近年來，人工智慧成為新的創新的動力，持續推動各個領域的演進，其中藥物開發就是一個備受注目的焦點。相較於過去動輒十年以上的藥物開發時間，人工智慧可望加速藥物開發流程，降低財務負擔，許多知名藥廠與藥物設計公司（例如：BenevolentAI、Exscientia、AstraZeneca、Pfizer、Microsoft、Novartis等公司1）也紛紛投入人工智慧領域。人工智慧的應用領域擴及包括：藥物開發、臨床測試、品管、製造、產品開發與管理等面相，而藥物開發更是涵蓋藥物設計、多重藥理學（polypharmacology）、化學合成路徑規劃、老藥新用與藥物篩選等各式各樣的應用2。方法學自傳統的機制為基礎如蛋白質小分子嵌合實驗，一路演進至資料驅動的模式，從過去實驗資料中採用機器學習與深度學習分析模式獲取知識，並用以預測未知化合物的特性；而最常採用的方法為監督式學習（supervised learning），即藉由分析大量標註（進行實驗取得的標註資料）與化合物結構間的關聯就能有效預測新化合物結構的生物活性。然而，監督式學習仰賴的大量標註資料在藥物開發領域幾乎是難以取得，特別是相較於複雜度動輒超過1010以上的化學空間而言。目前監督式學習方法學習到的僅僅是化學空間中的一個小角落，也因此對於差異較大的化合物結構的預測效果往往有限。
圖：人工智慧在藥物產業的相關應用2
借鏡於影像與自然語言處理領域的成功經驗，近期有許多研究專注於探討不須標註資料的非監督式學習（unsupervised learning）中的自監督學習（self-supervised learning），透過學習資料本身的結構或特性，建立預訓練模型，接著利用潛在空間（latent space）進行監督式學習或是生成式學習（generative learning）。舉例來說，NVIDIA發表的MegaMolBART（https://catalog.ngc.nvidia.com/orgs/nvidia/teams/clara/models/megamolbart）就是透過學習5億個分子結構的特性建構預訓練模型，其產生的潛在空間就能用來進行少量資料的監督式學習，甚至生成式藥物設計。其他像是自編碼器（autoencoder）或是對抗生成網路（generative adversarial network）等相關衍生的演算法在近年也有許多進展3。就目前的研究進展來說，人工智慧於藥物開發的應用仍處於萌芽階段，在研究計畫與科技大廠陸續投入後，未來幾年預期將能看到許多突破性的應用。
參考資料：
- Savage, N. Tapping into the drug discovery potential of AI. Biopharma Deal. (2021) doi:10.1038/d43747-021-00045-7.
- Paul, D. et al. Artificial intelligence in drug discovery and development. Drug Discov. Today 26, 80–93 (2021).
- Pandey, M. et al. The transformational role of GPU computing and deep learning in drug discovery. Nat. Mach. Intell. 4, 211–221 (2022).
文：生技與藥物研究所童俊維研究員/圖：Drug Discovery Today
