生成式 AI於新藥開發與精準醫療技術研討會
時間：12/19 (四) 09:00-17:00
地點：台北生技園區 多功能廳
活動內容
新藥開發長期面臨高成本、高風險與低成功率的挑戰，而人工智慧 (Artificial Intelligence, AI) 憑藉其強大的數據處理與分析能力，正在改變傳統研發模式。本次研討會匯聚產業專家與學術研究者，聚焦AI技術在生技醫藥領域中的突破性應用，深入探討生成式AI在新藥開發和精準醫療中的實際成果與未來趨勢。
透過設置四大主題，全面展示AI如何推動產業革新，內容將分別透過AI技術新藥開發之產業洞悉、新藥靶點探索與運算分析、藥物設計優化及驗證開發，探討生成分子結構的技術性突破，同時結合學研量能革新的角度，描繪出新藥開發和精準醫療的未來藍圖。本次研討會旨在透過深入討論這四個主題，揭示生成式AI在新藥開發與精準醫療中的潛力與應用價值，不僅推動產業創新，更促進學術與產業的深度融合，為AI生技醫藥領域的未來發展提供重要指引。
活動議程
主辦單位：生技醫藥產業發展推動小組、 NVIDIA、生物技術開發中心、台灣產業科技推動協會
協辦單位: 台北生技園區、環球生技、基因線上
贊助單位: 仁寶電腦、藥華醫藥
|
時間 Time |
內容 Content |
講者 Speaker |
|
08:30-09:00 |
報到 |
|
|
09:00-09:15 |
開場致詞 |
經濟部產業發展署 長官 |
|
涂醒哲 董事長 生物技術開發中心 暨TITA 理事長 |
||
|
Dr. Ettikan Kandasamy Karuppiah Director of Technologist Asia Pacific South, NVIDIA |
||
|
09:15-09:20 |
大合照 |
|
|
09:20-09:40 |
大會引言暨主持 |
黃千岳 主任 生技醫藥產業發展推動小組 |
|
AI新藥開發產業趨勢洞悉 |
||
|
09:40-10:05 |
全球AI新藥開發現況與產業趨勢 |
劉韋博 處長 產業發展處 |
|
10:05-10:30 |
生成式AI技術驅動新藥研發與精準醫療的未來 |
陳映嘉 博士 NVIDIA |
|
10:30-10:50 |
Coffee break |
|
|
AI新藥探索與靶點分析 |
||
|
10:50-11:10 |
從數據到藥物： 生醫數據驅動藥物標靶之探索 |
張哲維 博士 智慧生醫組 生物技術開發中心 |
|
11:10-11:30 |
GPU加速基因分析：解鎖個人化醫療的未來 |
黃威仁 博士 NVIDIA |
|
11:30-11:50 |
結合生成與因果AI的藥物開發策略 |
魏宇峰 博士 共同創辦人兼執行長 |
|
11:50-12:10 |
多體學分析與雲端加速運算：AI探索靶點與新藥應用的全新機會 |
莊承訓 博士 亞大基因科技(股)有限公司 |
|
12:10-13:20 |
Lunch break |
|
|
AI驅動藥物設計優化與驗證開發 |
||
|
13:20-13:40 |
利用NVIDIA BioNeMo加速藥物發現：AI驅動的模型建構與部署 |
傅琪鉦 博士 高級開發者關係經理 |
|
13:40-14:00 |
人工智慧在藥物開發中的發展與應用 |
柯屹又 博士 智慧生醫組 組長 生物技術開發中心 |
|
14:00-14:20 |
藥物生成AI - 多模篩藥到單模多態生成 |
陳逸庭 處長 AI平台處 |
|
14:20-14:40 |
AI新藥開發的虛實整合：多模型協作的先導化合物優化 |
劉昕 共同創辦人 分子智藥(股)有限公司 |
|
14:40-15:00 |
以生成式AI加速新藥開發：從夢想到實現 |
陳淑貞 博士 科學長 |
|
15:00-15:20 |
Coffee break |
|
|
AI技術重新定義生物醫學研究 |
||
|
15:20-15:40 |
