【深度專題】AI 幫我們從植物中找藥！Nanyang Biologics：用 AI＋自然加速新藥開發的生技新創
🧬｜為什麼我們需要新的新藥開發方式？
每一顆你吞下的藥丸，背後可能是 10 年以上的研發歷程，還有高達上 10 億美元 的投入。而更令人驚訝的是，在這場馬拉松裡，超過八成的候選藥物，會在臨床階段前就失敗。
藥物開發為什麼這麼難？
因為從一開始，我們就得在數以「十億計」的分子中，找出那幾顆可能有效的「潛力股」。這就像在熱帶雨林裡尋寶，比如你可能聽過的百憂解（Prozac），從最早的分子篩選到真正上市花了 15 年；而針對乳癌的標靶藥物赫賽汀（Herceptin）也花了 超過 12 年才完成驗證。即使是疫情下快速推出的新冠藥 Paxlovid，也建立在過去 超過 20 年的病毒研究基礎上。這正是為什麼新藥研發成本這麼高、風險這麼大的原因之一。
但如果有一種方法，能讓我們先讓 AI 把「垃圾」篩掉，專注研究最有希望的那一批分子呢？這正是來自新加坡的新創公司 Nanyang Biologics 正在做的事。他們結合自然與人工智慧，讓藥物研發變得更快、更準，也更有機會拯救真正需要幫助的病人。
他們怎麼做？AI＋植物科學雙引擎
Nanyang Biologics 結合 大自然的藥材庫 和 人工智慧演算法，用一種全新的方式推動新藥開發。他們不只是「做實驗」，而是打造了一條從資料、演算到驗證的高速通道。
① 掃描自然界的「寶庫」
他們從亞洲地區的草藥、真菌、微生物中，累積超過一千萬筆天然化合物資料，搭建起一座專屬的「天然分子圖書館」。這些成分在傳統醫學中早有使用紀錄，但未曾被系統性地分析與開發。
② 讓 AI 模型預測哪些有潛力
接著，他們啟動自研的 AI 模型 DTIGN（Drug-Target Interaction Graph Neural Network），模擬這些分子和疾病靶點之間的交互作用，像是在幫每一顆分子做「模擬面試」：這個成分有可能對抗癌細胞嗎？會不會干擾代謝系統？
DTIGN 能從數以百萬計的分子中，預測出幾百個「值得實驗的潛力股」。
③ 進入實驗室驗證
最後，真正進入實驗階段的分子會進行：
- In-vitro（體外）測試：在細胞層級觀察效果
- Pre-clinical（臨床前）研究：進入動物模型驗證安全性與療效
如果結果理想，才會申請進入 Clinical Phase I（臨床一期） 的人體試驗
DTIGN 是什麼？圖神經網路如何看懂「分子和藥效」的關係？
在 Nanyang Biologics 的技術核心裡，有一個聽起來很酷的 AI 模型 DTIGN「藥物-靶點交互圖神經網路」，英文為 Drug-Target Interaction Graph Neural Network。這個模型最關鍵的功能是，它能模擬一顆藥物分子，有沒有機會對某種疾病產生效果。
但在解釋 DTIGN 如何判斷「藥物有沒有藥效」之前，先讓我們介紹藥物開發中兩個關鍵的概念：分子 和 靶點。
🧩 分子與靶點，是什麼意思？
想像你家門壞了，需要一把能開門的鑰匙。
- 分子（Molecule） 指的是構成藥物的化學結構，就像是各種形狀不同的鑰匙，例如常見的止痛藥中，ibuprofen 就是一個分子，它具有特定的形狀與功能。
- 靶點（Target） 則是那一把鑰匙要開的門鎖 —— 通常是一種和疾病有關的 蛋白質、酵素或受體。比方說 HER2 就是乳癌中的常見靶點；如果能精準抑制它，就可能對癌細胞產生抑制效果。
如果鑰匙插得進去、轉得動，就有機會解決問題（比如關掉癌細胞、減少發炎反應）。
但問題是：人體裡的鎖成千上萬，而大自然給我們的鑰匙更多。
藥物研發團隊要從數以百萬計的分子裡找出「哪一把鑰匙可能打得開這個鎖」，難度可想而知。
🧠 DTIGN 怎麼預測？靠三個 AI 技術核心
① 圖神經網路 GNN（Graph Neural Network）
