經濟部生技醫藥產業發展推動小組（BPIPO）與國際科技巨頭 NVIDIA 聯手生物技術開發中心（DCB）和台灣產業科技推動協會（TITA），於 12 月 19 日假台北生技園區舉辦「生成式 AI 於新藥開發與精準醫療技術研討會」，共有逾 1,000 人報名實體或線上參加，活動當日逾 300 名生技業、科技業、醫學界、學術界及機構投資人代表蒞臨現場共襄盛舉。
大會聚焦「新藥開發產業趨勢」、「新藥靶點探索與運算分析」、「藥物設計優化與驗證開發」、以及「藉 AI 技術重新定義生物醫學研究」4 大主題，邀請到多名來自 NVIDIA 的專家學者發表專題演講，連同多位資深研究人員及產業菁英共 16 位講者，共同探討生成式 AI 在生技醫藥領域的技術新突破，並揭示 AI 在新藥開發與精準醫療中的強大潛力，為台灣生技產業帶來創新動能。
延伸閱讀：NVIDIA 總監 Ettikan Karuppiah：數位助理降低醫護負擔、數位孿生模擬人類器官三大方向推動台灣生技發展，NVIDIA 攜手加速產業 AI 化
經濟部產業發展署林育諄科長在開場致詞提到台灣正處於智慧化的浪潮，在《生技醫藥產業發展條例》框架之下，經濟部有充分決心擴大支持生技產業發展，打造整合生態系。TITA 理事長暨 DCB 董事長涂醒哲則提到台灣 AI 產業化已是世界龍頭，但是在「產業 AI 化」方面卻還是相對稍遜，世界排名（26 名）落後於韓國（第 6 名）及新加坡（第 3 名）等亞太鄰國。他熱切期待生技產業醫學領域 AI 化，把 AI 與新藥開發產業作深度整合，節省成本並提升效率。
NVIDIA 亞太南區技術總監 Ettikan Kandasamy Karuppiah 強調，AI 技術在健康醫藥產業應用潛力非常巨大，包括三大關鍵領域：數位醫療（如影像判讀、機器人手術等）、優化醫患互動、以及數位生物學（例如蛋白質和藥物的交互作用），這些創新將有望讓醫療解決方案更精確更高效、減輕照護負擔、並加快藥物發現。展望未來，NVIDIA 將持續深耕上述領域，引領生醫產業革新，嘉惠全球病人。
BPIPO 主任暨 DCB 副執行長黃千岳博士引言指出，他相信 AI 能為台灣生技帶來革命性突破，而 NVIDIA 在當中有能力扮演龍頭角色，帶動產業 AI 轉型。他又表示 DCB 會圍繞三個核心方向與科技公司合作。首先是推動國際合作與市場突破，期盼台灣能成為國際科技及生醫企業實行概念驗證（Proof of concept）的基地，甚至吸引他們選擇在台灣市場進行 IPO；第二是加強對新創企業的支持，透過 NVIDIA Inception Program 及加速器計畫，加快新創成長步伐；第三是技術的承傳，在台灣各地的大學院校推動人才培育計畫，厚植人力資源。
Techbio X Biotech 跨域整合成果豐碩，NVIDIA AI 資源助攻新藥研發與精準醫療
研討會第一部分由 DCB 產業發展處劉韋博處長的演講揭開帷幕。他首先點明全球 AI 藥物開發公司及投資者數量在過去數年間快速成長，生態系也儼然成形。在併購合作方面，劉處長提到製藥大廠與 AI 技術公司合作案數目逐年增加，當中以「科技生物（Techbio）」與「生物科技（Biotech）」的跨域整合與併購尤其矚目。他又引用多個國外廠商的成功例子，說明這些併購交易是強強聯手而非以強併弱，旨在結合雙方特色強項以創造更大的效益。
NVIDIA 醫療生技解決方案架構師陳映嘉博士在其演講中首先提到，新藥開發產業正處於一個史無前例的轉捩點。隨著 AI 技術屢創新突破，研發人員可以利用 AI 演算法快速破解蛋白質結構的難題、處理巨量的基因定序數據、以及跳脫過去「地毯式搜尋」候選藥物的模式，先從成千上萬的化合物中篩選出個別成功率較高者作後續實驗。這樣既能提升成功機率，也讓整體效率有顯著改善。陳博士也提及大型語言模型（LLM）的生物學應用，考慮到 DNA、RNA和蛋白質等生物大分子都擁有特定序列，所以可以比照 ChatGPT 分析人類語言的方式，運用 LLM 來處理及解讀這些序列。
接下來，陳博士也分享到 Techbio 的近期創新發展，又引用國際成功案例去講解 NVIDIA 強大的 AI 工具和算力資源如何促成這些突破。比方說安進（Amgen）借助 NVIDIA 的算力建立生成式 AI 模型以輔助設計抗體序列和篩選分子，加速抗體新藥開發。另一個例子是英國藥物發現公司 Receptor.AI，該公司將 NVIDIA BioNeMo 雲端 API 與旗下的專利端到端電腦輔助藥物發現（CADD）平台整合，大幅加快虛擬藥物篩選、藥物的「吸收、分布、代謝、排泄和毒性（ADMET）」評估、蛋白質-配體對接預測等關鍵步驟，繼而改善藥物發現及篩選的效能，並顯著節省成本。
在基因治療和精準醫學領域，陳博士提到 NVIDIA GPU 和 BioNeMo 框架幫助基因治療載體研發公司 Dyno Therapeutics 訓練其蛋白質語言模型，從而改良腺相關病毒（AAV）的衣殼蛋白（Capsid protein），開發出治療潛力更佳的 AAV 載體，讓基因可以更精準地被傳遞至特定的細胞。另一方面，美國史丹佛大學的團隊借助 NVIDIA GPU 在加速基因體學 — 包括序列讀取（Base calling）和序列二級分析等步驟的解決方案，一舉打破基因定序的金氏世界紀錄，從抽血到找出致病基因變異只需約 5 小時，可見 AI 技術對精準醫療發展扮演舉足輕重的角色。
