AI快速顛覆傳統新藥研發的效率、大幅縮短期程與成本，但要藉由AI發現真正值得進入臨床試驗、創造商業價值的候選藥物，仍考驗團隊對藥物化學、實驗驗證與臨床開發的整合能力。

成立僅6年的安宏生醫，已建置超過100項AI藥物設計模組，並將兩項候選新藥推進臨床試驗，其中雄性禿新藥AH-001更準備進入臨床二期試驗。安宏生醫科學長陳淑貞接受資策會科法所、環球生技月刊團隊專訪，分享安宏如何讓AI深度整合藥物開發流程，以及臺灣若要發展AI製藥產業，在法規、人才與產學合作上還有哪些待補的缺口。

安宏生醫成立於2020年3月，是一家專注於AI賦能新藥開發的新創公司，其透過AI技術輔助分子設計與候選藥物篩選，針對癌症、神經退化性疾病及高齡老化疾病開發新藥，目標開發具全球競爭力之同類首見(First-in-Class)新藥。

今(2026)年7月，安宏也成功獲得BIO Asia-Taiwan亞洲生技大會主辦的傑出生技產業獎(Taiwan BIO Awards)之傑出新創獎，以及2026 NBRP Demo Pitch Day「傑出團隊獎」，也獲得臺北市政府產業發展局支持，入選「2026日本關西拓展海外市場計畫」。

陳淑貞表示，安宏生醫現階段主要將AI定位於前端藥物發現的輔助工具，並以自有藥物產品線驗證平台能力；在商業策略上，除了推動候選藥物進入臨床，也規劃將部分AI藥物設計模組服務化，降低國內業者導入AI工具的門檻。

陳淑貞指出，藉由內部建置的藥物設計平台，安宏生醫可在約14個月內完成從疾病選定、分子設計到候選藥物篩選，並在三年內完成進入臨床一期試驗前所需的前端研發工作，以提升早期藥物發現效率。平台並非單純依賴AI模型，而是整合藥物化學專家的領域知識與AI預測，以因應不同藥物開發需求。
 

AI結合藥物化學知識 安宏打造逾百項模組支援前端藥物發現

在技術架構上，安宏生醫使用的AI模型部分以公開工具為基礎，再結合內部自行開發的工具與實驗數據進行最佳化，建立符合藥物化學需求的專用模型，目前安宏生醫平台已整合超過100個模組。

陳淑貞表示，由於同一項預測任務可能存在多種不同工具，因此團隊會進一步進行測試及整合，並發展包括「雙蛋白連接子(Linker)設計」等應用於蛋白質降解藥物的關鍵技術。

她進一步說明，安宏生醫同時具備AI、化學知識及軟硬體整合能力，在藥物發現初期，可運用生成式AI進行初步結構預測與篩選，擴大可探索的化學空間，需要進行大規模虛擬篩選時，便彈性採用雲端算力，一次篩選上千萬個化合物；隨後，當化合物逐步進入較確定的開發階段後，考量資料安全，較敏感的數據便會轉回公司內部伺服器處理。

不過，藥物從發現階段一路推進至臨床，仍需投入合成、毒理及臨床試驗等大量成本與資源，對小型生技公司而言，仍難以獨力負擔完整開發流程。

因此，安宏現階段的策略，是由自家團隊完成前端分子設計、部分合成與毒理評估，並將產品推進至新藥臨床試驗申請(IND)或臨床一期，再依據臨床試驗結果，尋求與大型藥廠共同開發或授權，由合作夥伴進一步執行臨床二期及後續臨床試驗。
 

AI用於藥物探索與臨床階段 陳淑貞：監管風險應分層看待

對於AI治理，陳淑貞認為，不同藥物開發階段使用AI所帶來的風險並不相同。以安宏為例，團隊目前是將AI集中應用於前端藥物發現，此階段並不直接影響病人安全，因此若AI預測結果失敗，主要形成的是研發及商業風險，相對較少直接涉及藥品監管議題。

然而，當藥物進入後續臨床階段，情況便會有所不同。例如進入臨床二期後，若使用AI或其他數位健康工具協助資料分析、資料蒐集，或導入遠端監測設備，便可能涉及資料可靠性與病人安全，需要更嚴謹的驗證，面對的監管程度也應相對提高。

陳淑貞表示，目前安宏團隊規模約20多人，由於實際使用AI的範圍相對清楚，主要集中於前端研發，因此尚未規劃成立AI治理委員會。

她進一步以阿斯特捷利康(AstraZeneca)等跨國大型藥廠為例，由於涉及大量臨床數據與即時試驗(Real-time trial)，若缺乏相對完整的AI治理機制，將較難讓美國食品藥物管理局(FDA)信服AI分析所得的臨床資料。

此外，陳淑貞也針對2025年底臺灣立法院三讀通過的《人工智慧基本法》監管框架提出建議。她指出，藥物探索及前端研發使用的AI主要扮演輔助角色，且最終決策仍由人類專家負責，在不直接涉及病人安全的前提下，不宜施加過多如演算法驗證等行政審查。反之，一旦AI進入臨床端，涉及病人診斷、資料蒐集或療效判定，例如遠端監測設備，就應嚴格控管數據及演算結果的可信度，同時落實隱私權管理，釐清數據歸屬並確保結果透明度。

不過，陳淑貞也進一步針對未來法規監管機關是否能以AI協助新藥審查分享看法。她認為，由於新化學實體(NCE)的每個化合物均有所不同，可供比較的基礎資料有限，因此AI應用於NCE審查的困難度相對較高；相較之下，學名藥或生物相似藥因具有較明確的比較基礎，導入AI的可能性相對較高。

陳淑貞認為，現階段更實際的方向，是優先推動「審查數位化」，例如採用電子通用技術文件(e-CTD)等送審格式，並建立結構化的資料要求。若能透過表格化摘要等方式整理送審資訊，可讓審查人員更快速回溯與追蹤原始數據(Raw Data)，進一步縮短行政作業時間。
 

AI藥物研發人才缺口待補　產學合作強化跨域培育

除了法規制度，陳淑貞也特別指出，人才與產學合作也是AI藥物研發產業化的重要環節。

她觀察，目前學界在AI人才培育上較偏重工具操作及程式編寫(Coder)，但產業真正需要的並不只有程式能力，而是能同時理解藥物開發、AI預測與商業價值的跨領域人才。

因此，她建議學校在設計相關課程時，除了技術訓練，也可納入「競爭性評估」，培養學生判斷藥物市場價值的能力，或是搭配「商業化轉化與專利布局」，協助學術研究成果與產業需求接軌。同時，也需要培養能理解AI預測邏輯、並據此進行專業判斷的使用者(Power User)型專家。

此外，陳淑貞也指出，目前業界人才回流學界仍存在制度限制，這是因為學術體系通常以論文發表作為重要評量依據，但產業界許多研發成果涉及機敏資料，難以公開發表論文，因此具備產業實務經驗的人才不容易進入學界參與教學。若能改善相關限制，可望讓更多實務經驗進入人才培育體系。

在產學合作方面，陳淑貞也期許政府能推動更多AI藥物開發相關產學合作計畫，將產業端多餘的AI算力，透過媒合與學術端的實驗能量串接，不僅能提高平台使用效益，也可透過實際合作培養跨領域人才。