會員登入
註冊
張哲維：AI+大數據 突破10%可成藥靶點
生物技術開發中心智慧生醫小組副組長張哲維表示，根據2020年數據統計，全球僅有700個可成功成藥(Druggable)的靶點，面對藥物高失敗率和有限的可用靶點挑戰，製藥產業迫切需要技術創新，其中大數據和AI技術，正在被證明可改變生技製藥的現狀。
他表示，2002年有科學家以小分子藥角度，提出人類基因體中只有約10~15%的基因是潛在的成藥靶點，但隨著成藥的角度從小分子到大分子藥、AI和機器學習技術、分子結構與結合位點預測、以及多體學技術、多維度評估能力的進步，過去未被認識的靶點也顯示出成藥可能性。
他也介紹DCB於2020年成立智慧生醫小組，針對臨床前階段建構模型和平台，並依據需求尋找適當數據進行驗證，區分藥物反應，深入研究蛋白質的交互作用等。此外，他們使用已知藥物的作用機制(MOA)建模，以確定標靶與機制的關聯性。
在生技製藥領域，張哲維強調疫情推動下，外泌體(Exosome)和腫瘤新生抗原(neoantigen)研究的重要性，DCB也將其作為發展重點，期望透過開發新的治療方法，並利用AI演算法推動整個產業的發展。
(攝影/黃佳啟)黃威仁：NVIDIA GPU運算力實現個人化醫療 基因體分析時間縮短100倍！
NVIDIA資深開發者關係經理黃威仁，介紹了NVIDIA的GPU運算晶片及演算法如何大幅加速基因體分析，推動個人化醫療的發展。他表示，NVIDIA提供從定序偵測到提供生物學洞見(insight)等基因體分析各階段所需的運算模型，可應用在新生兒加護醫療(NICU)、緊急醫療、癌症、族群研究和科研領域中。
他舉NVIDIA與使用者合作的驗證研究為例，說明GPU加上演算法相較於傳統CPU分析方式大幅縮短時間的效益。例如，加速序列比對及變異體偵測(variant calling)的演算法Parabriks，幫助科學家將生殖系細胞的基因體分析從18小時縮短成10分鐘，且開放使用者客製化調整工作流程。
另一項專攻資料科學加速與分析的RAPIDS，則提供一系列的開源軟體庫，其可透過簡單的程式語言加註，就能讓既有的分析流程大幅加速。例如，NVIDIA在與TGen合作下，將單細胞分析的過程將4.3小時縮短到14分鐘。
(攝影/黃佳啟)
魏宇峰：因果AI助力老藥新用、多標靶藥物開發
維曙智能生物科技執行長魏宇峰分享了因果AI(Causal AI)的應用與未來發展。相較於傳統實驗昂貴且耗時，因果AI通過資料前處理與精確配對，消除共變性，找出關鍵參數，即便資料缺失，也能在粒度層級(granular level)模擬中發揮效用，展現顛覆性潛力。
魏宇峰指出，因果AI雖不及生成式AI熱度，但因果分析法早在2019年便助力三位經濟學家獲得諾貝爾經濟學獎。面對社會現象的複雜性，因果分析法能克服傳統方法難以掌握真實因果關係的限制，但其應用仍集中於特定領域，跨學科發展仍有挑戰，也顯示該領域還屬於一片藍海。
他也分享，因果AI在生物醫學的應用，包括：精準標靶的搜尋、老藥新用(Drug repositioning)、多靶點化合物設計、蛋白質序列工程，以及在臨床試驗中尋找適合的群體(cohort)，他也強調，因果AI可以用於多標靶的治療策略，例如合成致死(synthetic lethality)藥物的開發。
不過，魏宇峰也坦言，因果AI目前仍有多項難題，如：高算力需求、耗時分析，以及資料驗證與稀缺性問題，未來技術突破需結合統計學方法與健保數據資源等，有望克服當前限制。
莊承訓：亞大基因運用先進運算力 助多體學解鎖未知疾病
亞大基因科技生物資訊科學家莊承訓首先指出，在多體學尚未成熟之前，精準醫療面臨諸多挑戰。以胃癌為例，雖已知瀰漫型胃癌預後較差，但對其成因及治療效果的理解尚不明確。然而，隨著基因定序技術的發展，對於不同基因突變導致的疾病進展有了更深入的了解。
莊承訓進一步分享，亞大基因科技利用NVIDIA強大GPU運算能力支撐生成式AI，來加速多體學數據的分析，從而促進轉譯醫學的發展和臨床應用。目前亞大基因科技已遵循國際上非營利組織全球基因體學與健康聯盟(GA4GH)的標準，建立出分散式基因定序分析與能夠快速分析和管理巨量生物資訊的雲端平台Atgenomix SeqsLab。
他表示，亞大基因利用Atgenomix SeqsLab平台與NVIDIA的Parabricks軟體結合，在全基因體定序(WGS)分析上，可將WGS分析時間從5小時縮短至10分鐘。
此外，當Atgenomix SeqsLab與NVIDIA的Spark RAPIDS加速器結合應用於核糖核酸定序(RNA-Seq)分析時，能夠在處理高達1萬個樣本和1.9萬個基因的數據集時，將分析時間從2小時以上縮短至10分鐘，同時節省成本並提高分析的準確性與安全性。
(攝影/黃佳啟)(報導/彭梓涵、吳培安、黃佳啟)
