近(16)日，汎球生物科技(Eurofins Discovery Taiwan)聚焦於新藥開發中的新方法學(NAMs)國際趨勢，舉辦「2025藥物探索前瞻論壇」，探討創新體外試驗(in vitro testing)、器官晶片、AI大數據與新型細胞模型，如何加速新藥研發、降低成本、提高預測精準度，同時減少動物實驗的需求。
 
汎球生物科技總經理李君曜表示，汎球生物科技每年都會舉辦論壇，旨在促進與同業間的知識交流，此次的論壇就是聚焦在近年益發火熱的動物實驗減量與NAMs趨勢，以及它們在藥物開發的轉譯應用。
   

秦咸靜：臺灣力推跨部會整合「T3R」計畫 臨床前動物替代模式多元化成趨勢

 
國家實驗研究院國家生物模式中心主任秦咸靜，首先分享了「臺灣3R倡議」(T3R)計畫的推動進展。她說明，所謂的3R原則，是指運用跨領域科技與法規調適，落實動物實驗的替代(replace)、減量(reduce)、精緻化(refine)，是近年來國際生醫領域快速興起的趨勢。
 
T3R正在國科會、衛福部、農業部、環境部、經濟部、教育部、中研院等跨部會合作下推動，且目前只有臺灣和美國以跨部會整合的規模落實3R原則，顯見臺灣對3R趨勢的重視。
 
秦咸靜表示，在跨領域科技運用上，T3R計畫透過與國際架構接軌，導入國際上已經可以使用的替代方案，例如器官晶片廠商Emulate所開發的肝晶片，已在國家生物模式中心的臺灣動物實驗替代方法驗證實驗室(TaiCVAM)完成驗證，說明確實可用在藥物毒性評估上。
 
此外，目前臺灣在本土器官晶片技術開發上，也已經有腦、心、肝、腎、肺、腫瘤等多樣化的學研成果，許多已經完成概念驗證、部分已經有產品雛形，正在新創公司的推動下一步步推進。
   
另一方面，T3R也積極推動法規調適，例如讓各部會在農藥、化粧品、化學品、藥品的評估上，舉凡皮膚過敏性試驗、皮膚腐蝕/刺激性試驗、眼睛刺激性試驗等，盡量在法規上以替代方法取代動物實驗，但如果遇到無法取代的情形，則會減少實驗動物的犧牲數量、或是實驗設計優化，目前已經取得初步成果，成功將大鼠和兔子實驗減量。
 
秦咸靜也介紹了數種不同的NAMs以及其具備的特性，包含了細胞培養、類器官、器官晶片、微生理系統(MPS)、AI、數位分身等。這些NAMs不僅幫助了動物實驗減量，更實現了「Fast win, fast fail」的藥物開發模式，例如，先以AI選出大量藥物標的，再以人類替身測試系統篩除不適合者，非常適合早期篩選。
 
然而，這套創新開發模式尚未完全標準化。秦咸靜認為，沒有任何一個系統單一運作就能達到全面的評估，因此未來NAMs在臨床前動物替代模式發展上將會走向多元化，幫助使用者實現最好的轉譯機制，為此NAMs的使用者必須充分了解每一項NAMs的特性，以及需要回答的問題是什麼。
 

許竣傑：FDA扮演NAMs落地重要驅動力、加速非動物實驗時代來臨

 
汎球生物科技許竣傑博士從委託臨床研究機構(CRO)角度，分析NAMs從法規到實際落地新藥開發應用的最新趨勢。他強調，美國是推動3R原則的領頭羊，早在2018年起就在國家衛生院(NIH)支持下啟動器官晶片測試、探索器官晶片的優勢與限制，也自2021年起陸續推出多份動物實驗替代白皮書與法規指南。
 
2022年12月，美國前總統拜登(Joe Biden)簽署「美國食品藥物管理局現代化法案2.0」(FDA Modernization Act 2.0)，鬆綁新藥臨床前試驗的動物實驗；今年4月，美國食品藥物管理局(FDA)甚至宣布擬將單株抗體藥物的毒性測試動物實驗，使用器官晶片、人類組織、電腦模型或AI預測等創新NAMs取而代之。
 
於此同時，國際醫藥法規協和會(ICH)也陸續更新NAMs的落實。其中最近期者是在2022年「S1B(R1)藥品致癌性檢測之附錄(Addendum)」指引中，提出在人類致癌原性風險評估上，整合性的證據權重(weight of evidences)能夠取代2年的大鼠實驗，這是毒理學中最耗時、耗費資源的一項研究，但與人類的關聯性仍備受質疑，現在則有機會透過標靶生物學、次級藥理學、長期研究的組織病理學、激素效應、生殖毒性、免疫調節模組的分析，顯著提升效率與一致性。
   
許竣傑表示，針對NAMs，汎球生物科技已經開發出多種電腦運算預測模組、以標靶為基礎的剖析系統以及證據權重途徑等工具協助客戶。
 
例如，DiscoveryAI平台可以針對虛擬篩選、藥物動力學的ADME檔案、結構跳躍式藥物分析(lead hopping)、分子結合(docking)加以預測；汎球提供的脫靶篩選(Off Target Screening)技術，則能預測藥理安全性與潛在風險，協助藥廠於臨床前階段篩除高風險化合物，降低後續開發成本。
 
許竣傑總結，NAMs的優勢在於具有人類相關性(Human Relevance)與成本效益，但仍需更多歷史數據與法規信任支撐。他強調，藥物開發是一場跨領域協作的過程，「透過新方法，我們希望讓藥物研發更快、更準、更符合科學與倫理。」
 

