<p>你能想像嗎？一顆新藥從啟動研發到獲准上市，平均需耗費10至15年的研發時程，斥資17.6億美元，但最後能成功通過臨床試驗的機率不到10％。若是面對迅速擴張的流行疾病，往往難以應對。</p>
<p>&nbsp;</p>
<p>所幸，隨著AI技術發展，新藥開發的前期進程與資金可望縮減至原本的一半，特別是在COVID-19大流行期間，AI更是在藥物開發與治療上有著極大貢獻。例如由台灣人工智慧實驗室（Taiwan AI Labs）開發的資料庫「DockCoV2」，當時公布了全球首份老藥新用名單，讓台灣的醫療科技實力一躍登上國際版面。</p>
<p>&nbsp;</p>
<p>究竟 AI 的出現，還能為藥物開發帶來哪些助益呢？</p>
<p>&nbsp;</p>
<h2><strong><span style="font-size: 20px;">AI助陣藥物開發兩大優勢：省錢、省時間</span></strong></h2>
<p>一般而言，新藥（包含疫苗）從研究開發到上市的流程包含：研發探索階段、非臨床試驗階段（前兩階段又稱為臨床前試驗階段）、臨床試驗階段、查驗登記申請、新藥安全監視階段。</p>
<p>&nbsp;</p>
<p>臺灣人工智慧實驗室創辦人杜奕瑾指出，「藥物開發過程中其實就是病毒蛋白質與藥物分子之間的對話。」由於蛋白質結構非常複雜，一個微小分子有差異，都會造成不同結果，過去在研究探索階段需要進行各種測試，識別出導致疾病的生物標靶，再篩選出可與標靶分子進行交互作用的藥物分子；非臨床試驗階段則是先透過動物實驗初步確認藥物的有效性和安全性。</p>
<p>&nbsp;</p>
<p>光是前兩個階段（又稱臨床前試驗階段）平均就要耗費 6 年時間，投入 8.2 億美元資金，加上後期臨床試驗的複雜性、法規負擔的加重、高失敗率領域的開發集中，以及保險公司等付費者對效果證據的更高要求，都讓新藥開發成本與風險逐年攀升。以羅氏藥廠為例，其每年在研究上的支出達 84 億美元，相當於美國國家衛生研究院（NIH）全年預算的四分之一。</p>
<p>&nbsp;</p>
<p>好消息是，近 10 年 AI 技術蓬勃發展，使藥物開發流程更為精準，能大幅縮短探索時間與成本，已成為大型製藥公司和科技新創企業的熱門議題。杜奕瑾指出，過去要了解蛋白質序列與基因序列代表的意義，以及他們是否對於病毒與藥物的結合會有關鍵影響，只能各自測試，約 90% 的候選藥物在臨床試驗中失敗。若使用 AI 模擬測試，可降低嘗試錯誤的成本。</p>
<div class="py-6">
<div class="jsx-3968805167 flex justify-center -mx-2">
<div class="jsx-3968805167 px-2">
<div class="jsx-3968805167 relative overflow-hidden"><img decoding="async" class="jsx-3968805167" src="https://www.charmingscitech.nat.gov.tw/backend/wp-content/uploads/2024/09/2-1_670x460.jpg" /></p>
<div class="jsx-3968805167 absolute w-full left-0 bottom-0 p-4 text-white text-[13px]" style="background: rgba(0, 0, 0, 0.66); display: block; line-height: normal;">將AI導入藥物開發，可省掉前期90％的錯誤嘗試。</div>
</div>
</div>
</div>
</div>
<h2><span style="font-size: 20px;"><strong>AI能為新藥開發提供哪些協助？</strong></span></h2>
<p>目前常見應用之一是用AI重新設計現有藥物的用途，另一個則是利用 AI 與自動化技術開發或設計新的候選藥物。</p>
<p>&nbsp;</p>
<p>杜奕瑾舉例，臺灣人工智慧實驗室在臺灣大學生命科學系特聘教授阮雪芬指導下，開發單細胞資料分析平台「scDrug+」，提供腫瘤單細胞轉錄體和藥物反應的預測，除了可自動識別腫瘤細胞亞群以進行細胞類型與功能注釋，還能預測老藥與新藥對具有惡性特徵的腫瘤亞細胞群的作用反應，為個人化的癌症治療方案提供寶貴建議。</p>
<p>&nbsp;</p>
<p>輝達新創公司育成計畫成員之一的 Atomwise 所開發之「AtomNet」，則是第一個針對分子結構的藥物設計，能根據蛋白質結構篩選出具有藥物潛力的化合物，每天能篩選超過 1 千萬種化合物，速度比人工篩選快 1 萬倍。</p>
<p>&nbsp;</p>
