閻雲/人工智慧與機器學習 將加速藥物開發

聯合報 閻雲/台北醫學大學前校長

隨著人工智慧(AI)與機器學習(ML)在藥物開發快速發展,特別在深度學習方面,生物醫學大數據提供資料,加上科技進步、公共衛生政策品質提升及社區的積極參與等,都使人工智慧和機器學習技術逐漸成熟,可運用在醫療保健研究和服務,造福人群。

深度學習模式 預測病患預後

成果包括在深度學習模型指導的風險控管下,利用深度學習模式預測病患預後,除了可避免再度入院,也可優化臨床試驗參與者的選擇和招募,並有效監測受試者,加速臨床試驗進程及成功率。

人工智慧和機器學習在臨床藥理領域造成什麼影響?可從確認目標,進一步開發小分子藥物、臨床試驗評量結果扮演角色等面向,進一步觀察。

直到今天,藥物標靶的選擇及優先順序,還是個不確定的過程,如何準確找到藥物可發揮治療作用的標靶,非常重要。目前有11%的人類蛋白質組可被小分子探針偵測,三分之一的蛋白質仍未被充分研究,不清楚在生物學和疾病中的功能和作用,可見仍有很長的路。

一般說來,藥物開發周期長,臨床試驗長達7至10年,將新藥推向市場的平均資本成本,高達14.6億美元。每項臨床試驗失敗,造成的成本損失通常在8至14億美元之間,挑選受試者的不盡理想和招募效率低下、試驗期間無法有效監測患者,則是導致高失敗率的主因。

量化藥物相似性 開發出新藥

人工智慧及機器學習已開始在臨床試驗設計中,從研究準備到執行的幾個關鍵步驟,期提高試驗成功率。例如,IBM Watson開發用於臨床試驗系統Trial Matching,使用大量結構化和非結構化的患者電子病歷數據和可用試驗,為患者建構詳細的臨床檔案,並與試驗資格標準比較,有助於提高招募目標,進而降低成本。

人工智慧和機器學習早期應用於小分子藥物,以量化「藥物相似性」為目標,也就是試圖模仿藥物化學家的直覺,估計哪些新化學結構有可能成為「藥物」,從超過1023種可能的藥物類化合物中,以與其他藥用價值的其他分子相似為基礎,針對多參數相似性評分,雖效果尚無特別顯著,但也成功開發出一些藥物。

目前最常碰到的挑戰是毒性、副作用,甚至智慧財產權等,在為特定族群選擇正確藥物靶點或適當劑量年齡,也遭遇一些困難。

可能影響臨床思維、作業模式

但儘管如此,透過人工智慧和機器學習來開發藥物已難以阻擋,且可能影響臨床藥理學家的思維及作業模式,比如在教學中,數據密集型方法的使用,像文獻搜索和處理等都可能增加;在研究領域,人工智慧和機器學習方法的使用,正在加快腳步;制定政策時,則可預期影響大多數國家的醫療保健。

為了正確使用藥物,大多數所謂的「數位原住民」,包括使用電腦或平板電腦的患者和科學家,以及從小就使用智慧手機者,也都會透過醫療保健機構或社群媒體等網絡平台尋找藥物訊息,加快人工智慧和機器學習開發藥物的腳步。

下個十年 見證與AI無縫整合

有人類就有疾病,就需要藥物治療。下一個十年,我們將會更加見證人類的自然智慧與人工智慧之間的無縫整合。

人工智慧 臨床試驗

推薦文章

>