開發一種有效新藥的背後，龐大的金錢與時間投入遠超過我們想像
美國食品藥物管理局的在 2013 年的一份數據指出，開發一種新藥的平均成本近 26 億美元，時間更長達 14 年之久，才能將藥物從實驗室推向市場，而令人遺憾的是，最後真正能在市場生存的藥物通常不到 5%。以阿茲海默症為例，國際製藥巨頭在開發治療藥物時陸續出現挫折，如 2016 年美國製藥大廠禮來（Lilly）在投資 10 億美元後，無奈地宣布其開發藥物 Solanezumab 臨床試驗失敗；輝瑞（Pizer）與 Axovant Sciences 皆宣布暫停該病症的藥物研究，另外一家默克藥廠（Merk）也在無法確定新藥Verubecestat正面的效益與風險後，宣布終止其三期臨床試驗。
雖然科學家在面對高昂藥物研發成本和測試時間的情況下，仍試圖使用新藥來治療包括癌症、阿茲海默症、帕金森氏症在內的數百種重大疾病，但在此同時還是不斷尋找其他方法，希望能降低開發成本。如今人工智慧技術能以更快、更有效率的方式，加快科技的進步。許多藥廠和大學研究團隊開始使用 AI 運算技術，來預測治療效果最好的藥物分子，以推動研發新藥的腳步並協助處理某些棘手的醫學問題。
人類無法處理的巨量資料，須由 AI 協助才能加快科學研究的速度
根據 TrendForce 最新研究指出，藥物開發的最大瓶頸通常在於研究的早期階段，尤其是從確定潛在疾病目標（通常是身體內的蛋白質）到測試候選藥物是否能夠達到目標所需的時間。許多歐美大廠商已嗅到這趨勢，標榜以 AI 輔助新藥開發的新創公司如雨後春筍般創立，例如 Atomwise、Insilico Medicine 等，吸引全球如輝瑞、默克、葛蘭素等大藥廠與這些新創公司合作，希望以 AI 強化產品開發的核心競爭力。
一家總部位於倫敦的人工智慧公司 BenevolentAI ，也是目前歐洲最大的私人 AI 公司，使用深度學習軟體在 NVIDIA DGX-1 人工智慧超級電腦的輔助下，解讀和分析大量資料。 2016 年，該公司在一週內確定了 5 個萎縮性脊椎側索硬化症（Amyotrophic Lateral Sclerosis, ALS）的候選藥物。若沒有人工智能，這個過程可能花費需要數年時間。他們利用深度學習和自然語言處理技術來瞭解和分析巨量生物科學資訊，包括基因、藥品、專利資料等等，再加上每天逾萬件生醫領域期刊和資料庫內容，以改造藥品研發的過程。在不斷試驗的過程中，發現透過 AI 篩選藥物的功效較其他現有方法更加迅速有效。
尋找候選藥物對 AI 公司來說，只要確定了有希望的疾病目標，就大大減少了設計候選藥物所需的試驗和錯誤數量。他們以 AI 為導向的藥物開發，包括了 20 多個針對罕見癌症、神經退化性疾病和中樞神經系統疾病的藥物計劃，預估可以將相關成本降低 60％，並將藥物設計時間從三年縮短到一年，公司董事長 Ken Mulvany 表示，該公司的人工智慧接受過訓練，不僅了解生物醫學語言，更可以協助尋找藥物、疾病和蛋白質之間的關係。他們的下一步，就是在取得專利後，接觸藥廠以進行研發。
總部位於多倫多的生物技術公司 BenchSci 調查了 16 家製藥公司和 60 多家使用 AI 進行藥物開發的新創公司。其中包括位於巴爾的摩的 Insilico Medicine運用生成對抗網路（ Generative Adversarial Network, GAN ）這項相當新的深度學習技術，「想像」擁有某些特性的新款癌症般分子，生成兩個相互對抗的神經網路模型，利用具有判別力的模型從生成模型和實際資料取得輸入內容，嘗試在兩者間進行判別；或是依設計開發分子的哈佛大學的化學與化學生物學教授 Alán Aspuru-Guzik ，使用 CUDA 平行運算平台及 cuDNN 搭配 Theano 深度學習架構，還有25萬個藥物分子來訓練他的深度學習軟體。Aspuru-Guzik 教授說，深度學習軟體還會合併現有藥物的特性，產生出新的分子結構，或許有助於加快發現藥物的腳步。
而科技巨擘 – 微軟和 IBM 在這場 AI 大戰中也未缺席。微軟華盛頓實驗室（ Microsoft Research Labs in Redmond, Washington ）利用 AI 投入藥物設計和藥理學研究，並稱該技術為「巨大的機遇」；而在生醫應用領域知名的 IBM Watson 亦於 2016 年與輝瑞公司簽署了一項協議，希望利用 Watson 加速在免疫腫瘤學領域的藥物發現。
AI 僅能補充科學家的技巧，研究結果最終還是得由人類來驗證
過去傳統製藥方法以生物製造和化學合成為主，必須合成及測試非常龐大數量的化合物，就算是經過層層關卡萃取出新藥品，還必須經過確效及人體試驗等流程，因此能夠成功開發新藥的可能性非常低。隨著生物技術的發展，這樣的窘境有了突破，透過電腦輔助藥物篩選而開創了與過去化學導向不同的新方式，例如高速篩選系統（High and Ultra-high Throught Screening, UHTS）、基因分析表現和蛋白質組學等，進步的技術可撙節開支而更加有優勢。現在，在 大數據的輔助下，即使是使用以前同樣的檢測方法，在初步就可以利用人工智慧篩選與淘汰一些候選藥物，並保留一些有價值的數據，更進一步整合藥物開發的各種相關知識，並導入機器學習、資料探勘等技術，對藥物交互作用進行分析研究，以建立更全面、更合邏輯的方式，大量減少不必要的錯誤嘗試，進一步降低製藥成本。在 AI 輔助之下，各類蛋白質藥或標靶藥物的開發得以突破傳統藥物設計的限制，新藥快速發展的時代即將起飛，如同 Insilico Medicine 執行長 Alex Zhavoronkov就表示：「 AI 應用於製藥業是一種新的革命。」
雖然有些不同的聲音擔心人工智慧將取代科學家，但更多的是對人工智慧對新藥開發的期待，如同 BenevolentBio 的 Hunter 說：「站在人工智慧與製藥業的交叉路口，真是令人興奮。我希望能更快找出更多藥物來治療患者。」
延伸閱讀：免疫守門員 T 細胞受體和人工智慧 攜手抗癌文 / Miggy Chang
參考資料：
1.https://press.trendforce.com.tw/node/view/3647.html
2.https://www.nbcnews.com/health/health-news/next-moon-shot-u-s-scientists-target-human-brain-exploration-n215061
3. http://benevolent.ai/
4. http://www.oncotarget.com/index.php?journal=oncotarget&page=article&op=view&path%5B0%5D=14073&path%5B1%5D=44886
©www.geneonline.news. All rights reserved. 基因線上版權所有 未經授權不得轉載。合作請聯繫：service@geneonlineasia.com
