隨著 ChatGPT 等生成式人工智慧（AI）技術問世，讓人們再度關注 AI 的無窮應用潛力。在 2024 亞洲生技大會（BIO Asia-Taiwan 2024）的「AI for Pharma」專題論壇，邀集各界專家探討 AI 在製藥產業的當前應用，特別是亞太地區的落地實況。討論內容包含優化分子設計與抗體工程、加速識別候選藥物、改良臨床試驗設計與預測藥物的交互作用等。藉由國際合作與創新技術，有望徹底改變製藥研究與開發的效率、準確性與成果。
BIO Asia-Taiwan 2024 專題報導（基因線上國際版）AstraZeneca 深度學習方法與產業合作，提升藥物發現的 AI 分析預測能力
阿斯特捷利康（AstraZeneca，本文簡稱 AZ）劍橋人工智慧中心主任 Tom Diethe 博士首先談到「醫療資訊交換國際標準（Fast Healthcare Interoperability Resources，FHIR）」的出現，成功讓醫療資料具有可搜尋、可訪問、可交換與可重複使用等四大特性。AZ 的整合性資料從藥物發現、潛力標的識別、臨床試驗到上市等不同時期的多種資料，包含基因、病人、儀器量測甚至到市場資料，顯示 AZ 能夠產出與觸及較以往都更加多元且全面的資料。
在研發流程方面，Diethe 博士解析 AI 能輔助生物製劑（Biologics）製造、藥物開發的視覺化、電腦視覺模型建立、病人篩選、真實世界資料甚至是加速商業開發。他簡述深度學習方法如何精簡藥物發現過程，例如藉由自動化傳統在實驗室中進行的任務，AI 可以加速分子設計和抗體工程。機器學習演算法與 FHIR 資訊平台的整合幫助縮短時間和降低成本，同時提高候選分子的品質與多樣性。最終目標是通過抗原表位（Epitope）與即插即用（plug-and-play）抗體模組的快速合成來加速生物製劑的 de novo 設計。
Envisagenics 通過 RNA 剪接充分利用高通量免疫療法藥物發現的量能
Envisagenics 共同創始人兼技術長 Martin Akerman 博士表示，RNA 的剪接錯誤可能產生腫瘤特異性的異構物（tumor-specific isoform），並編碼出新的抗原表位。因此 Envisagenics 透過 AI 技術進行 RNA 剪接分析，藉此識別新抗體表位以進行癌症新療法開發，例如新型抗體藥物複合體（ADC）。
針對外顯子，Envisagenics 可以羅列大量的剪接可能組合，因此提高發現新藥物目標的可能。此法在具有高度剪接失調的癌症中特別有效，尤其是乳腺癌與急性骨髓性白血病（acute myeloid leukemia，AML）。Martin Akerman 舉例，利用旗下 SpiceCore 技術，找到非小細胞癌（NSCLC）特異性抗原 ENV-417，實驗中也證明多數 NSCLC 病人中，大於 40% 的腫瘤細胞中可以發現 ENV-417 的存在。
AIffinity 核磁共振與人工智慧增強藥物發現
AIffinity 創辦人 Thomas Evangelidis 博士，探討核磁共振（NMR）如何與 AI 整合以強化藥物發現的能力。NMR 是一種研究蛋白質結構和分子相互作用的有力技術，但其缺點是分析較為複雜且需要大量資源與成本。在進行蛋白質 NMR 實驗過程中，主要面臨以下四個基本限制，首先是樣品的準備，這包括從樣品獲取到適當處理。其次是實驗設置與光譜處理，這包含如何設計與執行 NMR 實驗並處理獲得的數據。第三個問題是化學位移的分配，即將觀察到的化學位移與特定的原子或分子片段進行配對。最後一個問題是確定蛋白質的三維結構，通過解析 NMR 數據來獲取蛋白質的精確三維構象。
而 AIffinity 的 4D-GRAPHS 技術通過一個 4D 光譜數據來鑑定蛋白質結構，過程分為三個主要步驟。首先，進行化學位移分配，以確定光譜中各種化學位移的對應關係。接著，進行 NMR 限制優化，優化蛋白質結構中各種核磁共振限制條件。最後，生成 3D 結構模型，這一步由 OpenFold 技術支持，將優化後的數據轉化為蛋白質的三維結構模型。整個過程依賴於中程和長程核奧弗豪澤效應（NOE）距離限制，確保生成的結構模型準確可靠。這項技術有效地將單一 4D 光譜數據轉化為準確的蛋白質三維結構，提供精確的結構資訊以支持後續的科學研究和應用。
另一方面，AIffinity 的藥物設計技術具有多項獨特優勢，首先是具有極高的靈敏度，即使在低濃度下也能進行檢測，因此特別適用於聚集獲或無序蛋白質的篩選。其次，此技術的篩選快速，每天可篩選高達 1,500 個樣品。此外，這項技術還可以提供對於藥物設計很重要的蛋白質相互作用小分子（配體表位）的原子資訊。AIffinity 同時開發了生成式 AI 和虛擬篩選技術，有效結合配體表位的資訊，因此能夠更精準高效地進行藥物篩選與設計。
安宏整合 AI 技術以設計和發現新型蛋白質降解劑，時間快 3.8 倍且成本省 560 倍
安宏生醫（AnHorn Medicines，本文簡稱「安宏」）科學長陳淑貞（Shu-Jen Chen）博士，深度分享 AI 技術在發現與設計蛋白質降解劑（Protein Degrader）的應用。蛋白質降解劑是一種新型療法，利用泛素-蛋白酶體系統（Ubiquitin-Proteasome System，UPS）藉由識別、泛素化以降解不需要的蛋白質，在治療效力與應用廣泛性皆較傳統療法更具優勢。
安宏的 AIMCADD 新藥研發平台將 AI 技術與人類專業知識結合，負責標的探索、E3 連接酶選擇、蛋白結構預測、配體生成、分子動力學模擬、對接與組裝降解劑庫，並由生物化學團隊協助合成與評估。善用大數據、人工智慧與 GPU 高速運算，安宏將藥物發現時間縮短至 14 個月，比傳統方法快 3.8 倍，成本則低於 120 萬美元，節省超過 560 倍，烘托出 AI 藥物開發的巨大潛力。
Medidata 通過 AI，在臨床開發計劃中做出更明智的數據驅動決策
Medidata 解決方案銷售專員 NaHyun Kim 博士表示，臨床試驗面臨日益複雜、患者招募困難等挑戰，而 AI 和機器學習（ML）技術則為此帶來解決希望。Medidata AI 擁有全球最大的臨床試驗資料平台，整合營運與臨床資料，提供模型預測、情境模擬、研究設計優化、參與者選擇與試驗站點監測，有效應對招募延遲和績效不佳等問題。
以 AI 驅動的整合性資料在探索性分析中具有重要作用，同時也能保護資料隱私。通過歷史資料與 AI/ML 技術，可以優化試驗設計，包括選擇適應症、患者群體、合格標準，並縮短試驗時間。而外部參考資料如 PubMed 與 ClinicalTrials.gov 提供的站點資料，也有助於進一步建立預測模型並分析站點擁擠程度，以提升試驗效率。
總結來說，這次演講充分呈現出 AI 在製藥業的變革潛力，藉此了解深度學習方法、產業合作和創新技術如何改變藥物發現和臨床開發流程。但是演講者都強調，AI 不會取代人類專業知識，但它顯著提升製藥能力，加速流程並促進研發成果。
延伸閱讀：BIO Asia-Taiwan 2024 專題報導©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]
