生醫科技 · global
AI製藥走到哪一步?57篇研究綜述揭示模型表現與療效之間的距離
一篇檢視疫情後製藥研究的系統性綜述發現,AI的應用重心仍在分子篩選與早期設計。預測分數已有不少成果,能否縮短開發、改善患者處境,卻還缺少足夠驗證。
從龐大的化合物庫中挑出值得實驗的分子,是藥物開發最耗費心力的起點之一。人工智慧正協助研究者縮小搜尋範圍,但電腦挑得準,距離藥物能安全、有效地治病,還有多遠?一篇新系統性綜述整理57篇研究,指出目前證據主要支持AI在早期發現階段的輔助價值,尚未證實臨床療效或患者健康結果有所改善。
這篇研究於10月30日刊登在《Frontiers in Artificial Intelligence》,由Xin Yi Chang、Clarence Teo與Cheong Hian Goh共同完成。團隊從PubMed與Scopus找到593筆紀錄,篩選出2023至2025年發表的57篇研究。其搜尋納入COVID-19相關關鍵字,因此呈現的是特定檢索範圍下的研究面貌,不能直接當作整個製藥產業採用AI的全貌。
在這批文獻中,藥物發現與設計占研究領域的54.4%,深度學習則是最常見的技術類別,占35.1%。具體工作包括預測分子與蛋白質的結合、篩選可能具有活性的化合物,以及探索既有藥物的新用途。不少研究圍繞冠狀病毒相關標的,讓模型先替候選分子排序,再交由後續實驗檢驗。
比應用數量更能說明現況的,是研究者如何衡量成果。綜述共記錄152次評估指標的提及,其中80.9%屬於AI或機器學習模型表現指標,例如分類準確度及預測誤差。這個比例的分母是指標提及次數,並非57篇研究;同一篇論文可以使用多種指標。Bioengineer.org與Scienmag的同事件報導也強調了這項統計口徑。
這些分數能協助比較模型,卻不足以回答候選藥物進入人體後會發生什麼事。作者指出,多數納入研究被評為高偏差風險,且缺乏外部驗證,成果較適合用來提出待測試的假說。模型能否在開發時未曾接觸的資料上維持表現,以及計算優勢能否轉化為較短的開發時間、較低成本或較佳療效,都需要外部驗證與前瞻性研究。
背景脈絡
AI製藥的證據鏈始於資料,也延伸到實驗與人體。這篇綜述提到,部分模型以PubChem、BindingDB等資料庫中的化合物資料進行訓練與驗證;資料是否可靠,以及預測能否跨出原有資料範圍,是理解成果時必須追問的問題。作者建議,未來可進一步納入藥物在體內的動態及作用資料,讓模型評估更接近實際用藥情境。
綜述本身也有邊界:只搜尋兩個資料庫、涵蓋三年文獻,且未事先登錄綜述計畫;正面成果較容易發表,也可能放大技術效益的印象。它提供的進展,是把AI製藥的成果放回可檢驗的尺度:分子篩選已有可用線索,至於這些線索能為患者帶來多少益處,仍須沿著藥物開發流程逐步取得證據。