生醫科技 · us
資料不是終點:ARPA-H把AI押注放進藥物安全與廣效疫苗的驗證鏈
兩項最高合計3.29億美元的計畫,分別試圖用人類生物模型預判候選藥成敗、以計算方法設計跨病毒家族抗原;真正的門檻不在模型能生成多少答案,而在預測能否經得起實驗、臨床與監管檢驗。
藥物研發最昂貴的失敗,往往不是找不到候選分子,而是直到後期才發現它對人體無效或不安全;疫苗設計也面臨相似難題,病毒種類繁多,逐一追趕既慢,也難以形成廣泛保護。美國衛生高等研究計畫署(ARPA-H)近日整理其生醫人工智慧布局,將焦點放在這兩個可由實驗與臨床結果檢驗的問題,而非泛稱以AI加速研發。
其中,CATALYST計畫在四年半內的總獎助上限為1.25億美元,支持團隊建立由人工智慧與機器學習驅動的人類生物學模型。目標是於候選藥進入昂貴臨床階段前,預測其安全性與有效性,並處理藥物如何進入、分布與排出人體的藥物動力學,以及藥物濃度如何轉化為生物效應的藥效動力學。
這不是單純以更多論文或資料訓練一個通用模型。ARPA-H表示,模型將置於真實世界情境中測試,並納入監管機關與藥物開發者的意見;參與者包括Draper、Deep Origin、Inductive Bio、Jackson Laboratory、Cedars-Sinai、Peptilogics、北卡羅來納大學教堂山分校與Black Mesa Technology。計畫能否改變決策,關鍵將是不同資料來源與疾病情境下的外部驗證,以及模型的不確定性是否足以讓審查者理解與追溯。
另一項APECx計畫承諾投入最高2.04億美元,建立多病毒疫苗的計算設計工具。團隊將把預測模型、機器學習、蛋白質工程與抗原設計串接到候選物開發及臨床評估,研究範圍涵蓋疱疹病毒、黃病毒與甲病毒;德州農工大學則負責跨團隊的資料及工具整合。其長期構想,是設計可涵蓋整個病毒家族的抗原,讓一支疫苗不必只對付單一病毒。
然而,計算上看似理想的抗原,不必然能在人體誘發足夠、持久且不造成非預期反應的免疫保護;同樣地,能擬合既有藥物資料的模型,也未必能準確預測全新作用機制。兩項計畫都必須跨越「提出候選答案」與「證明答案可用」之間的鴻溝,因此後續最重要的訊號,將是前瞻性驗證、與現行方法的盲測比較,以及臨床評估如何處理族群差異與資料偏差。
ARPA-H的布局也把資料基礎設施視為同一條轉譯鏈的一環。該署另投入5,000萬美元推動兒科資料與知識網路PCX,先由兒童腦癌切入,規劃連結逾200家醫院與照護中心;技術目標包括標準化互通、將非結構化病歷自動整理為可分析資料、隱私保護存取與近即時分析。先前兩院示範已協調並映射逾九成非結構化臨床、電子病歷及基因資料,但全國擴張後的資料品質、治理與代表性仍待實作檢驗。
把三項投資放在一起看,ARPA-H並非只押注更大的模型,而是試圖建立從資料整理、候選設計到人體結果預測的連續系統。這套策略若要真正縮短研發週期,仍須證明AI輸出能在獨立資料、濕實驗與臨床決策中重現,並形成監管機關可理解、可稽核的證據;在這些結果出現之前,金額與技術藍圖代表的是高風險研發方向,而不是已被證實的醫療成效。