救你命的「AI藥神」？人工智慧如何引領生物醫藥開發

圖爲日本 Astellas 製藥公司的製藥機器人，當工作人員在疫情期間藥廠無法上班時，機器人可以繼續做實驗和研發工作。 圖／LabDroid

機器學習培育出的ChatGPT前陣子引領風潮，也興起許多工作可能被取代的討論。目前，在藥物開發和基礎生物研究上，人工智慧（AI）已經被廣爲使用，那麼在治療和醫藥開發上，人工智慧又可以提供什麼幫助？從事研究的實驗室人員又是否容易被取代呢？

現代醫藥歷史已經將近一世紀，累積了相當的成績。以癌症病患來說，醫生看似能循着目錄索引開立合適的藥單，但其實不然。在2015年以前，美國國家衛生院（NIH）的臨牀試驗並沒有要求不同族裔的人加入，這也意味着過往以白人爲主的醫藥開發和臨牀試驗，使醫師在面對非白人癌症病患時有了額外的考驗，如果再加上癌細胞臨門一腳的突變，也會增高藥物配對的難度。

那麼，當第一次投藥失敗，病人是否還有機會在錯失黃金治療時機之後，在下一輪治療尋得生機？或者，醫師有什麼辦法能針對特定病人，事先篩選出最合適的藥物？英國製藥公司 Exscientia 對此似乎能提供解答。

考慮到人與人之間的個體差異， Exscientia 開發的新型配對技術可以將個別患者與他們所需的精確藥物進行配對。研究人員從病患那裡取得了一小塊組織樣本，這些樣本中包含了正常細胞和癌細胞，接着將其區分爲一百多塊後並暴露在各種藥物組合中，利用自動化和計算機視覺（一種訓練有能力識別細胞微小變化的機器學習模型）觀察細胞們在體外的反應。雖然細胞在體外和體內的反應可能完全不同，但透過觀察細胞在體外對藥物的反應，這已經是最接近真實狀況的測試。

此概念與臨牀試驗有些相似，但不需要讓患者接受長達數月的治療，相反的，這些技術可同時測試數十種治療方法，以全面搜索潛在的藥物。雖然有些藥物無法殺死癌細胞，也有藥物會傷害病患的健康細胞，但在斟酌藥物的利弊得失後，醫師可以在第一時間選擇成功機率最高的藥物，而目前的試驗也有相當正面的結果。

在藥物開發和基礎生物研究上，人工智慧（AI）已經被廣爲使用，那麼在治療和醫藥開發上，人工智慧又可以提供什麼幫助呢？圖爲在顯微鏡下研究細胞培養的研究人員。 圖／美聯社

▌加速再加速：人工智慧如何降低藥物開發成本？

選擇合適的藥物只能解決一半的問題，Exscientia 也致力全面改革藥物研發流程。除了將患者與現有藥物進行配對外，Exscientia 還使用機器學習來設計新藥，讓尋找合適藥物時有了更多選擇。自2021年以來，Exscientia 首批在人工智慧協助下開發的兩種藥物，已進入臨牀試驗。

人工智慧的引進貌似改變了藥物開發的流程，然而從基礎實驗開始的新藥研發步驟並沒有太大的改變。首先，研究人員必須在人體中選擇一個藥物可針對的目標（例如某種蛋白質），接着再設計一個分子，這個分子將對目標產生作用，例如改變或關閉其功能。接下來，研究人員在實驗室中製造這種分子，檢查它是否確實執行設計的功能，並且確認沒有其他副作用後，再在人體中測試其安全性和有效性。

幾十年來，科學家通過將特定目標放入實驗室的人造環境中，加入不同的分子並觀察其反應來篩選特定候選藥物。藉着重複這個過程，科學家能調整候選藥物分子的結構來最佳化藥物的效果。

雖然說自動化可以有效減低繁瑣且重複的測試，但試錯的過程仍無法避免。也因爲人造環境並不能完全模擬人體的運作，這也導致許多在實驗室中表現顯著效果的藥物最終在人體測試中失敗。Exscientia 公司首席商業官理查·羅（Richard Law）表示：「藥物發現的過程都是失敗經驗的累積，一種藥物的成功至少需設計和測試高達20種以上的藥物，這也間接提高了藥物研發的成本。」

而製藥失敗的三個關鍵點是：在人體中選錯目標、設計的分子無法產生作用以及挑錯受試族羣——這一些都是製藥公司必須克服的課題。

圖爲一架掃描儀正在讀取細胞培養盤上的代碼。 圖／美聯社

截至目前爲止，開發一種新藥平均需要超過10年的時間加上數十億美元的資本。然而藉由使用人工智慧，雖然目前尚未有完整案例能引用，但估計能縮短將近一半的開發時間。不但如此，人工智慧也可有效預測潛在藥物在人體內的功能、排除無效果的分子，以及機器學習模型也可減少繁瑣的實驗室流程。藉由這些輔助，製藥公司想要加速並降低藥物發現成本的願景，將會逐漸實現。

