AI 與藥神的對話｜從 AlphaFold 到數位藥物設計

當我們試著想像醫療科技的未來時，很難想像還有什麼能比「用 AI 按一個按鈕就能設計出治療疾病的藥物」更令人震撼的願景、像是科幻電影的情節，但對於 Isomorphic Labs 的創辦人 Demis Hassabis 來說，這是他們正在努力實現的現實；作為 2024 年諾貝爾化學獎得主，Hassabis 不僅用 AlphaFold 解決了困擾生物學界 50 年的蛋白質摺疊問題，更進一步將這項突破性技術轉化為 Drug Discovery（藥物發現）平台。

對於每天面對疾病挑戰的臨床醫師而言，Isomorphic Labs 代表一個可能改變我們未來治療方式的轉捩點，傳統藥物發現需要十年以上的時間、數十億美元的投資，成功率卻不到 12%，這家公司則認為這個過程有機會縮短到 1–2 年，並將成功率提升到接近 100%；他們首批 AI 設計藥物預計將在今（2025）年底前開始人體臨床試驗。

從遊戲天才到諾貝爾獎得主的科學傳奇

Isomorphic Labs 創辦人 Demis Hassabis 從 4 歲開始展現下西洋棋的天賦，13 歲時便達到大師級水準，17 歲設計出獲獎遊戲《Theme Park》，將複雜系統轉化為可操作模型。從劍橋大學的電腦科學學士到倫敦大學學院的認知神經科學博士，Hassabis 建立了一個獨特的知識架構，將計算機科學與對大腦運作機制的深度理解相結合，讓他能夠以不同於傳統 AI 研究者的視角來思考人工智慧的發展，不只是單純追求計算能力的提升，而是試圖理解智能的本質。

2010 年 Hassabis 與 Shane Legg、Mustafa Suleyman 共同創立 DeepMind，他們的目標就已經是開發通用人工智慧。在當時，絕大多數人認為這只會出現在科幻小說，但 DeepMind 很快就以突破性的成就證明了這個願景的可能性；從學會玩 Atari 遊戲的深度強化學習系統、到 2016 年擊敗世界圍棋冠軍李世石的 AlphaGo，每一次突破都在刷新我們對 AI 能力的認知三觀。

真正的轉捩點來自於我們先前聊過的 AlphaFold 開發，蛋白質摺疊問題被稱為生物學的「聖杯」，困擾科學家 50 年之久；蛋白質由氨基酸序列組成，功能完全取決於它們摺疊成的三維結構。傳統方法需要透過 X 光晶體學或核磁共振等技術來確定蛋白質結構，過程不僅耗時費力，許多蛋白質的量測更是技術上難以企及。AlphaFold 2 在 2020 年的 CASP14 競賽中取得革命性的成功，在約三分之二的蛋白質上得分超過 90 分，幾乎達到了實驗級的準確度，讓整個生物化學界震驚不已；CASP 的創辦人 John Moult 在宣布結果時甚至問道：「現在該做什麼？」反映科學界對於這項突破所帶來的巨大可能性既興奮又困惑的心情。

數位生物學的誕生：從 AlphaFold 到藥物設計引擎

AlphaFold 的成功解決了基礎科學的問題，也開啟了一個全新的研究典範轉移；Hassabis 意識到要真正實現 AI 在醫療領域的潛力，需要一個專門致力於藥物發現的團隊。2021 年 2 月 Isomorphic Labs 正式成立，公司名稱來自數學概念「同構」，體現 Hassabis 對生物學與資訊科學之間存在深層對應關係的信念。「同構」的概念並非單純的比喻，在 Hassabis 的理解中，生物學本質上是一個資訊處理系統，細胞中的每一個分子交互作用都可以視為資訊的傳遞和處理，而疾病的發生往往是這個資訊處理系統出現了錯誤；從這個角度來看，藥物設計就是要找到能夠修正這些資訊處理錯誤的方法，而 AI 正是處理複雜資訊系統的最佳工具。