站在巨人的肩膀上, what’s next in AIDD? |
林彥竹 博士 藥學系 兼任助理教授 國立陽明交通大學 |
|
15:40-16:00 |
Forging physics-corrected deep-learning approaches and AI robotics for high performance drug discovery |
林榮信 博士 生醫轉譯研究中心 副主任 |
|
16:00-16:20 |
Evaluating Polygenic Risk Scores for Predicting Cardiometabolic Traits and Disease Risks in the Taiwan Biobank |
鍾仁華 博士 研究員 |
|
16:20-16:40 |
AI藥廠的挑戰與機會：一位電腦結構生物學家的看法 |
楊立威 博士 生物資訊與結構生物所 教授 |
|
16:40-16:50 |
NVIDIA Inception新創計畫 |
李昇達 博士 新創與創投關係經理, NVIDIA |
|
16:50-17:00 |
維曙智能科技與生物技術開發中心MOU簽署儀式 |
維曙智能科技、生物技術開發中心 |
【演講者】
《開場致詞》
|
涂醒哲 董事長 生物技術開發中心(DCB) 暨 台灣產業科技推動協會(TITA) 理事長 |
|
涂醒哲醫師現為生物技術開發中心（DCB）董事長，同時亦是台灣產業科技推動協會（TITA）理事長。他擁有台灣大學醫學系學士、公共衛生碩士及美國加州大學洛杉磯分校（UCLA）公共衛生博士學位。涂醫師曾任衛生署署長、疾病管制局局長及臺北市衛生局局長，推動B型肝炎疫苗接種計畫等公共健康政策，並創立紅絲帶基金會推動疾病防治理念，奠定臺灣在國際醫療衛生領域的重要地位。涂醫師以專業公共衛生背景與國際視野，貢獻於防疫政策及臺灣的國際參與，持續為台灣的醫療制度、產業科技致力貢獻，引領台灣生醫產業邁向未來。 |
|
 |
Dr. Ettikan Kandasamy Karuppiah |
|
Dr. Ettikan Kandasamy Karuppiah是NVIDIA亞太南區的技術專家/總監，他與創新者、研究人員和技術企業家合作，加速AI與GPU的適應，滿足他們的轉譯研發和軟體解決方案需求。 |
|
《大會引言》
|
黃千岳 主任 生技醫藥產業推動小組(BPIPO) 暨 生物技術開發中心(DCB) 副執行長 |
|
現任經濟部生醫推動小組主任，同時也是生物技術開發中心副執行長的黃千岳博士，擁有深厚的專業背景及豐富的生物藥物、新藥開發與產業技術管理經驗。他畢業於國立臺灣大學化學工程學系（學士、碩士），並取得美國麻塞諸州立大學化學工程博士學位。曾擔任美國輝瑞 (Pfizer) 新藥研發部 Group Leader、美國新澤西理工學院助理教授、凱斯西儲大學物理系研究員，以及台灣創視紀科技股份有限公司技術長與董事長特助。 黃主任對生成式 AI 在新藥開發與精準醫療中的應用具有深刻見解，並積極推動相關領域的創新與發展。他結合專業知識與國際經歷，在生技產業中展現出前瞻性的視野與獨到的見解，為推動產業進步貢獻卓越價值。 |
|
《AI新藥開發產業趨勢洞悉》
|
|
劉韋博 處長 Weber Liu 生物技術開發中心(DCB) 產業發展處 |
|
劉韋博目前是生物技術開發中心(DCB)產業發展處處長，深耕技術創新管理與開發近20年，帶領團隊涵蓋產業市場分析、創新技術評估、授權合作推廣以及新創育成加速，協助提升創新技術之產業化效益。曾經擔任世福細胞醫學科技副總經理、瑪旺幹細胞醫學執行長、台新證券投顧副理。劉處長畢業於台大EMBA財務金融組以及台大分子醫學研究所，現階段亦代表國發基金擔任聯亞生技開發(股)公司董事。 |
|
|
|
陳映嘉 博士 Ying-Ja Chen, PhD 生技醫療領域解決方案架構師 Solutions Architect, Healthcare & Life Sciences NVIDIA |
