關鍵詞：人工智慧；臨床科研；生物製藥
近日，BioCentury Show做了一期特別好的節目，很有啟發性，講了到底AI在製藥領域能做什麼。其中Foresite Labs的CEO Vik Bajaj參與分享的節目最為精彩。
AI（人工智慧）其實是個由來已久的概念，而最近幾年湧現的AI熱潮主要是指ML和LLM。LLM讓人們認識到語言模型的巨大應用，尤其是目前開發的AI使用者端大大提高了普通人的生活質量
。
那麼AI在醫藥行業能有具體應用是什麼？
2024年，David Baker因為在蛋白質合成（尤其是在AI指導抗體工程領域應用）而獲得了諾貝爾化學獎。
很快，Baker實驗室就在此基礎上有了一系列突破性進展，成為AI應用於藥物研發非常好的例子。
另外，讓圖形AI進行影像學診斷，讀閱X-線、CT和MRI影像，也是個AI非常突出的應用優勢。
然而，醫藥衛生是個宏大的領域。在每個具體專業領域，AI和LLM到底有多廣泛和深入的應用實際上是因領域而異的；在許多專業領域，它的應用依然非常有限。
AI可以很好地處理文獻和做檔案編輯，但如果讓它分析一個數據，比如我上一個工作中讓它分析一下SARS-CoV-2多種突變株的中和試驗，它分析的能力不如程式設計好的excel表格或R，而讓它做圖顯然更難。這些應用侷限，實際上是訓練它的資訊源的侷限性；而AI如果不能結合和深入到每一個具體研究的需求中去，那麼它的應用也會受到影響。
在這一期節目中，Vik Bajaj講到了AI一些侷限。瞭解這些侷限，就讓我們暫時避開那些尚不成熟的領域：
1. 生物學複雜性：
AI模型對複雜生物系統的預測能力仍不完善，這也是我講的，這本質是因為人類知識對複雜生物系統的理解不完善，因此訓練LLM的資料不足，且資料庫依然混亂無章；多數疾病受遺傳、環境、生活方式等多因素影響，這些因素加深了AI的侷限。
2. 藥物發現挑戰：
雖然AI預測生物分子獲得了2024諾獎，但AI應用於小分子化合物藥物設計仍面臨技術瓶頸，這也是因為資料庫不完善造成的；AI依然無法替代藥物化學依據經驗和結構的設計合成路線。
3. 資料質量與可用性：
LLM需要大量高質量資料支撐，但現存資料分散且不完整；臨床醫療資料標準化與互動操作性不足限制AI預測能力。
4. 監管與倫理壁壘：
AI診斷與療法面臨審批流程挑戰，比如患者隱私保護和資料安全；醫療AI決策權、資料隱私與可及性等倫理問題待解。
Vik Bajaj講到一點也具有很強啟發性，這是臨床科研和生物製藥最需要關注的突破點。
醫學曾經是基於經驗，現代醫學的核心是基於證據（循證醫學）；而近年來，醫學基於機制（當然，機制也是證據的一部分）。
比如我們知道很多腫瘤突變是腫瘤發生或發展的關鍵驅動因素（發病機制），最典型的如東亞裔女性EGFR突變造成的肺腺癌。而應用分子診斷技術進行腫瘤組織測序，然後進行針對EGFR突變的靶向治療，可以有效治療肺腺癌，這其實就是一個基於機制的醫學實踐。
而對於慢性傳染病，比如HIV，如果我們測序HIV識別耐藥突變，再用HIV靈敏的抗病毒藥進行治療，那麼可使患者病毒載量迅速得到抑制，這也是一種機制治療。
Vik Bajaj指出，在機制治療方面，AI可以大展身手
。
AI可以分析用ML識別生物標誌物（比如EGFR），實現腫瘤等疾病的患者分層，或者大資料最佳化臨床試驗設計與患者招募；並根據分子診斷與臨床資料制定個性化治療方案，同時預測分析提升疾病篩查與早期干預策略，這些可能是醫藥領域AI能夠幫助實現的重大突破，而其最終將改善患者預後。
AI還可以在以下方面幫助醫生和科研人員取得臨床科研的進步：
1. 藥物發現與開發
候選藥物篩選與設計：
AI可以利用大資料和機器學習技術，對海量化合物進行虛擬篩選，預測哪些分子具有潛在的藥物活性，從而加速候選藥物的發現。同時，AI還能輔助藥物分子結構的最佳化，降低研發成本和週期。
毒性與副作用預測：
利用深度學習模型，AI能夠模擬藥物在體內的代謝過程，預測可能的毒性和副作用，幫助科研人員提前規避風險。
2. 臨床資料分析與精準醫療
大資料處理與分析：
在臨床科研中，海量患者資料和臨床試驗資料可以透過AI進行快速、精準的分析，挖掘出潛在的疾病模式和生物標誌物，為個性化治療提供依據。
患者分層與預後預測：
AI可以根據患者的基因、病史、影像資料等多維資訊進行綜合分析，幫助醫生將患者分為不同亞型，從而制定更精準的治療方案，並預測疾病進展和治療效果。
3. 臨床試驗設計與最佳化
試驗方案設計：
AI工具能夠模擬不同試驗方案的結果，幫助科研人員選擇最優的臨床試驗設計，提高試驗成功率。
即時資料監控與風險預警：
在臨床試驗進行過程中，AI可以即時監控患者資料，快速識別異常情況和潛在風險，保障試驗的安全性和有效性。
4. 輔助診斷與醫學影像分析
自動化影像診斷：
AI可以對醫學影像進行自動分析，識別病變區域和微小變化，提高診斷的準確性和效率，為醫生提供有力的決策支援。
多模態資料整合：
結合影像、病理、生物標誌物等多種資訊，AI能夠幫助醫生進行更全面的診斷，推動精準醫療的發展。
編者按：
AI在製藥和臨床科研領域的應用，不僅能加速新藥研發、最佳化臨床試驗流程，還能透過大資料分析和智慧決策支援，幫助醫生實現更為精準和個性化的治療方案。
我們將繼續透過人工智慧醫學專輯，分享這方面最新進展。
▼ 創新技術，帶動醫學全新突破。
（點選👆，關注生物醫學前沿專輯）
Reference：
【1】 https://www.biocentury.com/article/654977/ai-based-predictive-biology-coming-soon-foresite-s-bajaj-says
編輯：Jessica，微訊號：Healsanq，加好友請註明理由；助理：ChatGPT
作者：王宇歌 博士，一直在美國從事病毒研究及疫苗/新藥研發，微博“子陵在聽歌”。主持本公眾號的“宇歌解讀”專輯。
點選👆；From Bench to Bedside, Healsan Paves the Path.
臨床科研技巧及文獻更新。
|
|
|
|
|
|
|
|
|
|
|
|