AlphaFold 3 的 Launch 標誌團隊理念的進一步實踐，AlphaFold 3 採用全新 Diffusion-Based 的架構，能夠預測包含蛋白質、核酸、小分子、離子和修飾殘基複合物的聯合結構；傳統的研究方法往往需要分別研究每個分子組成，然後嘗試拼湊出整體圖像，而 AlphaFold 3 能夠直接提供完整的分子機制視覺化。許多疾病涉及多蛋白質複合物的功能異常，藥物的作用機制也涉及與多個分子的同時相互作用，例如在癌症治療中，腫瘤細胞往往同時激活多個生化路徑，單一靶點的藥物容易產生抗藥性，而 AlphaFold 3 能夠預測藥物如何同時與多個靶點相互作用，來設計更有效的多靶點療法。AlphaFold 3 在蛋白質-配體交互作用的預測比現有方法準確性提升了 50%，在藥物設計中，理解藥物分子如何與目標蛋白質結合是關鍵的第一步，傳統的分子對接技術往往存在較大的預測誤差，而 AlphaFold 3 的高準確性使得研究人員能夠更有信心地設計新的藥物分子。

重新定義「不可能」：難以成藥靶點的突破

在傳統的藥物發現中，大約 80% 與疾病相關的蛋白質被認為是「難以成藥」的，這些蛋白質由於缺乏明顯的藥物結合位點、或是位點過於表淺，使得傳統小分子藥物難以有效發揮作用，對於我們臨床醫師來說，許多疾病儘管病因明確，卻缺乏有效的治療靶點。Isomorphic Labs 透過 AlphaFold 3 的精確結構預測，研究人員能夠發現以前未知的藥物結合位點，包括在蛋白質表面看似平坦但實際上存在微小凹槽的區域，或者只在特定構象狀態下才會顯露的隱蔽結合位點，使得許多以往被認為「不可成藥」的蛋白質成為開發精準療法的標的。

以癌症治療為例，許多關鍵的癌症驅動蛋白如 RAS 家族蛋白，長期以來被認為是無法用藥的，因為 RAS 蛋白表面相對平坦，缺乏明顯的藥物結合位點，使得開發針對 RAS 蛋白的抑制藥物極其困難。近年來結構生物學的進展，科學家發現了一些 RAS 蛋白上「隱蔽」的結合位點，成功開發出了針對 KRAS G12C 突變的抑制藥物，Isomorphic Labs 的 AI 平台能夠有系統地辨識出這類隱蔽結合位點，大大擴展了可開發藥物的靶點範圍。

公司的技術平台不僅能夠預測靜態的蛋白質結構，還能夠理解蛋白質的動態行為；蛋白質並非靜止不動的分子，而是不斷地運動和改變構象，某些藥物結合位點只在特定的構象狀態下才會顯露出來，這就是為什麼一些藥物的作用機制長期以來難以被我們所掌握與理解，透過 AI 模型對蛋白質動態的預測，研究人員能夠設計出誘導或穩定特定構象狀態的藥物。

Isomorphic Labs 的平台還能同時考慮藥物的多個性質，在傳統藥物開發中，經常需要在藥效、藥物毒性、藥物代謝動力學等多個因素之間取得平衡，一個在體外實驗表現優異的化合物，可能因為溶解度差、代謝過快或毒性過高而無法成為有效的藥物；Isomorphic Labs 的 AI 能夠在設計階段就考慮這些因素，生成既有效又具有良好藥物特性的候選化合物。

對於臨床醫師來說，最關心的問題是技術突破何時能夠轉化為實際的治療選擇？Isomorphic Labs 正從研發階段轉向臨床應用，公司總理 Colin Murdoch 在上個月（2025 年 7 月）明確表示，他們計劃在年底前啟動首批 AI 設計藥物的人體臨床試驗。從 AlphaFold 2 在 2020 年取得突破性成功，到 2025 年首批以這項技術設計的藥物進入臨床試驗，整個過程僅花了 5 年，相較於傳統藥物發現從靶點確認到臨床試驗通常需要 5–10 年的時間，速度的提升不僅代表病人能夠更快擁有新的治療選擇，也意味著藥物開發的成本有機會大幅降低。

