利用 AI 提升製藥效率與創新
了解 AI 如何改變藥物探索與開發，包括協助降低藥物開發成本，以及更快速地將救命療法提供給患者。
主要重點
- 製藥業正在經歷一場由 AI 驅動的重大轉型。
- 為了更完善地支援醫療保健專業人員及其病患，製藥公司必須加速藥物探索及開發流程，同時控制不斷增加的成本。
- AI 可協助藥物探索流程中的關鍵步驟，包括識別疾病蛋白質以及分析哪些化合物會最有效地與這些蛋白質產生相互作用。
- AI 也會分析大量資料、識別模式並預測結果,以簡化藥物開發流程。
- 採用 AI 的製藥公司必須克服挑戰，例如維持資料品質，以及尋找具備合適技術與科學技能的員工。了解 AI Agents 如何改變商務營運。
- 展望未來，製藥產業將看到製藥公司與科技公司之間進行更多的合作，以及有更多資金投入醫療技術和 AI 新創公司。
新藥的成本不斷上升
醫療保健專業人員照護病患的方式正在快速改變。他們逐漸使用個人化的病患資訊來引導醫療決策。隨著研究人員解決複雜的健康問題，以及製藥公司致力於減少開發救命藥物的時間和金錢，這種稱為精準醫療的方法變得越來越普遍。
目前，新藥上市對製藥公司來說是一個極為漫長且昂貴的過程。根據來自 Taconic Biosciences 的最新資料，開發一款藥物大約需要花費 26 億美元和超過 10 年的時間。而且開發完成之後，有 88% 的候選新藥無法獲得 FDA 核准。
好消息是，AI 在加速藥物探索及開發流程方面具有極大的潛力。
目前，新藥上市對製藥公司來說是一個極為漫長且昂貴的過程。根據來自 Taconic Biosciences 的最新資料，開發一款藥物大約需要花費 26 億美元和超過 10 年的時間。而且開發完成之後，有 88% 的候選新藥無法獲得 FDA 核准。
好消息是，AI 在加速藥物探索及開發流程方面具有極大的潛力。
AI 如何簡化藥物探索
製作多數藥物的第一步是合成出一種化合物，此化合物可以結合並調節疾病中的目標分子 (通常是蛋白質)。為了找到正確的化合物，研究人員會檢閱上千種可能的對象。找到目標後，研究人員接著篩選大量類似的化合物，以找出與疾病蛋白質最佳的作用方式。
目前，需要花費超過十年的時間以及數億美元的經費才能做到這一點。但使用 AI 和機器學習 (ML) 的醫療技術可以簡化此流程，減少製藥業推出新藥所需的時間和金錢。舉例來說，這些技術可以：
目前，需要花費超過十年的時間以及數億美元的經費才能做到這一點。但使用 AI 和機器學習 (ML) 的醫療技術可以簡化此流程，減少製藥業推出新藥所需的時間和金錢。舉例來說，這些技術可以：
搜尋分子庫
用來篩選候選分子的資料庫過於龐大，幾乎無法靠研究人員自行逐一檢閱。另一方面，AI 可以從龐大的資料集中快速識別潛在的目標化合物，為研究人員省下數百小時的實驗室時間。
預測化合物屬性
傳統的藥物探索流程涉及耗時的反覆試驗。醫療技術解決方案結合 AI 與 ML，可以透過預測潛在化合物的屬性，確保只有具所需成分的化合物會被選擇進行合成，以協助加速流程。這樣一來，研究人員就無需嘗試不太可能發揮效果的化合物。
發明新的化合物
如果篩選不出令人滿意的結果，AI 甚至可以腦力激盪，找到符合所需參數並能提高成功率的新化合物。
AI 如何協助研究人員
考慮研究人員如何使用 AI 解決方案來支援藥物探索流程中的關鍵步驟。
研究人員會執行下列步驟：
步驟 1：確定一個可藥物化的分子作為目標。
步驟 2：進行實驗以確認該目標與疾病進展有關。
步驟 3：識別或創建一種與目標互動的化合物。
步驟 4：優化所選化合物以提高療效和安全性。
步驟 2：進行實驗以確認該目標與疾病進展有關。
步驟 3：識別或創建一種與目標互動的化合物。
步驟 4：優化所選化合物以提高療效和安全性。
在 AI 的協助下，他們可以：
