「未來並不在遠方，它就在我們打造智慧與科學的每一次迴圈之中。」—Ashwini Ghogare
2025 年北美生技大展（BIO International Convention）前夕，台灣生物科技論壇-「Taiwan Biotech Forum」的專題演講中，Millipore Sigma 人工智慧與自動化藥物研發部門主管 Ashwini Ghogare 博士，深入剖析其團隊如何透過「AI+自動化」打造下一代藥物開發平台。
她指出，目前全球製藥產業面臨研發周期過長、資料碎片化、成本與臨床失敗率居高不下等三大挑戰。MilliporeSigma 母公司德國默克透過將 AI 平台視為「腦」、自動化系統為「手」，搭配迴圈式資料回饋，推動整合研發（Integrated R&D）策略，試圖重塑從藥物設計、實驗到分析的全套流程。演講中，Ashwini Ghogare 特別提到台灣於 AI 與創新自動化領域的全球的重要定位，並表示德國默克將持續尋求跨國平台應用的合作契機。
導入 ADME 與合成限制參數，讓生成式 AI 推進到實驗室合成
於「設計」（Design）階段，德國默克建構兩大平台：「AIDDISON™ AI 藥物發現平台」為生成式人工智慧（GenAI）藥物設計系統，「SYNTHIA® 逆合成設計軟體（SYNTHIA® Retrosynthesis Software）」則負責逆合成路徑設計（Retrosynthesis）。這些平台核心聚焦於以下三大技術突破，分別是實驗可製造性驗證、真實世界資料導入與模型可解釋性。
在實驗可製造性驗證方面，傳統 GenAI 模型雖能產生新型分子，卻難以落地製備。AIDDISON™ AI 導入 ADME（吸收、分佈、代謝、排泄）與合成限制參數，並結合 SYNTHIA 確保化合物能於實驗室中合成。
針對真實世界資料引入，公開資料庫例如 ChEMBL，普遍傾向於收錄「成功」或「陽性」的實驗結果。研究人員通常會優先發表具有顯著發現的論文，而那些「失敗」的實驗、陰性結果或是未達到預期效果的數據，則極少被公開。
因此當模型僅從這類帶有正向偏誤的數據中學習時，它可能會對特定化合物或條件的有效性做出過度樂觀的預測，即使這些預測在現實中並不成立。這就如同模型僅學到「成功案例」，進而錯誤地推斷所有嘗試皆能成功。
這種「幻覺」會導致模型所推薦的候選方案在實際實驗中表現不佳，從而耗費寶貴的時間與資源。由於缺乏負面數據的引導，模型可能無法有效地學習導致失敗的關鍵因素。這進一步限制了其探索廣闊化學空間或實驗條件的能力，使其難以識別並規避無效的研究路徑。
因此德國默克利用其 350 年歷史積累的內部資料庫，歷時十年清洗後導入負面實驗資料，建立更具實證性的預測模型，有助於提升候選藥物的準確預測與可製性，也已將數個候選分子推進至研發管線。
化學自動化從瓶頸到創新
自動化技術在生物實驗領域（如生物分析）已臻成熟，然而，化學自動化卻仍面臨顯著挑戰。Ashwini Ghogare 指出，傳統自動化設備（如多管吸液器）僅適用於水溶液體系，難以處理具揮發性或腐蝕性的有機溶劑。此外，化學反應中常生成難以標準化後處理的「膠狀物」或複雜混合物，且多步驟合成（如五至七步）的反應與純化過程，也難以實現自動化串聯操作。
為克服這些限制，德國默克採用多項創新策略，包含「小型化」（Miniaturization）以及結合貝氏優化（Bayesian Optimization）的「自動合成與回饋機制」（Autonomous Synthesis with Bayesian Optimization），成功建立起閉環實驗平台。這項技術目前正於瑞士的生物科技設施進行產業化驗證，並已廣泛應用於放大藥物製造產量、新材料與電子材料設計等領域。同時，為減少對動物實驗的依賴，德國默克亦積極推動從細胞培養向類器官（Organoids）模型的轉化，以實踐更符合倫理的科學研究。
Athinia 整合分析平台：資料即價值、協作是關鍵
在資料分析階段，德國默克與 Palantir Technologies 合作打造「Athinia 分析平台」。此平台主打資料整合與模型共建（collaborative model building），可跨越傳統 R&D、臨床、醫院、病患與非營利組織等資料孤島，形成橫跨產學醫的數據生態系。
實際應用如：將學術機構推動的疾病宣導活動數據，結合醫院臨床資料分析，提供個別化醫療與市場策略回饋。Ashwini Ghogare 強調：「資料不再只是企業內部資產，而是推動整體產業進步的共享資源。」
貝氏最佳化，使系統不斷根據反饋學習進化
「從設計到實驗，從實驗回饋設計，真正的智慧不是一次的創意，而是持續優化的能力。」Ashwini Ghogare 如此定義「資料迴圈」（Data in the Loop）的核心精神。
此系統的關鍵在於建立一個能夠不斷回饋的機器學習模型。每次合成、測試與分析所產生的資料，皆被即時輸入模型中，使下一輪候選分子的設計更精準。這不僅提高藥物設計效率，更實現以資料驅動決策（Data-Driven Decisions）的研發邏輯。
例如，在臨床階段回收來的病人反應數據、製程條件資料，皆可反饋至前端的設計模型，促使研發週期從線性走向迴圈式演化，實現逐步、漸進式改善（Incremental Optimization）。
此外，德國默克採用貝氏最佳化機制，對反應條件進行預測與優化。藉由統計模型，系統可預判下一組應進行的化學反應與測試條件，加速高通量篩選流程（High-throughput Screening, HTS）效能。
從實驗室走向前線量產現場，製成放大與可擴展性成關鍵
德國默克並未將創新技術僅限於實驗室內，而是積極推動至工業規模的應用。在瑞士設立之生技產業設施，目前已導入上述 AI 與自動化平台進行製劑開發、合成製程放大（Scale-Up）與臨床前製造流程最佳化。此外，全球其他地區（如電子材料與材料科學研發中心）亦採用相同架構進行多領域產品創新。
這些工業化部署不僅驗證平台可擴展性（Scalability），也為未來全球供應鏈建立彈性框架，特別在面對新興疫情或突發公共衛生事件時，具備快速調整與反應能力。
Ashwini Ghogare 指出：「我們不僅是要設計出能製作的藥物，而是要設計出能以工業規模、可持續方式製造的藥物。」
AI 不是替代人類，而是擴張創造的邊界
當前藥物研發產業處於轉型關鍵點。儘管過去五年生成式 AI（Generative AI）在藥物設計領域引發熱潮，但實際成果仍有限。Ashwini Ghogare 直言，許多早期模型雖「能設計」，卻「無法製造」，導致理論與實務脫節。
他進一步表示，結合真實世界資料（Real-World Data）、實驗自動化（Lab Automation）、與模型可解釋性（Model Explainability）才是推動藥物創新走出 hype cycle（炒作循環）的關鍵。
換言之，AI 並非取代科學家，而是為他們提供一個能夠連接知識、資料與反應速度的「第二大腦」，使其得以在複雜分子空間中快速探索、驗證與修正假說。自動化則成為這個「腦」的雙手，執行難以標準化的高複雜性實驗，讓創意不再受限於物理條件與人力成本。
AI 不僅改寫分子設計的邏輯，也正在改變實驗室的結構、人才的培育與產業的競爭邊界。對台灣而言，如何將既有電子產業優勢轉化為生醫產業的新競爭力，如何在資料治理與倫理法規間找到創新與保障的平衡，將是下一個十年的關鍵課題。