首批進入臨床試驗的藥物將聚焦於癌症領域，癌症治療存在巨大的未滿足醫療需求，新的治療方案總是備受期待，且腫瘤科藥物的監管審批程序相對成熟，為 AI 設計的藥物提供清晰的監管路徑，成功的抗癌藥物具有非常巨大的商業價值，能為公司未來發展提供充足的資金。AI 設計的藥物在安全性評估可能也有其優勢，傳統藥物開發中的一大挑戰是預測藥物的毒性、不良反應，許多看似前景光明的候選藥物在臨床試驗中因為出現嚴重的副作用而被迫終止，而 Isomorphic Labs 的 AI 平台能夠在設計階段就預測藥物與人體內各種蛋白質的相互作用，識別可能的脫靶效應和毒性風險，從而設計出更安全的藥物分子。

為了即將到來的臨床試驗，Isomorphic Labs 正在進行大規模的團隊招募，2025 年 6 月任命 Dr. Ben Wolf 這位擁有近 20 年生物製藥經驗的專家為 Chief Medical Officer 負責建立美國業務、領導臨床開發戰略，公司也在麻薩諸塞州劍橋設立美國辦事處，劍橋地區聚集了全球最密集的生物技術公司和人才資源，為臨床試驗的進行提供了理想的環境。

戰略合作：與製藥巨頭的深度結盟

Isomorphic Labs 沒有選擇完全內部研發，而是與全球頂級的製藥公司建立了戰略合作關係，與 Eli Lilly 和 Novartis的合作協議總價值接近 30 億美元，除了獲得充足的研發資金，也擁有了藥業的認可和驗證。與 Eli Lilly 的合作是 Isomorphic Labs 的第一個藥業合作夥伴，Eli Lilly 支付 4500 萬美元的預付款項、承諾高達 17 億美元的 Performance-Based 的 Milestone Payment；糖尿病、阿茲海默症和癌症治療是 Eli Lilly 的強項，這次合作可能會針對這些重大疾病開發出創新的療法。與 Novartis 的合作速度很快，初期協議簽署僅一年多後，雙方就擴大了合作範圍，從最初 3 個「特別具挑戰性」的疾病領域增加到最多 6 個研究項目，目前合作也取得了正面結果。

合作的價值不僅在於資金，也在於知識和經驗的交流，製藥巨頭擁有豐富的藥物開發經驗、完善的臨床試驗體系和全球化的市場網絡，這些都是一家年輕的 AI 公司所缺乏的，透過合作 Isomorphic Labs 能學習到如何將技術突破轉化為實際的市場產品、如何設計和執行大規模的臨床試驗、在海外市場推廣新的治療方案，同時也為 Isomorphic Labs 提供驗證數據來改進 AI 模型的性能，也能夠建立業界對 AI 藥物發現技術的信心。

Isomorphic Labs 既是蛋白質結構預測工具，也是整合多個先進模型的 AI 藥物設計引擎，每個模型專門處理藥物發現過程中的不同挑戰。靶點識別是藥物發現最關鍵的第一步，傳統方法往往依賴生物學家的經驗和直覺來選擇可能的治療靶點，過程既耗時又不一定準確，Isomorphic Labs 的 AI 模型則能分析大量的基因組學、蛋白質組學和臨床數據，識別與疾病過程最相關的特定蛋白質，還能發現人類可能忽略的潛在靶點。

針對藥物-靶點相互作用的預測，Isomorphic Labs 透過理解藥物分子如何與目標蛋白質結合，研究人員能設計出高特異性的化合物，確保藥物只與預期靶點結合，減少副作用；AI 系統也能優化結合親和力，調整分子結構以增強藥物與靶點的結合強度，並預測選擇性，評估藥物是否會與其他蛋白質發生非預期的相互作用。