陳逸庭：2024年起AI應用大爆發！從技術突破走向商業生態競爭

 
圖策生技AI藥物開發平台負責人陳逸庭處長表示，隨著演算法、資料庫與硬體運算能力的成熟，AI不再只是研發輔助工具，而成為藥物開發流程的核心技術與商業動能；當前各家AI藥物發現公司正以不同的商業模式競逐市場，形成多層次的合作與競合生態。
 
陳逸庭回顧了AI藥物發現的多項里程碑，並直指：2024年就是AI應用大爆發的時代。不過，AI在藥物發現階段，雖然可以在結晶學、縮短設計到測試的時間、從不可成藥到可成藥上提供協助，但仍存在許多挑戰，例如難以反映藥物真實狀況、純化模擬、預測出的藥物多樣性不足、缺少轉譯數據累積等，也容易遇到藥物專利的挑戰。
   
接著，陳逸庭也分析，目前AI藥物研發的商業模式正在逐漸成熟，主要可分為三大類：演算法平台型(Software Platform)、委託研究服務型(Contract Service)，以及自主藥物開發型(Product Development)。
 
其中，平台型公司專注於打造演算法與資料平台，供藥廠或學研機構使用，藉由授權或訂閱制獲取收入。此類模式能快速擴張市場，建立穩定收益來源，但也面臨技術同質化與價格競爭壓力。
 
委託服務型公司則以專案合作為主，根據客戶需求提供特定模組分析，例如藥效預測、毒理模擬或分子結構優化。其優勢在於靈活與客製化，但挑戰在於如何平衡客戶期待與成果驗證，避免研發目標分歧。
 
自主藥物開發型企業則結合AI與實驗驗證，自主開發新藥產品線。此模式風險最高、資金需求最大，卻能直接驗證AI平台的精準度與商業可行性，一旦成功，品牌價值與技術信任度將大幅提升。
 
部分企業也採混合策略，例如先以服務模式建立客戶基礎與資料累積，隨後轉型為平台或藥物開發型，以擴大商業效益與技術應用範圍；圖策生技則是屬於從第二種轉型到第三種。
 
陳逸庭表示，AI公司與藥廠、學研單位之間的「夥伴合作模式(Partnership Model)」逐漸成為主流，雙方共同投入資料、驗證與研發資源，共享成果與智慧財產權。這種模式可降低風險、加快臨床前驗證速度，也促進AI模型在實際藥物開發中的落地。
 
不過，陳逸庭也強調，儘管AI大幅提升了分子設計與藥效預測的效率，但研發驗證仍需結合實驗室合作。他表示，AI能處理的是藥物研發初期的大量篩選與結構優化工作，然而在可合成性、多重作用機制與臨床轉譯方面仍有限制。業界普遍認為，AI與實驗協作的「雙軌研發模式」將是未來主流。
 
陳逸庭表示，AI藥物產業的競爭正從技術演進轉向商業生態的整合競爭。誰能在技術開放與資料共享間取得平衡，並建立可驗證的實際成效，將決定下一階段市場的領導地位；他也透露，圖策預計在明年進入臨床階段，初步將先以動物用藥開發為目標，未來推到人類用藥。
 

Alastair J. King：BioMAP涵蓋百項人類生物指標、九大毒性特徵分析 助攻早期藥物風險辨識

 
最後，Eurofins Discovery生物學總監Alastair J. King介紹了汎球生物科技母公司Eurofins Discovery在NAMs上的最新進展，並展示如何透過AI與人源細胞模型的結合，提升藥物預測的準確度與安全性。
 
King指出，傳統動物模式在毒性與效應預測上存在侷限，導致即使通過臨床前研究，進入臨床階段後的失敗率仍高達9成，其中約1/3在臨床一期仍出現未預期的毒性而終止，這顯示更具人類生理相關性的模型勢在必行。
 
Eurofins開發的BioMAP平台即為具代表性的NAMs應用。King表示，該平台利用正常人類初代細胞進行多細胞共培養，能更真實反映生理交互作用。該系統內建超過4500種已知藥物與臨床分子資料，研究人員可依據新化合物在BioMAP中的生物標記反應，比對出其作用機制或潛在毒性特徵，甚至提前辨識出特定毒性風險。
   
在新版的BioMAP Diversity PLUS中，更涵蓋了12種陣列分析系統，能夠廣泛地捕捉人類生物學中多達148項試驗終點指標，涵蓋：細胞分化、DNA修復、微血管生物學、免疫生物學等，並開發出九大毒性特徵(toxicity signatures)分析系統。
 
King舉例，透過BioMAP系統，他們成功預測出某帕金森病候選藥物的皮膚過敏反應，與後續靈長類實驗中觀察到的結果完全一致，顯示該平台在臨床前階段即可辨識潛在不良反應。此外，BioMAP也能用於藥物組合效果比較、既有標準品基準對照，或建立不同疾病模型之間的關聯性。
 
另一項例子是在心臟安全性評估方面，Eurofins展示了改良版的「綜合體外心律失常試驗」(CiPA)。該系統可同時評估多種心臟離子通道的作用，並結合高通量與溫控技術，較傳統測試更具預測性，能有效減少動物與臨床階段的心臟毒性風險。
 
King強調，NAMs的真正價值在於與AI的結合。AI能快速整理與分析龐大生物資料庫，協助優化實驗流程並預測藥物行為。未來，透過NAMs提供的人類相關數據與AI模型的持續學習，將能建立更精準、更高效的藥物開發系統。
 
最後，King總結勉勵，「成功之路永遠在建設中」，唯有持續改進與跨界合作，才能推動藥物研發邁向更科學與人道的未來。

(報導 / 吳培安)