亞洲生技大會(2026 BIO Asia-Taiwan)於7月17日舉辦A-7論壇，由國家實驗研究院國家生物模式中心(NCB)主任秦咸靜主持，邀集臺北醫學大學講座教授閻雲、Charles River Laboratories製造事業部副總裁暨技術長Matthew Hewitt、GemPharmatechGemPharmatech北美執行長Brandy Wilkinson、創辦人暨董事長高翔及生物技術開發中心(DCB)執行長李財坤等專家，探討如何透過AI、新穎測試方法(NAMs)與動物模式，提升臨床前研究的預測力及轉譯性。
 
在開場致詞中，秦咸靜表示，藥物研發向來是一場與成本、時間的競賽，如今整個產業也正站在臨床前模型典範轉移的十字路口上。她指出，過去業界高度仰賴動物模型完成臨床前試驗，如今則逐步導入更多創新技術與方法，如何在這波轉型中兼顧精準性與轉譯效益，將成為未來成功與否的關鍵。

NCB主任秦咸靜。(圖/主辦單位提供)
 

閻雲：AI加速藥物發現 現實仍卡在轉譯與PK關卡

閻雲指出，半導體產業每半年就有新技術問世，反觀生技產業耗資動輒逾20億美元、耗時8到12年才能讓一款新藥上市，成功率卻僅個位數百分比，呈現與摩爾定律完全相反的走勢。他表示，AI雖已被廣泛導入藥物發現流程，從標的辨識、化合物篩選到先導化合物優化都能藉助深度學習、神經網路與transformer等工具，將原本10到15年的研發旅程壓縮至數小時或數天，但要判斷這究竟是炒作還是真能落地於臨床，仍須回歸現實與可行性檢視。
 
閻雲說明，AI在標的辨識階段仍有侷限，因為多數資料庫僅涵蓋蛋白質本身，而非磷酸化或修飾後的蛋白，難以完整反映癌症或神經疾病等複雜訊號路徑；而在分子對接工具上，不同演算法會因側重側鏈結合或活性位點結合而給出不同分數，研究者須先釐清自身問題，再挑選合適工具，而非被結果差異混淆。他也提到，AI已可將化合物篩選時間縮短，並提示合成路徑，但仍須回頭檢視副作用、結合部位等實際問題。
 
閻雲指出，臨床前階段的ADMET評估中，毒性資料最為棘手，除了透過資料庫外還高度仰賴動物實驗，即使近年嘗試以器官晶片或類器官取代，數據仍不夠完整；他也提醒，無論動物試驗或已發表文獻，多存在生存偏差，失敗結果往往被隱藏，使資料庫本身失真。
 
他以Recursion併購Accentia為例，說明後者以AI選出的候選藥物雖順利進入臨床，卻在一年內因人體藥物動力學PK出現問題而宣告失敗，顯示加速篩選藥物與找到具臨床療效的藥物是兩件不同的事，選對藥物與符合人體的PK同樣重要。閻雲強調，AI終究是工具，不會取代研究人員，但懂得運用AI的人才將取代不懂AI的人。

Matthew Hewitt：替代動物試驗方法漸成主流 生物製劑與細胞治療最具導入潛力

Matthew Hewitt指出，過去40到50年間，治療產品開發已從小分子與胜肽藥物，走向單株抗體等生物製劑，再進一步邁入細胞與基因治療等先進療法，隨著產品複雜度提升，開發門檻也隨之提高。他表示，現行新藥開發平均成本高達22.3億美元，耗時8到12年，整體失敗率約93%，先進療法的成功率甚至逼近18%，因此如何加快驗證速度，成為業界共同課題。
 
Hewitt說明，FDA等法規機構近年積極鼓勵採用替代動物試驗方法NAMS，但監管核心始終是確保療法安全有效，而非強制要求排除動物。他透露，目前多數客戶仍將NAMS用於標的驗證與命中化合物驗證等早期研發階段，但在毒理與跨組織系統評估上的應用仍相對有限，主要因為現行方法難以準確預測臨床轉譯結果，例如腎臟晶片顯示藥物對腎臟安全，卻無法反映心臟、肝臟等其他器官的反應。
 
他認為，生物製劑與抗體類產品是最容易快速導入NAMS的領域，尤其是已充分特徵化的產品；細胞治療同樣具高潛力，因為現行動物模型難以真實反映其療效，例如幹細胞試驗雖已將人類細胞移植入數以萬計小鼠體內，卻未必能對應人體反應，CAR-T在免疫缺陷小鼠中的測試也僅能呈現整體療效的一小部分。至於基因治療，則因給藥機會有限而難以進行劑量範圍試驗，仍待新方法支持。
 
Hewitt也分享公司與FDA討論中的虛擬對照組VCG作法，透過逐步累積自然病史資料，將對照組動物數量以「哨兵動物(Sentinel animals)」形式精簡，用以驗證虛擬對照組是否貼近真實生物反應，最終有機會達到完全替代。至於次世代基因定序(NGS)，他認為則有望取代傳統病毒安全性檢測，因為NGS能以RNA為中介偵測未知病毒顆粒，過去已有細胞庫在傳統檢測中呈陰性，卻在以NGS重新檢測後發現含有感染性病毒顆粒，凸顯NGS在提升病人安全上的價值。
 
