醫藥研發早已被大數據淹沒，從基因體定序到電子病歷，資料源源不絕，卻難以改變新藥開發高失敗的現實。維曙智能科技(Vizuro)共同創辦人兼執行長魏宇峰點出，這些問題不在數據量，而是當前藥物開發過度依賴「相關性」，而忽略疾病真正的「因果生物學(causal biology)」，這也是為何許多「有希望」的標靶即使受到干擾，也無法改變疾病的生物學特性。
 
因此，如何在製藥業中走出差異化？魏宇峰認為，「關鍵就在於引入『因果人工智慧(Causal AI)』，從因果機制出發，才能更有效降低新藥研發的失敗率。」
 

製藥界三大挑戰：誤判疾病標靶、臨床設計失誤、RWD數據混雜 

 
魏宇峰指出，藥物研發至今已累積龐大的多體學、影像學、電子健康紀錄和真實世界數據(RWD)，並推動機器學習(ML)快速的發展，使研究者能從中挖掘出生物標記、藥物、適應症與療效之間的潛在關聯。但他提醒，「單靠相關性研究，很少能讓臨床走向成功。」
 
魏宇峰點出製藥公司正反覆面臨三大挑戰。首先，許多看似前景可期的標靶，即使被干預，似乎也不會完全改變疾病的根本機制，原因之一，就是我們往往不確定這個標靶是否真的是導致疾病的「因果因素」，還是僅僅與疾病「相關」。
 
 
其次，適當臨床試驗的納入標準、主要終點或對照組，與真正影響結果的因果因素不一致時，試驗往往難以成功。最後，雖然監管機構與支付方對RWD的需求持續增加，但觀察性研究容易受到混雜與偏倚影響，使證據的可靠性不足。
 

相關只是開始，因果才是答案

 
那麼，什麼是因果AI？魏宇峰解釋，因果AI是一個結合現代機器學習與大數據應用的新興領域，其理論基礎來自圖靈獎得主Judea Pearl所提出的「因果階梯(Ladder of Causation)」。
 
魏宇峰說，在因果階梯中，人類理解世界的方式被分成三個層次：第一層是「關聯(Association)」，也就是觀察到兩件事情同時出現；第二層是「干預(Intervention)」，假如我們主動調整劑量，結果會否不同；第三層是「反事實推論(Counterfactuals)」，處理「假如」的情境，例如若病人接受別項治療，病情會如何發展。
 
魏宇峰表示，因果AI的價值就在於能把推理推升至干預與反事實層次，模擬不同決策下的可能結果，從而找到驅動疾病的真正因子。這正是目前傳統AI和統計方法最大的局限，它們多半停留在第一層的相關性，而藥物研發真正需要的，卻是第二層與第三層的答案。
 
不過，魏宇峰強調，機器學習與因果AI並非競爭，而是互補。
 
他解釋，機器學習擅長在龐大資料中找出關聯與模式，為研究者提供潛在假設；因果AI則可進一步檢驗這些假設，判斷所建立的因果網絡是否真能改變結果，進而產生可行的見解。
 
魏宇峰表示，在藥物研發中，這種互補性具有關鍵意義，機器學習可以先從轉錄體數據中偵測出生物標記群，再透過因果推論確認這些標記究竟是疾病的驅動因素，還是只屬於下游的相關結果，這樣的區分，正是新藥發現中最重要的一步。
 
總結來說，要提升藥物研發的成功率，不只是要在大數據中不斷挖掘潛在標靶，更關鍵的是能否理解背後的因果關係。
 
(報導/彭梓涵)