for medical innovation and digital and intelligent transformation, pharmaceutical education is confronted with challenges such as limited interdisciplinary experimental resources and lagging integration of new technologies. This article explores the innovative reform path of the pharmaceutical professional skills experiment course major driven by artificial intelligence (AI) technology, and proposes four major trends in transformation and upgrading: ① Intelligence of virtual simulation experiments, enhancing the authenticity of experiments through AI and addressing ethical and cost-related issues; ② In-class and after-class integrated learning breaks the limitations of time and space to achieve autonomous training; ③ Precise teaching feedback delivers personalized guidance based on data analysis. Normalized development of AI technology facilitates AI model optimization fed by teaching data; ④ Taking anti-tumor drug design as an example, it illustrates the specific applications of AI in pharmaceutical chemistry, analytical pharmacy, pharmacology and pharmaceutics experiments, such as target prediction, image recognition, molecular docking and release curve modeling. It is ultimately emphasized that AI should be combined with teachers' leading role. Systematic planning can promote the restructuring of pharmaceutical education ecosystem and cultivate interdisciplinary talents equipped with professional competence and AI literacy.

药学是医疗卫生事业的重要组成部分，对保障人民生命健康和国家社会稳定发展具有不可替代的巨大作用。党的二十届三中全会明确提出完善药品安全责任体系，并支持创新药和医疗器械发展机制^［1］。同时随着人工智能（artificial intelligence，AI）技术的迅猛发展，2025年4月，工业和信息化部等七部委联合印发《医药工业数智化转型实施方案（2025—2030年）》^［2］，推动医药工业数智化全面转型，强调AI技术助力新药研发，包括靶点发现、分子筛选、化合物优化，以缩短研发周期。在这一背景下，药学教育也面临新的挑战，需积极响应“健康中国”战略，助力“三医”（医疗、医保、医药）协同发展与治理。

专业技能实验是首都医科大学药学院2005年创办的药学专业实验课，旨在通过实践培养学生药学基本技能、创新思维和解决问题的能力。此课程突破了传统以单个项目、验证性实验项目为主的教学模式，强调应用型人才培训，注重教产结合和应用能力训练的提升，内容涵盖药物化学、药物分析和药物制剂等多个方面，贯穿从药物设计到临床前研究的完整流程。然而，该课程也面临多学科交叉要求高、实验资源有限、成本高、新技术引入滞后及部分生物实验周期长等现实困难^［3］。因此，亟需引入新的教学手段和精巧的教学设计，以保障药学应用人才培养质量，而AI技术的发展与应用正为应对这些挑战提供了重要支持^［4-5］。

1 AI辅助药学专业技能实验的教学应用

AI辅助药学专业技能实验的教学应用如图1所示。

1.1 课前激发自主探索，提升预习备课效率

AI的快速发展为学生课前预习提供了极大便利，可快速梳理课程内容、强化重点，并高效解答实验疑难问题，帮助学生迅速理解实验原理，减少信息检索时间，有效支持“以学生为中心、任务驱动”的教学模式，激发学生主动发现和解决问题，提升实验综合素养与工作效率，助力药学专业学生职业发展与创新研究^［6-7］。

对教师而言，AI是高效的备课工具。药学专业技能实验课程融合药物化学、药物分析、药理学实验、药剂学实验等多学科内容，教学门槛高、备课难度大。AI可大幅缩短备课时间，整合跨学科资源，梳理教学逻辑，追踪药学前沿，构建知识图谱^［8］。此外，生成式AI能制作图片、音频等素材，提升课件的质量与美观度，丰富教学内容。

1.2 课中提升互动体验，实时解决实验问题

实验教学过程中环节众多且时间冗长，学生第一次接触难免出现失误。以往实验出现问题，学生的依赖心理导致其习惯性求助教师帮助，达不到真正锻炼学生解决问题的目的。通过AI技术，教师可以引导学生自主寻找解决问题的方法，如通过推荐学生查询药物合成数据库、制剂操作规范或仪器使用指南等资源，同时激励小组成员协同寻找问题原因。真正做到“从学生发现问题，教师引导思考，再到回归学生解决问题”的闭环，形成“双向互动，主动学习”的新型实验教学模式，服务于实验教学互动体验的提升，探索AI背景下智能实验课的授课新方法。