<p>至於使用 AI 的蛋白質折疊演算法來分析蛋白質結構，是未來十年最具發展潛力的領域之一，尤其對於目前尚無治療方法的疾病。例如 Google DeepMind 的「AlphaFold 3 模型」，可從資料庫中學習數百萬種蛋白質的 3D 結構，並成功預測出新的蛋白質摺疊結構，除了模擬藥物和疾病間的關係外，還會合併現有藥物的特性，產生出新的分子結構，解密更多未知蛋白的功能，準確度比現有方法提升 50％，大幅降低新藥研發時間，研究已登上《自然》（Nature）科學期刊。</p>
<p>&nbsp;</p>
<p>輝達另一間合作夥伴英矽智能（Insilico Medicine）則是首間將生成式 AI 用於目標發現和藥物設計的公司，可識別藥物化合物的靶向分子、產生新的候選藥物、評估候選藥物與目標結合程度，甚至預測臨床試驗結果。</p>
<p>&nbsp;</p>
<p>此外，AI 在新藥開發中還能提供多方面的幫助，如從千萬筆文獻中找尋符合的候選化合物，再整合和分析資訊、理解疾病機制、驗證和優化候選藥物、招募臨床試驗參與者、設計並優化臨床前及臨床試驗、建立生物標記、重新設計現有藥物用途（即老藥新用）、分析真實世界證據並發布資料，以及生成相關數據和模型。</p>
<p>&nbsp;</p>
<p>波士頓顧問公司（Boston Consulting Group, BCG）一項研究，調查了 2010 至 2021 年間 20 家以 AI 為核心的新藥開發公司的研究管道。結果顯示，AI 技術確實能夠讓藥物從研發探索階段到非臨床試驗階段節省至少 20% 至 50% 的時間與成本。總部設於紐約與香港的製藥公司 Insilico Medicine，就曾在 2022 年 2 月宣布該公司一款針對特發性肺纖維化的候選藥物，從研發探索到非臨床試驗階段僅僅花了 30 個月，時間之短，AI 的協助功不可沒。</p>
<p>&nbsp;</p>
<p>在臨床試驗階段，AI 同樣能提供幫助，因為病患招募和資料管理是臨床試驗中大筆的成本。舉例來說，全球最大的跨國藥廠集團之一的諾華製藥，就曾利用 AI 整合內部不同來源的臨床試驗數據，從評估試驗場域的表現、協助病患媒合試驗機會、分析疾病進程中產生的數位生物標記等，以預測和控制病患招募時間和成本。輝瑞（Pfizer）的 Smart Data Query（SDQ）工具同樣用於臨床試驗數據分析。</p>
<div class="py-6">
<div class="jsx-3968805167 flex justify-center -mx-2">
<div class="jsx-3968805167 px-2">
<div class="jsx-3968805167 relative overflow-hidden"><img decoding="async" class="jsx-3968805167" src="https://www.charmingscitech.nat.gov.tw/backend/wp-content/uploads/2024/09/2-2_670x460.jpg" /></p>
<div class="jsx-3968805167 absolute w-full left-0 bottom-0 p-4 text-white text-[13px]" style="background: rgba(0, 0, 0, 0.66); display: block; line-height: normal;">根據調查，AI能讓藥物從研發探索階段到非臨床試驗階段節省至少20%至50%的時間與成本。</div>
</div>
</div>
</div>
</div>
<h2><span style="font-size: 20px;"><strong>兩週內分析逾 3 千筆資料，全球首份 AI 老藥新用名單出自臺灣</strong></span></h2>
<p>而面對突然爆發的全球流行病，AI 更是藥物能快速開發的關鍵技術。</p>
<p>&nbsp;</p>
<p>杜奕瑾分享，2020 年 COVID-19 爆發初期，臺灣人工智慧實驗室與臺灣大學、陽明大學、中央研究院等單位合作，以「老藥新用」策略，建立「DockCoV2」資料庫，公開給全球醫學研究團隊參考。相較於全新藥物缺乏臨床資訊，老藥已累積許多臨床資料，不管是改變劑量或劑型都能更容易推估其安全性，不僅開發時間較短，上市成本與失敗風險也較低。</p>
<p>&nbsp;</p>
<p>當時，台灣人工智慧實驗室利用其與微軟合作開發的「TaiGenomics基因分析平台」，在短短兩週內建立「化合物與標靶蛋白結合性預測」服務，並嘗試挑選 3000 多筆 美國食品藥物管理局（FDA） 與台灣食品藥物管理署（ TFDA ） 核准之藥物，搭配 5 種新冠病毒蛋白（棘突蛋白、3CL 蛋白、RdRp 蛋白、PL 蛋白和 N 蛋白），以及 2 種與病毒棘蛋白有交互作用的人類蛋白（TMPRSS2 蛋白、ACE2 蛋白），進行結合性預測。</p>
