2025 年臺灣生技論壇（Taiwan Biotech Forum）今（16）日於波士頓由財團法人生物技術開發中心（生技中心, DCB）與新英格蘭玉山科技協會（MJNE）籌辦舉行，旨在展現生技產業在人工智慧（AI）驅動下的最新樣貌。三位產業重量級講者：默克集團（Merck KGaA）AI 與自動化藥物研發部門負責人 Ashwini Ghogare、英科智能（Insilico Medicine）創辦人暨執行長 Alex Zhavoronkov 與 Data4Cure 創辦人暨執行長 Janusz Dutkowski，依序揭開當代 AI 藥物設計、開發、與資料整合的全新布局與策略規劃。
打通設計與實驗，開發 AI 平臺應注意資料平衡與自動化
默克集團 AI 與自動化藥物研發部門負責人 Ashwini Ghogare，以電子、醫療保健與生命科學三大事業部共同打造整合式生態系統為例，闡述加速創新藥物從設計到臨床應用的轉譯歷程。她指出，藥物研發面臨的挑戰之一，是臨床資料因法規限制無法回饋至研發，因此默克將重點放在如何加速研發週期、降低實驗成本，並透過資料驅動提升臨床成功率。
她強調默克的 AI 平臺如 ADDISON 與 SYNTHIA，專注解決兩大核心問題：其一是過去模型設計出的分子無法實際合成，因此 Merck 透過整合合成邏輯，強化分子的可製造性；其二是資料偏誤，由於市面上公開數據多為正面結果，導致模型產生大量偽陽性，因此他們花費大量時間清洗與補足實驗數據，包含真實世界的負面結果資料以平衡模型訓練過程。
她亦強調自動化在實驗流程中扮演關鍵角色，包括高通量小型化實驗、人機分離的自動化實驗，以及電腦主導的改善機制，目的是打造更有效率的「DMTA」循環（設計、產出、測試、分析/design-make-test-analyze）。此外，透過 SYNTROPY 計畫，與大學及醫院合作建構數據共享網絡，實現跨部門與跨機構的整合式研發。
12 年到 30 天，英科智能的 AI 生成式新藥戰略
英科智能創辦人 Alex Zhavoronkov 指出，AI 的關鍵並不在於完全取代人類，而是透過快速提案、快速實驗的方式，極大化人類科學家在策略判斷上的價值。他強調，傳統藥物開發往往需時長達 12 年，而最大瓶頸在於新靶點的辨識。他們致力於建立「AI 優先」的生成式藥物開發平臺，整合 AI 設計與實驗驗證流程，解決從模型設計到臨床開發的落差。
他指出，對新創公司而言，能否在 30 天內產出原型分子是生存關鍵，但隨後的實驗驗證仍需時間。因此英科智能架構完整多元平臺：PandaOmics：擁有超過 22 種靶點發現策略；Chemistry42：用於小分子設計與優化；Precious GPT：用於老化研究與疾病建模；Dora：多代理系統，可制定與執行研究計畫。
「我們帶分子去舞會，如果有人中意願意娶它，那就代表成功。」
他生動地形容藥物推向市場的過程，並強調英科智能至今 22 個候選藥物從未在 IND（新藥臨床試驗申請）階段失敗。他強調，AI 並非魔法，其成敗在於模型是否有實驗數據佐證，並預告將於 8 月的衰老研究與藥物開發大會（ARDD）分享更多成果。
突破複雜碎片化資訊的關鍵，在於持續更新串連的圖譜架構
Data4Cure 創辦人 Janusz Dutkowsk。他分享該公司多年以來與輝瑞等藥廠的合作經驗，並強調 AI 要能在「複雜且碎片化」的資料環境中有效運作，關鍵在搭建能持續更新與串連的資料圖譜架構。
他指出：「我們不是製造資料，而是讓資料之間對話。」這種從「資料之間的意義」出發的策略，才能幫助藥物開發者在龐大資訊中找出最值得投入的可行路徑。Data4Care 推出：Data Hub：實現語意整合，彙集基因、多組學、細胞實驗等多元資料；Biomedical App Engine：從文獻與資料中萃取有用資訊；Curie Knowledge Graph：整合不同來源知識，持續成長；Curie AI：執行知識合成，從中生成新見解。
他強調透過上述平臺結合公私部門數據、將資料結構化、整理文獻與臨床試驗結果，並針對個別資料建立新一代基礎模型，而這每一項研究與應用都能讓平臺變得更強大全面。
AI 仍有其侷限，決策依舊仰賴人類
論壇中講者們認為，人類仍是關鍵決策者，在 AI 輔助下，人類仍需做出「Go / Not-Go」的決定。 此外，AI 模型受限於資料量與品質，而資料來源追根究底依舊來自於人類社會，尤其是在複雜的化學與生物交互作用、網絡生物學等領域，要全面掌握相關知識仍需時間，預估 5 至 10 年間興許能取得重大突破。
講者們也強調，產業界對於 AI 最大的誤解之一，是認為其無所不能而過度誇大。展望未來，要讓更多臨床試驗資料公開共享，才能真正推進 AI 在新藥開法領域的應用程度。