想像每一顆藥物分子，就像是一座樂高積木城堡。
有些積木是角落，有些是塔樓，組合方式千變萬化。AI 就是那個看過無數座城堡的高手，它可以快速判斷：「這個結構，有可能剛好對應到某個疾病的破口嗎？」
- 分子其實就是一張圖！
一個藥物分子由原子構成，每個原子可以視為一個「節點」，原子與原子之間的鍵（連接）就是「邊」。
GNN 擅長處理這種由點與連線構成的資料結構，所以非常適合用來「理解分子的形狀與功能」 - GNN 比傳統神經網路更能掌握「結構」與「上下文關係」，讓它在像分子這種「連結很重要」的任務上表現更精準。
延伸閱讀：Graph Neural Network Tutorial 圖神經網路教學
② 自注意力機制（Self-Attention）
不是每塊積木都重要。有些只是裝飾，有些卻是關鍵支撐點。
AI 會自己學著去注意那些特別關鍵的區塊，比如一顆分子裡面真正能作用的「尖刺」或「鉤子」。這種自我聚焦的能力，叫做「自注意力」，就像你在找房子時，自動只看廁所跟採光，不浪費時間在看牆壁顏色一樣。
- 自注意力機制是 Transformer（ChatGPT 類模型）中常見的技術，DTIGN 把它用來「關注分子中重要的片段」。
- 它就像是幫助模型自己判斷：「哪個原子結構最有可能產生藥效？」
③ 半監督學習（Semi-supervised Learning）
真實世界不是教科書，很多分子根本沒人測過好不好用。
但 AI 就像一個在補習班旁聽的學生：雖然只有部分題目有解答，但它看久了還是能抓出規律。
這叫做「半監督學習」——讓模型在「部分知道答案，部分不知道」的情況下也能進步。
🧪 DTIGN 的成效如何？不只是快，更讓新藥命中率大幅提升
DTIGN 並不是概念模型，而是已實際應用在 Nanyang Biologics 的新藥發現流程中，並帶來了顯著效益。根據官方公開數據顯示：
- 命中率（Hit Rate）提升 64 倍
相較傳統高通量篩選方法或一般 docking 軟體（如 AutoDock、DeepDTA），DTIGN 能更有效率地預測哪些分子值得進入實驗。
→ 這代表本來可能要測上萬個分子，現在幾百個就能找到目標。 - 預測精準度提升 27.03%
DTIGN 透過圖神經網路與自注意力機制，在測試資料集上相較其他 AI 模型更能準確預測藥效強度（例如 pIC₅₀），讓「虛擬篩選」更可信，減少實驗誤投。 - 研發時間縮短 60–70%
從資料整合、篩選到臨床前前期設計，早期階段的決策周期大幅縮短，讓 Nanyang Biologics 能夠同時推進多條研發管線，並預計在 2024/2025 年啟動多項臨床一期試驗。
🔚從「慢慢找」到「快速篩選」，新藥開發正在被改寫
下一代新藥，可能不是從實驗室撞出來的，而是由 AI 在自然中「算」出來的。
像 Nanyang Biologics 是透過自亞洲天然資源的大型分子資料庫，結合圖神經網路（GNN）與分子模擬技術，快速預測哪些成分可能對疾病有用。
而在全球也出現了許多用不同方法結合 AI 進行藥物開發的團隊，各自打開不同的路徑。
- Atomwise 走的是「結構模擬型」路線，利用深度學習來模擬藥物分子與靶點蛋白之間的三維結合（對接，docking），一次可虛擬篩選上億個分子，適合用於大規模初步探索。
- Recursion Pharmaceuticals 則主打「細胞影像型」，他們讓 AI 看大量顯微鏡影像資料，觀察細胞在不同藥物下的變化，從而反向推敲哪些分子可能有效，即使不知道這些分子長什麼樣。
- BenevolentAI 採取的是「知識圖譜型」，讓 AI 自動讀懂科學論文、基因資料與醫療知識圖譜，找出潛在的疾病機轉與治療連結，甚至在 COVID-19 疫情期間提出了有效用藥的建議。
這些團隊雖然方法不同，但指向同一件事：
AI 不只是加速工具，而是新藥發現的起點。