此外，NGS也可將檢測時程由3至4個月大幅縮短至一半。在細菌內毒素檢測方面，Hewitt指出，透過卡匣式檢測可將傳統2至3小時流程縮短至15分鐘，並減少95%的馬蹄蟹血液用量，若採用重組LAL酶RCR等重組試劑，甚至可完全免除馬蹄蟹血液的使用。
 

Brandy Wilkinson：人源化小鼠模型銜接臨床前與臨床 補足跨物種反應落差

Brandy Wilkinson指出，許多新型療法對小鼠同源蛋白反應有限，導致小鼠模型難以真實反映人類藥物作用，加上人類族群高度異質、現行小鼠品系多為高度近交、遺傳背景一致，使傳統動物模型難以真實反映病人層級的差異；部分感染具物種專一性，無法以傳統小鼠模型重現，再加上某些藥物標的甚至不表現於小鼠體內，這些落差正是人源化小鼠模型存在的意義。她表示，隨著法規機構持續推動減少動物使用，人源化小鼠模型恰好介於傳統動物模型與替代試驗方法之間，能在降低動物用量的同時，維持較高的臨床轉譯相關性。
 
Wilkinson說明，公司透過基因人源化、免疫系統重建PBMC與HSC移植、人類肝臟移植與微生物群模型等多元方式，協助研究人員銜接臨床前機轉數據與臨床病人反應，並提供逾800種基因工程人源化小鼠品系，涵蓋代謝、中樞神經及TCE、TAA等腫瘤治療標的。
 
她舉例，在腫瘤研究中，人源化模型不僅可觀察腫瘤生長抑制，還可進一步確認雙特異性T細胞銜接器(T cell engager, TCE)是否成功招募CD8陽性細胞毒性T細胞進入腫瘤微環境，同時評估細胞激素釋放症候群等早期安全性訊號，協助藥物開發者在極早期階段判斷候選藥物優劣。
 
Wilkinson也提到，人源化模型的應用並不僅限於腫瘤領域，公司已建立以人類BAFF過度表現為基礎的自發性紅斑性狼瘡(SLE)模型，可重現病人常見的雙股DNA自體抗體生成與多項血清學異常，並可透過使用rituximab的B細胞耗竭療法觀察指標下降，甚至依循臨床腎損傷評分系統評估腎臟病變改善程度。
 
她強調，這類人源化模組可疊加組合，例如同時納入人類T細胞、漿細胞標記與疾病驅動因子，測試針對BCMA的TCE療法，甚至進一步結合人類腫瘤、免疫系統、腸道微生物群與肝臟系統，打造涵蓋多器官、多系統的單一模型，為藥物開發提供更貼近臨床實際情況的評估工具。
 

李財坤：整合AI與在地資料 推動新藥研發從「臺灣製造」走向「臺灣創造」

李財坤表示，臺灣具備資訊科技與醫療資料優勢，應進一步整合AI、資料、研發經驗及專業知識，推動生醫產業從「臺灣製造」(Made in Taiwan)轉向「臺灣創造」(Created in Taiwan)。
 
他指出，AI可串聯新藥開發各階段的資料與技術平台，加快實驗設計、原型製作、實驗執行及結果回饋。目前應用範圍已涵蓋藥物發現、生物標記開發、新抗原與臨床資料分析，並延伸至抗體、核酸藥物及基因治療序列設計，以及藥物動力學、藥效學、吸收分布代謝排泄(ADME)、毒性預測與蛋白質工程。不過，AI產出的結果仍須透過實際實驗分析及驗證。
 
DCB自2020年成立智慧醫藥組，從最初聚焦生物資訊與大數據分析，逐步建立核酸藥物、脂質奈米顆粒(LNP)遞送系統及抗體設計能力，並導入AlphaFold與大型語言模型。李財坤提到，AI也可用於蛋白質工程，協助改善蛋白質產率與穩定性、降低免疫原性，再由藥物化學、新藥探索、藥物代謝與藥物動力學，以及藥理與毒理等平台進行後續驗證。
 
李財坤以大腸直腸癌為例，DCB分別從全球與臺灣資料中找出38種及59種新抗原，其中8種同時出現在兩份資料中。這8種新抗原中，已有5種是核准藥物鎖定的標靶，目前正進一步評估另外3種在臺灣或亞洲族群中的分布情形，以及是否具備藥物開發潛力。他指出，臺灣全民健康保險涵蓋率達99.9%，若能結合在地醫療資料、AI分析與實驗平台，有助於發掘更符合亞洲族群需求的新藥標靶。

AI、NAMs加速臨床前研究 專家籲強化資料品質與科學驗證

 
閻雲指出，AI應結合類器官及器官晶片，改善動物研究設計並縮小臨床轉譯落差。Hewitt認為，NAMs現階段較適合早期、非GxP研究，導入時須循序驗證，避免過度承諾。
 
高翔表示，團隊正整合人類、小鼠及藥效研究資料建立「虛擬小鼠」，但現階段動物試驗仍無法完全取代。李財坤則強調，AI雖可加速研發流程，最終仍須由具備科學基礎的研究人員判斷與驗證。
 
與談人一致認為，AI應定位為輔助新藥開發的工具，其應用仍須建立在高品質資料、可重現的實驗結果及完整科學知識之上，並由研究人員負責最終判斷，避免因過度依賴AI而忽略驗證與潛在風險。
 
(報導/高佳樺、吳康瑋)