教师可以充分利用AI生成的思维导图，帮助学生了解实验步骤和安排，用图片代替文字，加深学生的印象。同时对于复杂的实验和易错的操作，如高效液相色谱进样操作、无菌制剂制备、药品含量滴定等，可以通过AI动图外加教师现场演示，多重保障帮助学生掌握实验操作技能。此外，教师还可通过设计与AI对话的教学环节，引导学生深入思考诸如“为什么pH值会影响药物稳定性？”“紫外分光光度法测定药物含量的原理是什么？”等问题，通过对AI所生成答案的批判性分析和教师解读，帮助学生多角度理解实验原理与问题本质，系统培养他们解决药学实际问题的能力。

1.3 课后拓展知识深度，优化作业考试体验

AI的出现极大拓展了知识获取的边界。在药学实验教学中，学生可借助AI工具快速提取信息，构建系统化的知识框架，减少对课堂和互联网筛选的依赖。学有余力的学生能够通过AI开展药物合成设计、药剂稳定性分析与药动学模拟等拓展学习；多数学生可借助AI梳理实验流程、解析关键操作（如高效液相色谱、无菌制剂配制等），辅助完成报告与复习；操作能力较弱的学生则可通过AI模拟实验场景，获得可视化指导和实时答疑，弥补课堂学习不足。AI由此成为推动学生自主学习和个性化发展的重要工具。

对教师而言，AI显著提升了教学效率。它可自动批改实验报告中结构化内容（如实验步骤、结果与分析），生成针对片剂制备、含量测定等实验的过程性评价指标，实现对操作规范性与数据处理能力的精准评估。AI还能协助构建高质量题库，减少重复劳动，并通过分析答题数据识别共性薄弱环节（如药典标准理解、误差分析），帮助教师评估教学目标的达成情况、学生高阶思维与课程要求的匹配度，从而动态调整教学策略，推动持续优化与反思^［9］。

2 AI背景下药学专业技能实验的转型升级趋势

为应对AI时代的到来，药学专业技能实验亟需在虚拟仿真、课堂课后、教学反馈以及AI发展方面实现智能化、一体化、精准化、常态化的转型升级（图2）。

2.1 虚拟仿真实验智能化

虚拟仿真实验是信息技术推动下的实验教学改革重点，它拓展了实验资源的边界，为学生提供丰富且安全的实验素材，尤其有利于高风险实验操作的培训，并减少有害试剂的使用。对于结果滞后明显的实验，虚拟仿真可以快速生成数据，模拟真实实验流程，已取得了一系列教学成果^［10-12］。

尽管虚拟仿真实验的开展已经助力各大高校实验平台的建设^［13-15］，但如果能够结合AI的发展，将进一步提升其真实性、交互性、自适应性和分析力。AI可赋能于智能交互与行为理解、个性化自适应训练、动态场景生成与实时决策支持等核心方向，并针对性解决药学实验教学痛点：如通过虚拟动物替代缓解伦理争议，利用AI分子设计与靶点预测降低新药筛选成本，借助虚拟无菌车间与智能监控强化药品生产质量管理规范（good manufacturing practice，GMP）实操训练。AI驱动的药学虚拟实验不仅是工具升级，更重构了“认知-实践-创新”教育生态：在基础层面，通过智能预警提升安全性，释放操作容错空间；在能力层面，借助动态病例和分子设计，融合临床与研发视角；在战略层面，通过构建虚拟研发管线，系统培养AI时代所需的新药研发素养。

2.2 课堂课后一体化

实验课面临的最大问题是课堂时间有限，为保障教学质量，会严重压缩学生自主探索过程，取而代之的是教师的实时引导和经验传授，同时实验课的一次性导致学生课堂下无法反复练习。综合上述客观原因，导致学生的实验积极性和自我探索精神有所降低，主动发现并解决问题的能力得不到有效提升，重点实验操作没有充分得到锻炼。然而无论是继续深造还是就业找工作，对于药学专业学生来说，实验操作永远是必备技能。因此理想的实验课教育教学不单单是依靠课堂上的训练，更应该是课堂前后充分训练的集合。

传统的实验课程无法保证课堂上给足学生时间试错和反复练习，然而AI的快速发展可以帮助学生自主探索，甚至脱离实验教材和授课思路，重现设计实验路线和验证方法。对于实验课过程中的具体操作问题，可以借助AI平台复盘推演，有助于理解问题本质。同时不受时间空间的限制，学生可以安全进行独立实验操作，并且AI平台上的实验资源更加充分，能够帮助学生更多元地认识科学问题和实验原理，为后续个人发展和职业规划提供条件^［16-17］。