AI 除了能預測現有分子的性質，還能生成全新的分子結構，所運用的是結合「基於結構」和「基於配體」的藥物設計兩種方法：基於結構的方法根據靶點的三維結構設計能夠完美結合的分子，而基於配體的方法則分析已知活性化合物的特徵，生成類似的新化合物，這個過程能夠進行多目標優化，同時考慮療效、毒性、藥代動力學等多個因素。它能發現不同疾病之間的共同機制、識別可能用於多種適應症的藥物靶點，例如某些免疫調節機制可能同時與癌症、自身免疫疾病和神經退化性疾病相關，透過統一的 AI 平台，研究人員能夠識別這些跨疾病的治療機會；統一平台也因此有潛力加速罕見疾病的藥物開發，罕病由於病人數量少，傳統的藥物開發經濟模型往往不可行，如果能夠利用 AI 平台快速設計和優化候選藥物，就能顯著降低開發成本，使得罕病的臨床研究與藥物開發變得經濟可行。

Isomorphic Labs 需要強大的運算基礎設施來支撐，身為 Alphabet 的子公司，他們能夠利用 Google Cloud 的全球規模運算能力，為 AI 驅動的藥物發現平台提供無與倫比的優勢，蛋白質結構預測和分子模擬需要巨額的運算資源，AlphaFold 3 的訓練使用蛋白質數據庫中數十萬個實驗的蛋白質結構數據，過程需要數週的時間、硬體需有高性能運算集群，模型的推理過程也需要龐大運算資源，預測一個複雜的多分子體系更可能要數小時的 GPU 運算時間，而在藥物發現過程中，研究人員可能需要評估數百萬個候選分子。

Google Cloud 的 TPU（Tensor Processing Unit）為 Isomorphic Labs 提供關鍵運算優勢，TPU 是 Google 專門為機器學習負載設計的專用晶片，在處理深度學習模型時比傳統的 CPU 和 GPU 更加高效，公司配置了 128 個 TPU 核心的 TPU v3 集群來進行模型的訓練，以及大規模 GPU 陣列用於推理計算。根據公開數據，AlphaFold 3 能夠在 0.6 分鐘內預測一個 256 個氨基酸殘基的蛋白質結構，384 個殘基需 1.1 分鐘，而 2500 個殘基的大型蛋白質複合體則需要 2.1 小時，效率的提升使得原本需要數年才能完成的分子建模工作縮短到數分鐘。Isomorphic Labs 也需要處理和整合多種類型的生物學數據，包括來自 X 光晶體學、NMR、冷凍電子顯微鏡等技術的蛋白質結構數據，基因組和蛋白質組序列信息，蛋白質功能詮釋、通道訊息、疾病關聯數據，以及小分子數據庫、藥物性質數據、毒理學訊息等，有效整合和處理這些異質性多模態數據需要非常複雜的數據工程能力。

從競爭優勢到市場領頭羊：商業模式的創新

Isomorphic Labs 的商業模式既充分利用其技術優勢，又與製藥業的商業現實成熟磨合，採用「雙軌戰略」既與大型製藥公司合作提供 AI 平台服務，也進行內部藥物發現的自主開發，在風險收益的重新分配可說是很優秀的策略。傳統的合同研究組織（CRO）通常按工時計費，提供標準化的研發服務，Isomorphic Labs 則採用「前期付款 + 里程碑付款 + 未來版稅」的多層收益模式，與合作夥伴共享成果，適合高風險高回報的創新藥物發現，也體現他們對技術能力的信心。收入來源的多樣化提供財務穩定性和成長潛力，短期收入主要來自合作夥伴的預付款和里程碑付款，目前已確認的預付款總計超過 8000 萬美元；長期收入則包括版稅收入和自主藥物授權，隨著首批臨床試驗的開始，版稅收入有望在 5–10 年內實現。公司的市場定位具有明顯的差異化優勢，與專注於數據分析的競爭對手不同，Isomorphic Labs 基於 AlphaFold 技術構建從蛋白質結構預測到完整藥物設計的端到端平台，不僅分析現有數據，還能夠建立生物現象的預測和生成模型。

