新藥的設計與開發是一項耗資巨大、失敗率高的科學挑戰。一種新藥可能需要多年時間才能開發完成，並投入大量資金。即便如此，大多數候選藥物都未能成功上市。對於生物製劑（由工程化蛋白質而非合成化學製成的療法，常用於治療大多數主要急慢性疾病）而言，其複雜性更高。

科學家們探索海量的可能分子，尋找極少數能與正確目標結合、在人體內保持穩定並可大規模生產的分子。如今，AI 正加速這些過程，並迅速成為製藥研發基礎設施的核心部分。

AI 輔助設計在生物製劑藥物開發中日益重要，AstraZeneca 等公司正積極組建工程團隊以進一步推動此領域。AstraZeneca 資深副總裁兼研發生物製劑工程與腫瘤靶向發現主管 Puja Sapra 表示：「我們所做的每一件事，無論是設計、製造、測試還是分析，現在都透過計算進行強化。這使得週期時間縮短，同時生產力和創新能力得以提升。」

Sapra 解釋說，AstraZeneca 的方法遵循「建構-測量-學習」循環。AI 透過計算生成或優先排序候選分子，預測哪些設計最有可能成功。科學家隨後將實驗室資源集中於排名最高的候選藥物。這帶來了更緊密的反饋循環、更少的死胡同、更快的迭代，以及能夠針對過去被認為無法治療的疾病目標進行研究。

由於可能的分子組合數量遠超任何人類團隊所能系統性探索的範圍，因此利用 AI 來縮小和精煉測試選項已成為生物製劑藥物設計的主要焦點。

除了加速時程，AI 也被應用於發現全新類型的藥物。傳統生物製劑通常只針對單一疾病途徑。下一代藥物則能同時擊中多個目標，或精準地將治療載荷遞送至特定細胞。實現這一目標需要同時優化多個變數。Puja Sapra 解釋，展望未來，AI 驅動的模型可以幫助設計這些日益複雜的多特異性生物製劑。

她繼續說道：「例如，這些模型可以根據潛在的生物學原理，幫助確定應優先考慮哪兩到三個目標，然後在多個參數上進行優化，以平衡分子的效力、穩定性、可製造性和安全性。」Sapra 表示：「治療過去無法治療的疾病正成為現實。這些技術最終將使我們能夠開發出針對曾經被認為無法觸及的目標的藥物。這對患者的潛在益處是顯著的。」

麥肯錫估計，生成式 AI 結合其他計算工具，可將藥物發現時程縮短多達 50%。然而，每個 AI 模型的好壞取決於其訓練數據。在藥物發現領域，這意味著需要大量高品質的生物數據。實驗可以提供豐富的此類數據。無論成功或失敗，每次實驗都會產生關於什麼有效、什麼無效的訊號。

Sapra 解釋說：「數據是我們的差異化優勢。」她指出，該公司的數據集是專有且多模態的，包括分子結構、結合測量、安全性概況和製造結果。她說：「我們在多個疾病領域和藥物類型中建立了刻意多元化的產品組合。所有這些數據使我們能夠利用更豐富、更具代表性的訓練集來微調前沿 AI 模型。」她繼續說道：「此外，我們投資了深度篩選技術，以生成大量所需的額外數據集，不斷改進和驗證我們的模型。」

為了將所有數據匯集一處，AstraZeneca 正在麻薩諸塞州劍橋肯德爾廣場建造一個他們稱之為「未來實驗室」的設施，其中 AI 和機器人自動化將形成一個連續的閉環發現系統。Sapra 解釋說：「就像自動駕駛汽車利用感測器和模型來導航其環境一樣，這個系統利用 AI 進行預測，機器人系統執行實驗，儀器生成數據。」

這些數據直接反饋到模型中，加速了後續的每個循環。她補充說：「在整個過程中，科學家仍將是核心，提供監督、判斷和戰略指導，以確保產出是可解釋的、可接受的，並以潛在的患者利益為導向。」

最終，自動化高通量系統將能夠每週進行數千次分子交互作用的製造和評估。Sapra 表示：「這將以傳統工作流程無法比擬的規模生成 AI 就緒數據。機器人樣本處理、自動化品質檢查和整合數據管線也有潛力顯著加速早期藥物開發時程。」

Sapra 表示，最終，AI 在生物製劑藥物發現領域的願景是該領域所稱的「從零開始」（de novo）設計。其目標是讓 AI 生成全新的蛋白質序列，精確符合所需的藥物特性。這包括設計結構、預測安全性、其在體內的行為方式以及如何使其可製造。

Sapra 說：「該領域在完全由 AI 生成的生物製劑方面取得了巨大進展，從零開始設計一直到臨床候選藥物。」她補充：「隨著我們持續利用前沿模型並用正確的數據集進行微調，我們正越來越接近這個現實。我相信它會實現，只是時間問題。」

然而，要達到這一點，需要幾個關鍵要素。首先是業界更豐富、更標準化的訓練數據。其次是針對 AI 生成候選藥物的穩健評估基準。第三是懂得如何在機器學習和生物學交叉領域工作的團隊。然而，Sapra 表示，在所有先決條件中，安全性預測可能是最重要，也可能是最少被討論的。

Sapra 解釋：「從零開始設計中最困難的問題之一，是預測透過計算生成的分子在人體內是否安全。」AstraZeneca 正透過虛擬臨床試驗來解決這個問題。這些試驗是先進的細胞系統和微型器官模型，作為實體測試平台，並與從其產出中學習的 AI 結合。

Sapra 補充說：「這些系統有潛力在沒有傳統測試瓶頸的情況下生成增強的生物訊號，它們是彌合 AI 生成設計與臨床就緒候選藥物之間差距的關鍵缺失環節。」

目前正在發生的一個轉變是轉向代理式 AI 系統，這些系統可以同時生成候選分子並預測其效力和安全性。這些自主工作流程能夠將疾病層級的洞察直接連結到分子設計，彌合了過去獨立的數據孤島。Sapra 總結道：「生物學的複雜性與分子設計息息相關。」

生物製劑領域正在進行的轉型不僅僅關乎技術。Sapra 表示：「隨著更多自主系統的出現，人類監督仍然是這種方法的核心，確保 AI 的可解釋性和倫理，以造福患者。」

對於科學家而言，與 AI 協作是一個合作過程。她說：「科學家將與這些模型系統攜手合作。未來將是一個模型設計分子，然後科學家與系統合作測試這些分子並將所有數據整合在一起的世界。」透過這種人類的檢查、平衡和判斷過程，模型將不斷演進和改進，最終有望造福患者。

對於工程師而言，設計和建構有效系統以實現人機協作，意味著要確保模型的高度透明度和可解釋性。根據 Sapra 的說法，AstraZeneca 的工程團隊包括數據科學家、自動化專家和 AI 工程師，他們正在開發的系統是「思考夥伴」，而非黑盒子。

她補充說：「工程師們正在設計能夠快速生成、驗證和學習的系統。這些問題確實很困難：多模態數據融合、閉環優化、不確定性量化以及臨床決策點的可解釋性。」

Sapra 表示，透過應對這些技術上要求嚴苛的挑戰，工程師和科學家有機會為許多疾病的潛在改變生命的治療方法做出研究和開發貢獻。她說：「我們今天可以開發的生物製劑，以及我們明天將設計的藥物，都取決於將世界一流的 AI 和工程人才與深厚的科學專業知識相結合。」