從兒癌資料到藥物安全：美國以逾12億美元為Bio Genesis鋪路

人工智慧能否加速醫學進展，關鍵不只在模型有多大，而在醫院資料能否安全互通、預測能否跨族群成立，以及監管機關是否接受其證據。美國國家衛生研究院（NIH）啟動Bio Genesis，試圖以聯邦健康資料、先進運算與自動化實驗設施，將這些分散環節接成一套全國性生醫研究系統。

Bio Genesis隸屬跨部會Genesis Mission；白宮為整體任務宣布逾50億美元聯邦承諾，但這筆金額還涵蓋能源、製造、基礎設施與國家安全等領域，不能全數視為生醫經費。依NIH公布的規畫，2026會計年度已承諾及2027年度規畫中的逾12億美元，已與六項生醫挑戰對接，後續仍預計推出其他資助機會。

六個方向包括預測複雜生命系統、推進美國境內生物製造、強化生物安全、加速兒童癌症研究、縮短藥物轉譯，以及尋找慢性病根源。實際工作將整合分子、基因體、表型、臨床與真實世界資料，訓練模型尋找既有藥物的新用途；退伍軍人健康資料則可能結合電子病歷與基因資訊，用於更早辨識疾病風險。

兒童癌症是最具體的試驗場之一。計畫構想是在數百種罕見兒癌亞型間建立全國學習系統，讓不同醫院的影像、病理、基因與治療結果得以共同分析。ARPA-H另投入5,000萬美元，準備把兼顧隱私、可供AI使用的兒科資料網路擴至逾200家醫院與照護中心；其前導工作曾在兩家大型醫院間，協調映射逾九成非結構化臨床資料、電子病歷與基因資料，但尚不能等同模型已改善診斷或存活結果。

藥物研發方面，CATALYST計畫將在四年半內投入最多1.25億美元，發展模擬人體生物學的模型，希望在人體試驗前預測候選藥物的安全性與有效性。另一項最多2.04億美元的APECx計畫，則結合AI蛋白質建模、高通量實驗與臨床評估，設計可涵蓋多種病毒的疫苗抗原。這些計畫描繪了從運算預測走向實驗驗證的路徑，現階段卻仍以研究目標與基礎設施建置為主，尚無足以證明臨床效益的比較結果。

NIH提出在十年內把科學發現抵達病人的時間縮短一半。要兌現這項目標，模型仍須接受跨機構、跨族群的外部驗證，並處理病歷偏差、資料缺漏、基因隱私與授權治理；若AI預測將用來支持人體試驗或監管決策，還必須證明結果可重現、可追溯，而且勝過現行方法。Bio Genesis因而不只是算力投資，也是一場關於醫療資料能否被可信使用的制度實驗。