人工智慧正徹底革新藥物研發流程

最近，麻省理工學院（MIT）的科學家設計了一種人工智慧（AI）模型，可將尋找潛在藥物分子速度提升千倍。這種深度學習模型在 MIT 設計，透過分析藥物的幾何結構與藥效化學結構，辨識出在臨床試驗中成功機率較高的藥物。在即將於機器學習國際會議（ICML）呈報的論文中，MIT 的模型 Equibind 被稱為比現有藥物發現模型快 1,200 倍，能更迅速預測有前景的藥物分子及其最佳蛋白質目標。

除了 MIT，哥倫比亞大學的研究亦利用 AI 預測新藥物，助力癌症治療革命。位於弗雷德里克國家癌症研究實驗室（Frederick National Laboratory for Cancer Research，FNL）與哥倫比亞大學的研究人員，最近運用資料科學知識，開發工作流程與機器學習模型，促進一種新型藥物化合物的發現，該化合物能阻斷中心粒相關蛋白‑E（CENPE）的作用，CENPE 是癌症治療的關鍵目標。哥倫比亞大學的 CENPE 研究目前正用於進行大規模模擬研究，並為未來此新癌症療法的臨床試驗奠定基礎。

在哈佛大學 Wyss 研究所，Circa Vent 是一個新興的藥物發現平台，利用機器學習與人工智慧，尋找可再利用來治療複雜精神健康疾病（如雙相情感障礙）的藥物，從而節省寶貴的研究時間與成本。

在康奈爾大學 Weill Cornell 醫學院的英格爾精準醫學研究所（Enricher Institute for Precision Medicine），研究人員在微軟的協助下，創建了 PMKB 機器人（PMKB bot），協助醫師透過文字與語音互動，從精準醫學知識庫中辨識出針對特定基因的合適藥物。

MIT、哥倫比亞、哈佛與康奈爾等主要大學對 AI 的應用，證明社會致力於大幅降低前臨床藥物發現的時間與成本。Equibind、CENPE、Circa Vent 與 PMK Bot 等專案，協助實現新藥樣分子或將舊藥重新應用於新疾病的承諾。

藥物發現過程在計算與財務上極具風險且成本高昂。根據美國食品藥品監督管理局（FDA）的資料，約 90% 的藥物在人體測試中失敗。根據《自然雜誌》評論（Nature Reviews Drug Discovery）的一篇文章，藥物失敗的成本可高達 13 億美元。為彌補藥物發現的高成本與高風險，製藥公司常以高價銷售藥物作為合理化。

人工智慧與機器學習在藥物發現與新藥分析產品開發中的應用，正在顛覆醫療產業。這些新技術協助排除失敗機率高的弱藥候選，並幫助科學家與研究人員聚焦於成功機率最高的藥物與蛋白質目標，從而為製藥公司與研究機構帶來巨大的時間與成本節省。