應用 AI 優化新藥靶點探索，GPU 加速工具革新基因定序分析
研討會第二部分主力探討「新藥靶點探索與運算分析」。DCB 智慧生醫組副組長張哲維博士在其演講中再次點出藥物開發產業當前面對的 3 大困境：成本高昂、時程漫長（動輒耗時十年以上）、以及成功率低（失敗率逾 8 成），而引進大數據和 AI 的應用，推動科技與生醫跨域整合，將會是扭轉困局的關鍵所在。
張博士提到早在 2002 年左右，已經有科學家提出人類基因組中約有 10-15% 的基因可以作為小分子新藥的標靶（Druggable，又譯作「可成藥」），而近年對於「可成藥性」的定義已經拓展至蛋白質抗體藥，甚至蛋白降解靶向嵌合體（PROTAC）、分子膠（Molecular glue）、外泌體（Exosome）等新興藥物。透過 AI 工具和機器學習等技術，研發人員可以結合基因體學、蛋白質體學和藥物反應等生物大數據，快速預測潛在靶點及設計新配體，並發掘新的可成藥靶點，加速藥物發現和篩選候選藥物的流程。
NVIDIA 資深開發者關係經理黃威仁博士則分享 TensorRT、Parabricks 和 RAPIDS 等 GPU 加速工具如何縮短基因定序與分析的時間。以 NVIDIA Parabricks 為例，這個二級基因體分析軟體與所有頂尖定序儀器相容，不僅能透過 AI 實現更準確的定序數據分析，速度更可加快達 100 倍，而成本則可以減低達 50%。至於 RAPIDS 則是透過在 GPU 上執行完整的資料科學訓練程序，加速整體工作流程。將訓練和部署 AI 模型的時間從多個小時大幅縮短為幾分鐘。黃博士又引用美國 TGen 研究所和英國弗朗西斯．克里克機構（Francis Crick Institute）的成功經驗為例，講述 Parabricks 和 RAPIDS 如何幫助他們處理龐大的基因定序數據，當中後者的肺癌全基因定序分析研究更因受惠於 NVIDIA 的工具，估計執行時間可節省達 9 年。
因果 AI 助力多靶點癌症治療，多體學分析結合生成式 AI 開闢精準醫療新路
維曙智能科技共同創辦人兼執行長魏宇峰博士在演講中介紹因果 AI（Causal AI）的概念及其生醫應用。簡言之，因果 AI 可以識別和理解數據中的因果關係，透過因果推理分析一個變數對另一個變數的實際影響，並考慮潛在的干擾因素。他指出：「因果 AI 在生醫領域而言仍是一片藍海」，如果有公司能創造出高效的解決方案，將有望產生巨大的價值。
魏宇峰博士又提到式因果 AI 在藥物開發和精準醫療的潛在應用，包括疾病標靶與生物路徑的精準搜尋、藥物重新定位（老藥新用）、優化藥物設計、找出適合臨床人群的生物標記等。以癌症治療為例，生成式因果 AI 有助設計出能同時對應多個基因靶點的新藥，透過「合成致死（Synthetic lethality，即同時抑制兩個非致死基因來觸發細胞凋亡）」，在摧毀癌細胞的同時也減低對正常細胞的損害。另外，因果 AI 也能幫助設計針對腫瘤新生抗原（Neoantigens）的抗體，從而促進癌症疫苗的研發。在精準醫療方面，因果 AI 可以應用於生物標記驅動的標靶治療，以及個人化癌症早期檢測和預防。
亞大基因科技生物資訊科學家莊承訓博士從多體學的角度切入，剖析 AI 的應用為靶點探索與新藥開發帶來的嶄新機遇。他首先指出在多體學技術尚未成熟之前，精準醫療仍面臨不少挑戰。以胃癌治療為例，雖然醫學界已知瀰漫型胃癌的預後較差，但對其成因及治療效果的理解仍然有限。所幸隨著基因定序技術持續進步，目前已能根據基因體數據將胃癌細分為 4 種分子亞型，讓醫生能按照當中涉及的基因突變找出合適藥物。
莊博士指出，多體學分析有助研究人員更貼近疾病的真實面貌，啟發新藥開發。而亞大基因科技運用 NVIDIA 強大的 GPU 運算能力和生成式 AI，加速多體學數據的分析。該公司採用全球基因體學與健康聯盟（GA4GH）的標準，建構 Atgenomix SeqsLab 雲端平台，能快速分析和管理海量生物資訊。例如 SeqsLab 結合 NVIDIA Parabricks，可將全基因體定序（WGS）的分析時間從 5 小時縮短至僅 10 分鐘。此外，透過搭配 NVIDIA RAPIDS 加速器，平台執行 RNA 定序（RNA-Seq）分析所需的時間亦從超過 2 小時縮短至 10 分鐘，不僅節省成本，還顯著提高分析準確度。再者，借助 NVIDIA NIM 微服務和 LangChain 技術，可以實現檢索增強生成（RAG），避免生成式 AI 出現幻覺的問題。總括而言，憑藉生成式 AI、臨床知識與多體學分析的全面整合，可以將複雜的多體學以及實證數據串聯起來，為醫生提供更適切的治療策略。
©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：[email protected]