2.3 教学反馈精准化

实验课通常采用小班制教学，但依旧存在无法实时一对一进行教学指导的情况，导致学生出现错误不能被及时发现纠正，使得实验失败，浪费人力、物力，或者延误时间，甚至有出现危险的可能。学生很可能因为无法及时沟通，对于实验技术原理的理解出现偏差，教师仅凭实验报告可能很难发现学生在操作中的漏洞。

借助AI技术可以通过实时捕捉学生操作，快速获取学生操作第一视角，有助于发现问题。AI的报警系统可以针对危险操作实时给出警告，避免不必要的损失。通过AI的记录自动生成相应教学评价报告，辅助教师寻找出现问题的根源，快速锁定提高实验教学质量的方法，也有利于挖掘实验有天赋的学生进行重点教学，并发现实验技能欠佳的学生进行精准指导。同时AI可以进行辅助教学打分，通过AI辅助评价与教师复核双重途径确保学生实验操作成绩不受主观影响，在一定程度上有效减轻教师的工作负担，提升效率。

2.4 AI技术发展常态化

随着AI技术在药学实验教学中的深入应用，将积累大量实验操作数据，包括传感器数据、行为日志与实验结果等，为模型持续优化提供基础。通过动作捕捉与眼动设备及摄像头，可记录学生操作手势、实验流程与动作规范性，依托深度学习实现精准图像识别与结果预测。构建语言识别交互系统，支持自然语言提问，AI可实时响应、调用知识图谱进行解答，并在反复交互中提升语言智能。教学过程中产生的数据还可用于训练自主智能体，优化其决策能力，并通过神经网络整合化合物属性、靶点互作、药典法规等信息，支撑AI推理与知识图谱构建，甚至虚拟生成新化合物，辅助学生进行结构修饰与活性预测练习。

师生在使用AI的同时，也持续反馈数据，推动AI系统不断完善。这不仅提升了教学质量，也为AI在药物研发领域的应用奠定基础，有助于缩短研发周期、降低成本、实现绿色制药。此外，AI的应用将激发学生对“AI+药学”跨学科探索的兴趣，为培养兼具药学背景与AI技术的复合型人才开辟新路径，助力产学研协同发展。

3 教学案例

本文以黄酮母核的抗肿瘤药物为例进行药学综合实验的教学设计，共计60学时（表1）。

3.1 药物化学实验

抗肿瘤药物目前是各大药企和科研院所研发的重点，其中黄酮类化合物是天然产物中重要的抗肿瘤活性成分，其作用靶点多样且涉及多条信号通路，包括PI3K/AKT/mTOR通路、MAPK通路、受体酪氨酸激酶（receptor tyrosine kinases，RTKs）、组蛋白去乙酰化酶（histone deacetylases，HDACs）、DNA甲基转移酶（DNA methyltrans-ferases，DNMTs）、核因子E2相关因子2（nuclear factor erythroid 2-related factor 2，Nrf2）、免疫检查点调控等。通过AI技术，可以帮助学生对该类型的化合物有初步的认识，激发其学习兴趣。

3.2 药物分析实验

在合成过程中，可以通过薄层色谱（thin layer chromatography，TLC）对化合物合成的进度和纯度进行初步结果分析。传统的实验过程通常采用学生手动测量TLC斑点位置并计算Rf值，目前有很多开源图像识别工具，如OpenCV，拍摄不同浓度的TLC显色图谱，可以训练模型自动识别斑点位置，对比人工与AI的效率和准确性。在科研工作中可以通过AI图像识别工具，减轻工作量，提高工作效率。

3.3 药理学实验

AutoDock Vina是用于分子对接和虚拟筛选的开源程序，是目前使用广泛的分子对接软件之一。传统的计算机模拟筛选，利用PubChem、PDBbind（靶点-配体结合数据）等数据库，基于分子对接筛选小分子库，对靶点进行筛选。新型AI工具可以通过预训练生成对抗网络（如MolGAN），或图神经网络（graph neural network，GNN）预测分子活性，或基于电子密度数据库，生成创新结构，有助于帮助学生拓展知识储备，积累创新药物研发的经验。