舉例來說，許多疾病發生的原因是蛋白質沒有正常發揮作用所造成，如帕金森跟阿茲海默症，人工智慧或許就能在此發揮關鍵作用。蛋白質的功能由其胺基酸及其三維摺疊所決定，位於麻省劍橋的新創公司 Generate Biomedicines 便使用人工智隨機處理胺基酸鏈，並藉由此技術找到能將胺基酸扭曲成具有特定結構、並具有功能性蛋白質的方法，這也使得客製化蛋白質和讓這些蛋白質發揮特定功能的任務不再是天方夜譚。換句話說，我們可以期待在不遠的將來，帕金森跟阿茲海默症患者的治療機會與費用將會大幅度改善。

此外，在 2020 年生醫界新聞中，Google 旗下公司開發的人工智慧技術 AlphaFold 成功解開了「蛋白質摺疊」的難題，其最新版本通過了「蛋白質結構預測技術的關鍵測試」（Critical Assessment of protein Structure Prediction），讓糾纏生物學界50年的渾沌出現一道曙光。這代表人工智慧將可以有效預測蛋白質的骨架，大幅加速整體藥物開發的速度，讓《自然》（Nature）雜誌封面都宣稱：「它將改變一切！」

圖／美聯社 示意圖。過去，開發一種新藥平均需要超過10年的時間加上數十億美元的資本，但藉由使用人工智慧，雖然目前尚未有完整案例能引用，但估計能縮短將近一半的開發時間。

圖爲2007年，法國的一間實驗室。當時，該實驗室只處理最致命的病毒如伊波拉病毒，但隨後也開始處理H1N1豬流感病毒。 圖／美聯社

因應人工智慧潮流，全球多個國家目前都積極建設相關實驗室。目前全球已有約20多種藉助人工智慧開發的藥物正在進行臨牀試驗或即將進入臨牀試驗，且數量還在增加中。

2022年，Exscientia在歐洲維也納開設了新的研究中心；2023年2月，總部位於香港的藥物開發公司 Insilico Medicine在阿布達比也跟進開設了其大型實驗室；位於華盛頓溫哥華藥物開發公司 Absci 目前正利用人工智慧搜索數十億種潛在的藥物設計，其創始人兼首席執行官肖恩·麥克萊恩（Sean McClain）表示，製藥行業中的自動化程度越來越高，加上足夠的化學和生物數據可用來訓練較爲完整的機器學習模型，這些都促進了人工智慧在藥物開發的使用及投資。

然而這項技術並非萬能，實驗室中最緩慢和昂貴的部分是對細胞、組織的實驗以及對人體的臨牀測試，因其扮演的重要性無法被省略，這也確保了相關實驗室人員（例如筆者）短期內的工作無法被人工智慧所取代。位於麻省劍橋的新創孵化器 Flagship Pioneering 旗下的 Pioneering Medicines 公司，其首席科學官路易莎·索爾特西德（Luisa Salter-Cid）表示：

儘管如此，人工智慧已經在逐漸改變藥物開發的方式。即使在人工智慧協助設計下的第一批藥物可能還需要幾年後才能上市，但這項技術已經對藥物設計的最早到最終階段引發大地震。

「人工智慧已經可以達成我們以前需要手工完成的許多步驟並節省許多時間，但最終驗證仍然需要在實驗室人員的監督下進行。」 圖／路透社

▌輔助人腦：人工智慧的未來可能性？

篩選出有意義的目標——某種可以用藥物去調控的標靶，例如蛋白質、DNA或RNA等——是人工智慧可以夠加速模擬藥物行爲的先決條件，也因此許多公司已經將機器學習應用於識別目標上：Exscientia 和其他公司目前正使用自然語言處理（Natural language processing），從數十年來的廣大科學報告檔案中挖掘蛛絲馬跡，他們利用數十萬個已發表的基因序列和數百萬篇學術論文中提取信息、找尋相關因果關係的連接，接着再使用機器學習模型，預測在治療疾病時最有潛力的目標。

將自然語言處理應用於數據挖掘並不是新鮮事，藉由探詢人腦可能忽略的訊息與關連性，目前此應用已經成了大型製藥公司的標準流程。

製藥公司阿斯利康（AstraZeneca）的數據科學和人工智慧副總裁吉姆·韋瑟爾（Jim Weatherall）表示，讓人工智慧高效瀏覽大量生物醫學數據已經造成顯著改變，因爲沒有人會去仔細閱讀數百萬篇生物學論文。此外，藉由人工智慧也能揭示一些看似無關事物之間的聯繫，例如結合最近的發現和十年前被遺忘的結果，再由生物學家去查看並檢查其是否合理。此流程幫助了他的團隊找到一些他們原本不會考慮的藥物目標。

然而，目標識別技術仍處於早期階段。他表示，從這種技術中產生的任何藥物進入臨牀試驗還需要「數年」的時間。然而，選擇目標只是開始。更大的挑戰在於設計一個能夠與其相互作用的藥物分子，這也是大部分新創公司正在努力耕耘的地方。

退一步而言，在資本主義時代下，撇除這一些新創公司也想要利用有限資源換取收益，但在公共議題和領域裡，人工智慧還是能借由洗煉大量數據，來幫助科學家預防未來新興傳染病的和預測相關藥物開發設計。

即使人工智慧在許多面向上還是讓人對未知的黑盒子抱持懷疑，但其邏輯與分析也不是無中生有，而是建立在對大數據的分析基礎下，探索且發展出更多不同的可能性。 圖／路透社