目前，只有不到 10％ 的生物製藥物候選品能夠在臨床試驗中成功，這導致巨額成本和多年的研究浪費，同時患者也需要等待治療。開發後期階段的失敗，單是每次臨床試驗的成本就高達 3000 萬至 3 億美元，每種藥物潛在的花費甚至高達數十億美元。
與基於較小分子的藥物相比，生物製藥（蛋白質藥物 Protein drug 屬於大分子藥物的一種）的需求越來越大，主要是由尺寸和表面積更大的蛋白質製成的藥物有更多的方式與目標分子相互作用，包括體內與疾病相關的蛋白質。因此，基於蛋白質的藥物具有廣泛的治療潛力。
例如，像尼伐木單抗（nivolumab ）和帕博利珠單抗（pembrolizumab ）可以防止腫瘤蛋白與免疫細胞上的受體蛋白之間的有害相互作用，從而使免疫系統失去活性。相較之下，小分子藥物體積不足以阻擋這兩種蛋白質之間的相互作用。由於蛋白質可以具有多個結合域，因此可以設計出附著於多個標靶的治療方法，例如附著於癌細胞和免疫細胞。將兩者結合在一起，就可確保癌細胞被摧毀。
為了解決藥物開發瓶頸，就需要改進蛋白質藥物在人體內發揮作用的計算模型。研究人員需要能夠更有效地去判斷藥物的有效劑量、藥物與人體自身蛋白質的相互作用、是否可能引發不良免疫反應等等。
換言之，要對未來的候選藥物做出更好的預測，就需要收集大量有關為什麼先前的候選藥物在臨床試驗中成功或失敗的數據。為了訓練有效的機器學習模型，需要涉及數百甚至數千種蛋白質的資料。然而，即使是生產力最高的生物製藥公司，在 2011 年至 2021 年間，平均每年也只有 3 至 12 種蛋白質治療藥物進入臨床試驗。換言之，單一製藥公司根本無法單獨累積足夠的數據。
因此，將人工智能（AI）納入藥物開發流程可以幫助解決這個問題。它為競爭公司之間提供了大量有用的合併資料，也同時保護藥廠自身的商業利益。透過這樣做，開發者的預測能力得到改進，對公司和病人都有益處。
過去的藥物候選品開發通常需要多次蛋白質工程循環，將天然蛋白質轉化為有效藥物。研究人員會製造成千上萬種蛋白質，並在體外對它們進行嚴格測試，然後選擇一個主要候選藥品進入臨床試驗。不過，任何階段的失敗都意味著需要從頭開始。
現在，生物製藥公司正在使用 AI 來加快藥物開發。機器學習模型透過使用先前候選藥物的胺基酸序列（amino-acid sequence）或 3D 結構以及某些特性進行訓練。這些特性可以與藥物的功效（例如，蛋白質結合到哪些分子？）、安全性（是否與不需要的分子結合或引發免疫反應？）和穩定性（是否容易降解）有關。簡而言之，尖端生物科技、高質量自動化和人工智能（稱為生成生物學）的融合，大幅地提高了藥物開發商預測蛋白質在溶液中的穩定性和效能的能力。市場分析估計，未來在開發候選藥物到臨床試驗階段所花費的時間比五年前減少了 60％。
不過，要達致如此高效率，前提是最好由一家技術公司或專業顧問公司，建立一個「全球」模型，各個生物製藥公司使用自己的數據創建「本地」模型並更新到中央的「全球」模型。透過聚合「本地」和不斷更新的「全球」模型，從而提高預測能力。透過利用人工智能和數據共享方法，可以加速藥物發現過程，從而更快地開發基於蛋白質的治療藥物。
家族辦公室投資經理
徐立言（本欄每逢周一刊出）
www.facebook.com/hsulylab/
