會員登入
註冊
(攝影/黃佳啟)
傅琪鉦：未來30年將為「成程式化生物學」應用年
NVIDIA戰略研究者合作高級開發者關係經理傅琪鉦指出，過去10年來，大型語言模型(LLM)已被大量應用在研究與藥物設計，包括：微軟的EvoDiff、以及諾貝爾得主開發的RoseTTaFold等，都已實際被產業使用。
他表示，生物體中的基因體序列，以及用文字編碼來表達化學物質的方式(Simplified molecular input line entry specification,SMILES)，都可以當作一種語言型態。
傅琪鉦也指出，一但AI理解這種語言，就能精準編程我們所需的分子。他也認為下一個30年，將會是程式化生物學(Programmable Biology)大量應用的年代。
接著他也介紹NVIDIA開發的BioNeMo，這是一套專門為生物分子AI模型所設計的開發框架，其主要目標是加快藥物開發過程中最耗時且成本最高的階段。這個框架包括一系列編程工具、程式庫及模型，協助研究人員和開發者利用GPU加速技術，在計算環境中快速進行大規模的生物分子模型訓練和布署。
另一套系統NVIDIA NIMS全名為NVIDIA Inference Microservices，其允許開發者輕鬆布署，並最佳化的AI模型，以AlphaFold2為例，該系統在NIM平台上，不僅能加快蛋白質結構的預測速度，將原本需要40分鐘的預測時間縮短至8分鐘，同時還大幅降低了對GPU的需求。
(攝影/黃佳啟)
柯屹又：生成式AI革新！藥物開發不再依賴大數據
DCB智慧生醫組組長柯屹又指出，藥物開發與人工智慧緊密相連。他提到，在過去20年中，科學家已經利用電腦模擬技術，如分子力學計算和分子對接計算進行藥物研發。然而，隨著深度學習和生成式AI技術的使用，現在可以更快速地篩選藥物，同時顯著提高了藥物預測的準確性。
除了藥物時程加快，柯屹又指出這其中最大的差別，在於傳統的三維定量構效關係(3D-QSAR)技術，如CoMFA、CoMSIA和Pharmacophore，這些技術需要人工進行超過800種特徵的提取(Feature extraction )。現在，借助深度學習的力量，特徵萃取已不需要人工干預，還顯著提高了效率與準確性。
他也提到，當前的AI應用不僅限於小分子藥物的開發，也擴展到了大分子和核酸藥物、疫苗、老藥新用、藥物動力學(PK)預測、劑量依賴的預測、臨床試驗設計等。DCB也正在開發「一鍋AI法」(One-pot AI)，增強藥物的可成藥性、可合成性與可專利性。在此平台中，目前也有2~3家廠商正在洽談中。
他也提到，DCB也突破以往「AI訓練依賴大數據」的策略，而是以單一化合物(one compound)為基礎，透過擴散模型(Diffusion Models)概念的生成式AI模型，在只有15筆數據情況下，進行脂質奈米微粒(LNP)的配方開發。
(攝影/黃佳啟)
陳逸庭：單模多態生成模型 提升藥物開發成功率
美商圖策生技台灣分公司AI平台處處長陳逸庭，分享圖策如何從多模態(Multiple-models)篩藥到單模多態(Single Multimodal)的藥物生成AI開發。他首先提出，AI藥物開發的概念應該要跳脫「藥物篩選」，轉以「精準生成藥物」。
他也提到，今年2024年諾貝爾化學獎，頒給了AlphaFold 開發團隊，與蛋白質結構大師David Baker教授，但AlphaFold3模型的特徵都是過往結晶蛋白質結構或藥物的資料，但不存在無法結晶或不結合的資料，因此只能了解藥物結合的效能，反而無法從中進行「高效能」的藥物篩選，包括：藥物的安全性、生體可利用率、是否可製造等資訊。
陳逸庭表示，藥物開發通常會歷經蛋白模擬、分子模擬、到藥物與標的交互作用、藥物動力學(PK)、毒性測試，目前在各環節都有AI藥物開發平台，但他表示，即便每個環節都用上效能高於90%的模型，但有可能會因為各模型的誤差而把真正有潛力藥物篩除掉，再次陷入嘗試和錯誤(try-error)的開發迴圈。
為了解決藥物開發序列工具(sequential Tool)的瓶頸，圖策科技將所有藥物開發會涉及的因素整合，開發出一個單模多態的AI平台，達到多輸入多輸出(multi-input multi-output)結果，其在靈活性、可擴充性與效率上都高過序列工具，不過他也坦言，此演算法在設計上也較為複雜。
目前圖策也透過此平台成功建立多個模型生成藥物，在不同實驗準確率達91%，並完成動物實驗驗證。
(攝影/黃佳啟)
劉昕：逆合成、增強式學習 增加AI藥物合成可能性
分子智藥共同創辦人劉昕表示，分子製藥是一家透過多模型協作先導化合物優化的公司。他指出傳統的藥物開發，會從化合物庫中開始篩選，通常會經過不同的分析方法確認先導化合物，再透過不斷優化設計，週而復始得到候選藥物。
他表示，傳統在做藥物開發時，對於不同基團影響只知道有效或無效，但當「計算介入」，我們便能量化不同基團的影響，在計算介入情況下，也能設計許多模型來輔助新藥開發。
但他也提到，藥物開發在生成式AI幫助下，雖然提高的藥物篩選的時間和成本，但藥物能不能合成(Synthesis)、好不好合成還是一挑戰。
分子智藥也透過逆合成(Retrosynthesis)策略，一步一步找出合成的步驟，同時也結合生成式AI與合成化學家，一方面回饋哪些是好合成的步驟、哪些不易合成，一方面也對生成式AI施加限制，防止其產生難以合成的化合物，從而提高整體合成的可行性和效率。
除了提高合成策略，在先導化合物優化上，分子智藥也導入增強式學習(Reinforcement learning)，其可以導入環境中各式的模型、包括客製化模型、分數等，來提高好的化合物生成。目前分子智藥已成功吸引了眾多客戶與其合作，進一步進行新藥開發。
(攝影/黃佳啟)
陳淑貞：蛋白質降解劑優勢多 AI突破藥物開發挑戰
安宏生醫科學長陳淑貞則表示，蛋白質降解系統在細胞中扮演重要角色，尤其是泛素蛋白酶(ubiquitin-proteasome)在體內負責移除錯誤折疊或調控蛋白質表現，近年，以蛋白質降解系統為目標的新型療法，因具有特異性、降解疾病蛋白、滿足不可成藥靶點，同時又兼具小分子、大分子藥物優勢，已成為各大藥廠近年重視的領域。
不過她指出，蛋白質降解劑的開發比小分子藥物有更多挑戰，包括：涉及多種蛋白質-蛋白質和配體-蛋白質間的相互作用，藥物設計的複雜性極高。
她表示，安宏生醫是一家All in one的公司，他們透過公司內部的深度學習AI技術，結合NVIDIA的BioNeMO，以用於虛擬化合物庫的化合物生成、篩選具活性的化合物。
目前安宏透過此平台，在2020年6月開始進行模型建構、虛擬篩選、確認性結構，經過三輪藥物優化，僅花了14個月，就確認兩款具有潛力的藥物候選物，分別針對男性雄性禿(AGA)和攝護腺癌。其中，AGA的新藥已在美國通過臨床一期試驗申請。
她最後也強調，AI開發藥物不再是夢，其已從理論走向現實並在醫藥領域展現強大應用潛力。
(報導/彭梓涵)