3.4 药剂学实验

传统的药剂学实验需要通过溶出仪实验，绘制药物的溶出/释放曲线，判断制剂的释放行为，以保障制剂的质量。但是释放实验通常需要进行24 h甚至更久，而本科实验教学8~9个学时的限制导致该实验开展有困难。因此，可以通过AI智能预测释放曲线，以确保学生能够有足够的数据进行分析；同时通过对比预测数据与实测结果的差异，矫正AI模型，帮助提高AI预测药物释放行为的准确度。

4 结 语

AI技术的蓬勃发展正深刻变革传统实验教学。在药学专业综合技能实验中，AI不仅帮助学生高效掌握实验原理与技能，提升设计能力与实践素养，也辅助教师优化教学、提升成效，为药学人才培养提供新平台。目前，AI在药学实验教学中的应用仍处于起步阶段，且无法替代教师的核心作用。因此，需要一线教师主动将其融入教学设计，各级教育部门也应有计划地推动实验教学向智能化方向发展，为药学教育事业的发展和药物全生命周期的进步提供更快、更优质的服务。

参考文献

[1] 新华社.中共中央关于进一步全面深化改革 推进中国式现代化的决定［N］. 人民日报， 2024-07-22（1）.

[2] 工业和信息化部，商务部，国家卫生健康委，等. 工业和信息化部等七部门关于印发《医药工业数智化转型实施方案（2025—2030年）》的通知［EB/OL］.（2025-04-03）［2025-08-06］.

[3] 龙毅，罗国勇，徐剑，等. 中医药在《药学专业综合实验》教学中的探索与实践［J］. 应用化学，2025，42（1）：107-116.

[4] 郑明月，蒋华良. 高价值数据挖掘与人工智能技术加速创新药物研发［J］. 药学进展，2021，45（7）：481-483.

[5] 丁玉斌，董志雄，舒艾. 人工智能时代教师的转型与专业发展［J］. 教师教育论坛，2019，32（1）：12-16.

[6] 付晓瑞，孙振昌 ．基于案例学习教学法在淋巴瘤临床教学中的应用［J］．肿瘤基础与临床，2023，36（6）：545-547.

[7] 王慧芳，张汉权，陈鲤，等 ．人工智能技术在高校妇产科学教学中的应用研究［J］．西部素质教育，2024，10（20）：150-154．

[8] 穆肃，谭梓淇，骆珏秀，等. 面向精准教研的立体知识图谱构建方法研究［J］. 电化教育研究，2023，44（5）：74-81.

[9] 杨佳欢，张晓金，陶俊妃，等. DeepSeek融合雨课堂在药理学实验教学应用中的探索［J］.基础医学教育，2025，27（7）：663-667.

[10] 王磊，王彬，李玉贤，等. 基于信息化背景下的中药学综合设计实验虚实融合应用研究［J］.中医药管理杂志，2022，30（10）：21-23.

[11] 李文，胡芳弟，崔方. 基于虚拟仿真技术的药学综合实验设计及开发［J］. 大学教育，2022（9）：89-91，110.

[12] 朱明，张琳琳，陈莉，等. “医工结合型”康复工程专业人才创新能力培养探索与实践［J］. 医学教育管理，2022，8（2）：133-138.

[13] 杨一帆，王玉记，张筱宜，等. 药学安全实验教学虚拟仿真项目的开发和探索［J］. 继续医学教育，2021，35（7）：37-39.

[14] 温梦. 药学虚拟仿真实验教学中心建设与探索［J］. 基础医学教育，2022，24（7）： 521-524.

[15] 张硕旭. 开放教育药学虚拟仿真实验教学体系研究［J］. 河北开放大学学报，2023，28（1）： 29-32.

[16] 王风萍，刘斯斯，杨辉，等. AI应用于药学综合实训教学的探索［J］. 河北北方学院学报（自然科学版），2024， 40（11）：29-31.

[17] 范丽婷，宋峰. AI在基础医学PBL教学中的应用探索［J］. 基础医学教育，2025， 27（3）：264-267.

RIGHTS & PERMISSIONS

本文使用遵循知识共享 署名-非商业性-禁止演绎4.0 协议（CC BY-NC-ND 4.0）， 详细信息请访问https：//creativecommons.org/licenses/by-nc-nd/4.0/.。