随着 ChatGPT 等生成式人工智能（AI）技术问世，让人们再度关注 AI 的无穷应用潜力。在 2024 亚洲生技大会（BIO Asia-Taiwan 2024）的“AI for Pharma”专题论坛，邀集各界专家探讨 AI 在制药产业的当前应用，特别是亚太地区的落地实况。讨论内容包含优化分子设计与抗体工程、加速识别候选药物、改良临床试验设计与预测药物的交互作用等。借由国际合作与创新技术，有望彻底改变制药研究与开发的效率、准确性与成果。
BIO Asia-Taiwan 2024 专题报导（基因线上国际版）AstraZeneca 深度学习方法与产业合作，提升药物发现的 AI 分析预测能力
阿斯特捷利康（AstraZeneca，本文简称 AZ）剑桥人工智能中心主任 Tom Diethe 博士首先谈到“医疗资讯交换国际标准（Fast Healthcare Interoperability Resources，FHIR）”的出现，成功让医疗资料具有可搜寻、可访问、可交换与可重复使用等四大特性。AZ 的整合性资料从药物发现、潜力标的识别、临床试验到上市等不同时期的多种资料，包含基因、病人、仪器量测甚至到市场资料，显示 AZ 能够产出与触及较以往都更加多元且全面的资料。
在研发流程方面，Diethe 博士解析 AI 能辅助生物制剂（Biologics）制造、药物开发的视觉化、电脑视觉模型建立、病人筛选、真实世界资料甚至是加速商业开发。他简述深度学习方法如何精简药物发现过程，例如借由自动化传统在实验室中进行的任务，AI 可以加速分子设计和抗体工程。机器学习算法与 FHIR 资讯平台的整合帮助缩短时间和降低成本，同时提高候选分子的品质与多样性。最终目标是通过抗原表位（Epitope）与即插即用（plug-and-play）抗体模组的快速合成来加速生物制剂的 de novo 设计。
Envisagenics 通过 RNA 剪接充分利用高通量免疫疗法药物发现的量能
Envisagenics 共同创始人兼技术长 Martin Akerman 博士表示，RNA 的剪接错误可能产生肿瘤特异性的异构物（tumor-specific isoform），并编码出新的抗原表位。因此 Envisagenics 透过 AI 技术进行 RNA 剪接分析，借此识别新抗体表位以进行癌症新疗法开发，例如新型抗体药物复合体（ADC）。
针对外显子，Envisagenics 可以罗列大量的剪接可能组合，因此提高发现新药物目标的可能。此法在具有高度剪接失调的癌症中特别有效，尤其是乳腺癌与急性骨髓性白血病（acute myeloid leukemia，AML）。Martin Akerman 举例，利用旗下 SpiceCore 技术，找到非小细胞癌（NSCLC）特异性抗原 ENV-417，实验中也证明多数 NSCLC 病人中，大于 40% 的肿瘤细胞中可以发现 ENV-417 的存在。
AIffinity 核磁共振与人工智能增强药物发现
AIffinity 创办人 Thomas Evangelidis 博士，探讨核磁共振（NMR）如何与 AI 整合以强化药物发现的能力。NMR 是一种研究蛋白质结构和分子相互作用的有力技术，但其缺点是分析较为复杂且需要大量资源与成本。在进行蛋白质 NMR 实验过程中，主要面临以下四个基本限制，首先是样品的准备，这包括从样品获取到适当处理。其次是实验设置与光谱处理，这包含如何设计与执行 NMR 实验并处理获得的数据。第三个问题是化学位移的分配，即将观察到的化学位移与特定的原子或分子片段进行配对。最后一个问题是确定蛋白质的三维结构，通过解析 NMR 数据来获取蛋白质的精确三维构象。
而 AIffinity 的 4D-GRAPHS 技术通过一个 4D 光谱数据来鉴定蛋白质结构，过程分为三个主要步骤。首先，进行化学位移分配，以确定光谱中各种化学位移的对应关系。接着，进行 NMR 限制优化，优化蛋白质结构中各种核磁共振限制条件。最后，生成 3D 结构模型，这一步由 OpenFold 技术支持，将优化后的数据转化为蛋白质的三维结构模型。整个过程依赖于中程和长程核奥弗豪泽效应（NOE）距离限制，确保生成的结构模型准确可靠。这项技术有效地将单一 4D 光谱数据转化为准确的蛋白质三维结构，提供精确的结构资讯以支持后续的科学研究和应用。
另一方面，AIffinity 的药物设计技术具有多项独特优势，首先是具有极高的灵敏度，即使在低浓度下也能进行检测，因此特别适用于聚集获或无序蛋白质的筛选。其次，此技术的筛选快速，每天可筛选高达 1,500 个样品。此外，这项技术还可以提供对于药物设计很重要的蛋白质相互作用小分子（配体表位）的原子资讯。AIffinity 同时开发了生成式 AI 和虚拟筛选技术，有效结合配体表位的资讯，因此能够更精准高效地进行药物筛选与设计。
安宏整合 AI 技术以设计和发现新型蛋白质降解剂，时间快 3.8 倍且成本省 560 倍
安宏生医（AnHorn Medicines，本文简称“安宏”）科学长陈淑贞（Shu-Jen Chen）博士，深度分享 AI 技术在发现与设计蛋白质降解剂（Protein Degrader）的应用。蛋白质降解剂是一种新型疗法，利用泛素-蛋白酶体系统（Ubiquitin-Proteasome System，UPS）借由识别、泛素化以降解不需要的蛋白质，在治疗效力与应用广泛性皆较传统疗法更具优势。
安宏的 AIMCADD 新药研发平台将 AI 技术与人类专业知识结合，负责标的探索、E3 连接酶选择、蛋白结构预测、配体生成、分子动力学模拟、对接与组装降解剂库，并由生物化学团队协助合成与评估。善用大数据、人工智能与 GPU 高速运算，安宏将药物发现时间缩短至 14 个月，比传统方法快 3.8 倍，成本则低于 120 万美元，节省超过 560 倍，烘托出 AI 药物开发的巨大潜力。
Medidata 通过 AI，在临床开发计划中做出更明智的数据驱动决策
Medidata 解决方案销售专员 NaHyun Kim 博士表示，临床试验面临日益复杂、患者招募困难等挑战，而 AI 和机器学习（ML）技术则为此带来解决希望。Medidata AI 拥有全球最大的临床试验资料平台，整合营运与临床资料，提供模型预测、情境模拟、研究设计优化、参与者选择与试验站点监测，有效应对招募延迟和绩效不佳等问题。
以 AI 驱动的整合性资料在探索性分析中具有重要作用，同时也能保护资料隐私。通过历史资料与 AI/ML 技术，可以优化试验设计，包括选择适应症、患者群体、合格标准，并缩短试验时间。而外部参考资料如 PubMed 与 ClinicalTrials.gov 提供的站点资料，也有助于进一步建立预测模型并分析站点拥挤程度，以提升试验效率。
总结来说，这次演讲充分呈现出 AI 在制药业的变革潜力，借此了解深度学习方法、产业合作和创新技术如何改变药物发现和临床开发流程。但是演讲者都强调，AI 不会取代人类专业知识，但它显著提升制药能力，加速流程并促进研发成果。
延伸阅读：BIO Asia-Taiwan 2024 专题报导©www.geneonline.news. All rights reserved. 基因线上版权所有 未经授权不得转载。合作请联系：[email protected]