Isomorphic Labs 目前在三個具不同戰略功能的據點運營，倫敦總部位於金斯頓十字區，是公司的主要研發中心和企業總部，倫敦作為歐洲的金融和科技中心，聚集大量的 AI 人才和生物技術專家，也靠近 DeepMind 總部，便於兩家公司在技術開發方面的密切協作。洛桑辦公室位於瑞士 EPFL 創新園區，致力於 AI 和生技創新，瑞士在製藥業也有深厚底蘊，羅氏、諾華等全球製藥巨頭的總部都設在這裡，Isomorphic Labs 能更接近歐洲的製藥生態系統，並吸引這裏的頂級人才。劍橋辦公室則位於麻薩諸塞州，聚集了哈佛大學、麻省理工學院等世界頂級學府、大量的生技公司和製藥企業，也是美國生技產業的心臟地帶，為公司在美國市場的發展提供理想的基地。

成功的 AI 藥物發現需要跨學科的專業知識，公司正在建立一支融合 AI、計算生物學、藥物化學、臨床開發和監管事務專家的多元化團隊，跨學科整合並不容易，需要建立能夠促進不同背景人員有效協作的組織文化，公司的人才吸引力不僅來自於技術優勢和商業前景，更來自於使命的崇高性：「用 AI 治癒所有疾病」這個願景對許多優秀的科學家和工程師具有強大的吸引力，能夠參與到可能改變整個醫療產業的專案，這種機會是相當罕見和珍貴的。

儘管 Isomorphic Labs 展現出巨大潛力，作為臨床醫師，我們對新技術既要保持開放的心態，也要維持必要的謹慎。技術挑戰是首要的考慮因素，AI 模型的可解釋性是個老問題，監管機構和醫療專業人員需要理解 AI 如何做出藥物設計決策，特別是當這些決策與人類專家的判斷存在差異時，雖然 AI 模型在預測準確性方面表現優異，但決策過程往往是一個「黑盒子」，這種不透明性可能會影響監管審批和臨床接受度。

實驗驗證是另一個重大挑戰，AI 預測再準確，也需要透過實驗來驗證，從電腦模型到實際藥物的轉譯仍然存在很大的轉化風險，化合物分子在電腦的完美表現並不能保證在生物體內也會有同樣的效果，生物系統的複雜性遠超過我們目前的理解，可能存在 AI 模型無法預測的相互作用。AI 模型的性能高度依賴訓練數據的品質，如果訓練數據存在偏差，模型的預測也會相應偏倚，在藥物發現當中，這種偏差可能會導致對某些病人群體療效的錯誤估計，或者忽略了某些罕見但嚴重的副作用。

AI 藥物發現領域也吸引了越來越多的公司和投資，競爭日益激烈，Recursion、Insilico Medicine、Exscientia 等公司都在快速發展，有些已經有候選藥物進入臨床試驗階段，保持技術領先地位需要持續的創新投資。大型製藥公司內部能力的發展也可能改變競爭格局，隨著 AI 技術的普及和成本降低，製藥巨頭可能會發展自己的內部 AI，減少對外部合作的依賴，可能就會影響像 Isomorphic Labs 的 AI 藥物發現公司長期商業前景。監管機構也仍在發展針對 AI 醫療應用的監管框架，框架的變化可能會影響公司的發展策略，特別是在臨床試驗設計和審批程序。

台灣在半導體和資通訊科技的優勢為發展醫療 AI 提供良好的基礎，關鍵是如何將這些優勢轉化為醫療創新的動力；台灣可以結合自身在 AI 和晶片設計的優勢，發展具有本土特色的 AI 藥物發現平台，亞洲人群在某些疾病的發生率、藥物反應特徵等方面與白種人存在差異，為開發針對亞洲人的個人化療法提供新的機會，例如台灣的肝癌發生率較高且與 B 肝病毒感染相關，AI 可能為開發更有效的肝癌標靶治療提供新選擇。

AI 藥物發現需要既懂 AI 又懂生物醫學的複合型人才，這類人才在全球範圍內都相對稀缺，台灣需要在醫學院、工程學院之間建立更強的跨學科合作，培養新一代的醫療 AI 專家，同時繼續醫學教育也需要加入 AI 相關的內容，幫助現有的醫療工作者理解和適應這個快速變化的領域。傳統的醫療器材和藥品代工模式在 AI 時代也可能需要轉型，台灣企業可以考慮從傳統的製造服務模式轉向技術創新和價值分享模式，藉由知識產權和技術平台創造更高的附加價值。台灣的生技公司可以考慮與 Isomorphic Labs 等國際領先的 AI 藥物發現公司建立技術合作或授權關係，透過合作學習先進技術，並將台灣的優勢帶入國際合作中。台灣的監管單位同樣需要建立適應 AI 藥物特點的監管框架和審查體系，既要保護病人安全，又要避免過度保守的規定阻礙創新，需要監管單位、學術界、產業界的密切合作。