步驟 1：尋找更多潛在目標。
步驟 2：提高實驗的成功率。
步驟 3：排除不太可能互動的化合物。
步驟 4：通過智能分析加快過程。
步驟 2：提高實驗的成功率。
步驟 3：排除不太可能互動的化合物。
步驟 4：通過智能分析加快過程。
AI 在臨床試驗中的應用方式
根據 Taconic Biosciences，只有 12% 的候選藥物會進入臨床試驗階段並獲得監管機構核准。臨床試驗是藥物開發過程中耗時最久且費用最昂貴的階段，它牽涉到多個人體測試階段，而且每個階段都包括數百或數千位參與者。
傳統的隨機對照試驗 (RCT) 線性流程幾十年來都沒有改變過。它缺乏發展精準醫療模型所需的靈活性、速度和分析能力。公司難以找到合適的參與者，更不用說要有效地招募、保留和管理參與者。這個流程的低效率大幅推升了藥物探索與開發的成本，並導致低核准率。它也阻礙了創新。
製藥公司可以在整個藥物開發的臨床試驗階段 (從設計一路到資料分析) 使用預測式 AI 模型，以協助：
傳統的隨機對照試驗 (RCT) 線性流程幾十年來都沒有改變過。它缺乏發展精準醫療模型所需的靈活性、速度和分析能力。公司難以找到合適的參與者，更不用說要有效地招募、保留和管理參與者。這個流程的低效率大幅推升了藥物探索與開發的成本，並導致低核准率。它也阻礙了創新。
製藥公司可以在整個藥物開發的臨床試驗階段 (從設計一路到資料分析) 使用預測式 AI 模型，以協助：
- 挖掘可公開取得的內容，以識別合適的病患。
- 即時評估試驗網站效能。
- 跨平台自動化資料共用。
- 為最終報告提供資料。
製藥業的 AI 採用障礙
儘管 AI 在藥物探索和開發流程中的使用越來越普遍，但仍然存在採用的障礙。以下是公司常面臨的一些挑戰：
資料品質
許多產業中經常提到的一個挑戰是，劣質資料會迅速降低 AI 和 ML的有效性。對於藥物研究人員來說，低品質的資料會使醫療技術變得不可靠，而且最終不會比傳統方式更正確、實用或省時。
擔憂
大多數產業都存在一種誤解，那就是科技最終會完全取代人力。製藥產業也不例外。雖然 AI 確實可以比人類更快速地分析大量資料，但它不能取代熟練的研究人員和臨床醫生。
技能短缺
在藥物探索流程中實作醫療技術需要一套特定技能。為了保持資料簡潔和 AI 功效，公司所需的員工不僅要具備科技技能，也要了解流程中的科學知識，像是藥物設計、生物學和化學。這是公司難以完成的一項艱鉅任務。
AI 在製藥業的未來
有了 AI 的協助，研究人員可以更加創新，臨床醫生可以更加滿足精準醫療的需求，製藥公司可以更快速地將改變生命的藥物上市。
目前的趨勢顯示，今日在製藥產業中發生的 AI 轉型將持續到未來。例如，每年有越來越多製藥公司和科技公司建立合作夥伴關係，醫療技術和 AI 新創公司也不斷獲得大量的投資。
主要製藥公司也越來越常共用資料。Machine Learning Ledger Orchestration for Drug Discovery (簡稱 MELLODDY) 聯盟會促進數十個成員之間的資料共用。MELLODDY 使用區塊鏈型系統，讓公司之間可以共用專屬資料，同時保有機密性。研究人員可以利用現有資料快速展開藥物探索流程，省下數年的開發時間。
目前的趨勢顯示，今日在製藥產業中發生的 AI 轉型將持續到未來。例如，每年有越來越多製藥公司和科技公司建立合作夥伴關係，醫療技術和 AI 新創公司也不斷獲得大量的投資。
主要製藥公司也越來越常共用資料。Machine Learning Ledger Orchestration for Drug Discovery (簡稱 MELLODDY) 聯盟會促進數十個成員之間的資料共用。MELLODDY 使用區塊鏈型系統，讓公司之間可以共用專屬資料，同時保有機密性。研究人員可以利用現有資料快速展開藥物探索流程，省下數年的開發時間。