<p>&nbsp;</p>
<p>「DockCoV2」資料庫能顯示每種藥物與不同標靶蛋白的結合分數，將模擬結果以「可視化方式」呈現在蛋白質結構上，再連結該藥物結構及實驗數據資料庫，公開給全球的醫學研究團隊作為實驗設計參考資訊，為全球疫情防控提供了重要資源。藉由這些整合資訊，可在酵素活性研究與臨床實驗前有效加速候選藥物選擇所需時間。</p>
<p>&nbsp;</p>
<p>當時，臺灣人工智慧實驗室就是全球第一個結合 AI 分析出瑞德西韋可以抑制新冠病毒的機構，也是全球第一個提出藥物建議清單。截至 2020 年 10 月，DockCoV2 資料庫已累積超過 2 萬筆模擬結果，並發表在知名期刊《核酸研究》（Nucleic Acids Research），成為目前國際間已知最大數量的潛力藥物大數據分析資料庫。</p>
<p>&nbsp;</p>
<div class="py-6">
<div class="jsx-3968805167 flex justify-center -mx-2">
<div class="jsx-3968805167 px-2">
<div class="jsx-3968805167 relative overflow-hidden"><img decoding="async" class="jsx-3968805167" src="https://www.charmingscitech.nat.gov.tw/backend/wp-content/uploads/2024/09/2-3_670x1389.jpg" /></p>
<div class="jsx-3968805167 absolute w-full left-0 bottom-0 p-4 text-white text-[13px]" style="background: rgba(0, 0, 0, 0.66); display: block; line-height: normal;">「DockCoV2」可預測新冠病毒蛋白與人類蛋白結合性（圖中紅色部分即為兩種蛋白的結合處）</div>
</div>
</div>
</div>
</div>
<h2><span style="font-size: 20px;"><strong>市場規模年增長率達40%，AI 藥物開發仍面對四大挑戰</strong></span></h2>
<p>根據四大國際會計師事務所之一的勤業眾信（Deloitte）發布的報告顯示，未來 5 年內，如果全球前十大生技製藥公司擴大 AI 的應用範圍，將可創造 50 至 70 億美元的潛在價值。特別是在研發領域，AI 的應用將帶來最顯著的影響，能為各部門提升 30％ 至 40％ 的價值。</p>
<p>&nbsp;</p>
<p>這一現象的原因在於，將 AI 應用於新藥識別和開發可以加速臨床前試驗的進展並降低成本，尤其是老藥新用策略，能夠帶來可觀的營收。未來，藥物預測準確度每提升 10％，都有助於製藥行業節省數十億美元並縮短數年的研發時間；藥物研發和臨床前階段的速度有望提升至 15 倍，從而實現更具競爭力的研發策略。</p>
<p>&nbsp;</p>
<p>全球知名市調公司 MarketsandMarkets 更指出，2023 年 AI 藥物開發市場規模達到 9 億美元，預計到 2028 年將增長至 49 億美元，平均年複合成長率高達 40%。</p>
<p>&nbsp;</p>
<p>不過，將 AI 引入藥物開發過程，雖然大幅縮短了化合物通過臨床前測試所需的時間和成本，但也並非萬無一失。勤業眾信報告顯示，AI 在藥物開發領域的應用主要集中於化合物篩選，占比高達 43%，而運用於新藥設計的比例僅有 9%。</p>
<p>&nbsp;</p>
<p>目前 AI 在新藥設計中的應用仍面臨四大挑戰，包括：在實際生產中，藥物化學結構的「可合成性」；在動物實驗中的「有效性」；AI 運算方法策略能否被合理解釋的「可解釋性」；以及需要避開現有專利的「新穎性」。</p>
<p>&nbsp;</p>
<p>至於近年來備受關注的生成式 AI 是否能用於藥物開發？事實上，利用 AI 生成設計藥物結構並不困難，但現階段生成的結果在可合成性和有效性方面仍然不足，未來仍有很大的提升空間。為了讓 AI 系統學習和改進，仍然需要人類去製造並測試 AI 建議的分子，然後將結果反饋回 AI 系統中進行優化。</p>
<p>&nbsp;</p>
<p>總的來說，AI 技術的迅速發展為藥物開發帶來了前所未有的機遇。未來，隨著這項技術的不斷成熟，相信我們將看到更多令人振奮的突破與可能性。讓我們拭目以待，共同見證 AI 在協助藥物研發領域的精彩未來！</p>
<p>（客座總編輯｜國立臺灣大學副校長 張上淳教授；研究顧問團隊｜人工智慧實驗室創辦人 杜奕瑾；責任編輯｜曹盛威、趙筱文）</p>
