創新論壇3 (Session A-3)主題聚焦於人工智慧(AI)與轉譯醫學，邀請到美國加州大學舊金山分校(UCSF)教授吳蘭芳(Lani Wu)、安進(Amgen)觀察性研究中心副總裁Brian Bradbury、國衛院群體健康科學研究所副所長陳豐奇，分享AI在生技醫藥上的創新應用，並強調「AI僅是一項工具，應用的關鍵在於如何定義問題」。

國家衛生研究院(NHRI)司徒惠康院長表示，國衛院自1996年成立以來，致力於癌症、傳染病、老化與基因體研究等領域，推動跨領域合作，促進新醫療科技與療法的發展，以解決重大健康挑戰。

司徒惠康強調，近五年，AI已經被證實具有重塑醫療的潛力，因此此論壇聚焦於AI在藥物開發上的應用，以及真實世界證據(Real-World Evidence)與真實世界數據(Real-World Data)如何影響醫療決策。

UCSF：開發深度學習模型CLIPn 藥物篩選成功率提升20%

UCSF教授吳蘭芳分享，如何運用AI處理高通量影像分析(HCS)來進行藥物發現，她指出，現在眾所周知的「機制類似的化合物會誘發相似的細胞反應」的理論在20年前十分新穎，其研究團隊在2004年發表在《Science》的論文，是首次以顯微影像為基礎，將不同藥物處理細胞後的表現型進行數據化，轉化成表現型圖譜(Phenotypic Profile)，證實這項理論後，便可透過觀察細胞對未知藥物表現出的反應來預測其功能，甚至能發現新藥物。

吳蘭芳表示，HCS在20年後的現今，已經成為學術界與製藥界大規模篩選化合物的標準，但這項技術也具有許多挑戰，包含：影像數據集過於龐大，不利於共享與整合；不同研究使用的細胞株、條件、標記與分析方式皆不同，導致數據難以合併。

因此，吳蘭芳開發出一種整合高異質性HCS數據的深度學習方法──「CLIPn」，透過「參考藥物類別(Reference Drug Classes)」將不同數據集進行對齊，使不同藥物數據庫能對應於相同機制，用某數據庫來預測另一數據庫中未知的化合物，進而提升對未知藥物的分類與預測能力。

她們也發現這一方法能...