展望未來：數位生物學時代的醫療變革

當我們站在 2025 年這個時間點回望，Isomorphic Labs 的故事就像是一個關於人類智慧和科技進步的完美寓言，從一個 13 歲的西洋棋大師到諾貝爾化學獎得主，再到可能改變整個製藥業的革命者，Demis Hassabis 的經歷展示了跨領域思維的力量。真正的創新常常來自對基礎科學問題的深度思考，AlphaFold 並非為了商業目的而開發，它是為了解決一個困擾科學界 50 年的基本問題而生，但正是這種對科學本質的追求，最終創造出了具有巨大商業和社會價值的技術平台。

對於我們這些醫療工作者來說，Isomorphic Labs 的發展提醒我們要保持開放的心胸，擁抱技術變革帶來的機會，AI 不是要取代醫師，而是要成為我們診療工作的強大助手，當 AI 能夠幫助我們設計出更有效、更安全的藥物時，我們將能分配更多的時間與注意力在醫病互動、治療方案的個別化擬定、醫療資源的優化配置。任何革命性的技術都需要時間來證明其真正的價值，雖然 Isomorphic Labs 潛力令人執得期待，但從 AI 預測到實際的臨床治療還有很長的路要走，需要密切關注首批藥物的臨床試驗結果。如果 Isomorphic Labs 的技術能夠成功將藥物發現時間從 10 年縮短到 2 年，將成功率從 10% 提升到接近 100%，那麼整個醫療產業的格局都將發生根本性的改變，我們可能會看到更多針對罕病、重大傷病的治療方案，更多量身定制的精準治療，以及更低的醫療成本，目前被認為無法治癒的疾病，可能在 AI 的幫助下找到有效的治療方法。這個美好未來並不會自動到來，需要科學家的持續努力、投資人的長期支持、監管單位的智慧拿捏、我們醫療從業者的理解和參與，只有當所有的利益關係人共同努力時，AI 驅動的醫療革命才能真正惠及每一位病人；Isomorphic Labs 的故事還在繼續書寫，但它已經為我們描繪了一個充滿可能性的未來：疾病不再是不可戰勝的敵人，而是等待被 AI 解密的複雜密碼拼圖。作為這個變革時代的見證者和參與者，我們有幸能夠親眼看到人類智慧與機器智能的結合如何為醫學帶來新的曙光，不僅是科技的嘉惠，更是人類對抗疾病、追求健康的永恆努力的新篇章。

回望人類醫學的長河，藥物的誕生往往伴隨數十年的等待與無數失敗的試煉；而如今，AI 正在改寫這段歷史。Isomorphic Labs 不只是一家新創公司，它代表的是一種跨越疆界的思維實驗：將電腦科學的邏輯，嫁接到生命最隱微的密碼上，讓疾病不再是偶然的詛咒，而是一道道可以被人類解譯的數學公式。對臨床醫師而言，這不只是縮短藥物發現的時間，更是為每一位病人爭取到與死神談判的空間，當 AI 能在實驗室裡加速百倍地探索分子結構，醫師便能在病房裡多花一點時間傾聽、安慰、理解。未來的醫療，不再只是冷冰冰的演算法與藥瓶，而是人性與智能並肩作戰的詩篇。若這場革命成功，它將不僅重塑產業格局，更將重塑我們對「治癒」一詞的想像。

— –

📒 Compiled by — 台中慈濟醫院復健科 R4 陳佳菁醫師 Sigrid Chen, PM&R Resident Physician at Taichung Tzu Chi Hospital, Taiwan; Former Medical Consultant at ASUS Intelligent Cloud Services.