|
陳映嘉目前是NVIDIA亞太地區的醫療與生技解決方案架構師，過去在生技產業有十餘年研發經驗，曾擔任行動基因生物資訊暨人工智慧處副處長、宏碁研發經理及Insilico Medicine技術合作副總監。陳博士的專長領域從基因定序技術開發、合成生物學，到生物資訊和人工智慧在檢測與新藥的應用，曾發表於《Lab-on-a-Chip》和《Nature Methods》等期刊，並為多項專利的發明人。陳博士畢業於台大電機系、加州大學聖地牙哥分校生物工程博士，並在麻省理工學院完成博士後訓練。 |
|
《AI新藥探索與靶點分析》
|
|
張哲維 博士 Jer-Wei Chang, PhD 藥物平台技術研究所 智慧生醫組 副組長Deputy Director 生物技術開發中心(DCB) |
|
張哲維博士現任生技中心智慧生醫組副組長，專注於生醫數據在藥物開發中的應用與創新。他於國家衛生研究院完成博士後研究訓練，專精於癌症分子生物學與生物資訊學，具備深厚的研究背景與跨領域專業能力。張博士曾於茂英基因科技協助開發針對癌症診斷與治療的演算法技術。目前他在生技中心致力於推動以數據驅動的新藥開發模式，為精準醫療與創新治療方案提供技術支持。 |
|
|
|
黃威仁 博士William Wong, PhD 資深開發者關係經理Sr. Developer Relations Manager NVIDIA |
|
黃威仁博士是NVIDIA的資深開發者關係經理，專職於透過NVIDIA的軟體平台擴展並賦能開發者生態系夥伴。黃博士在生成式AI、深度學習及機器學習的應用方面具有豐富的專業知識，涵蓋製造業、數據科學、電腦視覺及工業數位化領域，並積極推動開發者社群中的創新與合作。 |
|
|
|
魏宇峰 博士Yu-Feng Wei, PhD 共同創辦人兼執行長 Co-founder & CEO 維曙智能科技有限公司 |
|
魏博士近30年職涯皆致力於將創新技術轉化為業界解決方案。從麻省理工博班開始，便以其研究的設計方法論協助波音設計787 客機並取得多項專利。之後共同創辦維曙智能科技(Vizuro LLC)，以因果模型結合多模態深度學習技術為基礎，為業界建構各種具開創性的解決方案，例如: 新藥開發，癌症檢測，機器視覺，全通路精準行銷等。公司在美國波士頓與台北有辦事處，創辦至今年營業額皆以年均二位數成長，是少數無須融資而能持續成長的新創公司。 魏博士畢業於麻省理工學院獲機械博士，專攻設計方法與創新產品開發。先前畢業於威斯康辛大學麥迪遜校區工業工程所，以及國立台灣大學機械工程系，並曾服役於海軍陸戰隊。 |
|
|
|
莊承訓 博士 Cheng-Hsun Chuang, PhD 生物資訊科學家 Bioinformatics Scientist 亞大基因科技(股)有限公司 |
|
莊承訓博士擁有國立陽明交通大學分子醫學與生物工程研究所博士學位，曾任生物資訊工程師與數據科學家，現於亞大基因擔任生物資訊科學家，專注於建置多體學雲端加速平台，以支援精準醫療的多元應用。研究專長涵蓋癌症生物學、生物資訊學及 wet lab 技術，聚焦於探索癌症免疫異質性模式及新穎生物標誌物，致力於開發創新標靶藥物和治療策略。期間亦參與多類型基因數據分析，發表多篇國際期刊並取得專利。研究範圍包括癌症、靜脈曲張、中性球低下症、器官移植等多種疾病，以及抗體序列、基因檢測晶片、保健食品、樹種分析、AI預測模型等商業應用，累積了豐富的多體學研究與應用轉化經驗。 |
|
《AI驅動藥物設計優化與驗證開發》
|
|
傅琪鉦 博士 Chi-Cheng Fu, PhD 高級開發者關係經理 Strategic Researcher Engagement 戰略研究者合作, NVIDIA |
|
傅琪鉦博士目前擔任NVIDIA高級開發者關係經理，專注於協助各科學領域的頂尖研究者利用NVIDIA平台推動科學突破。加入NVIDIA之前，曾擔任上海復星集團科創合夥人，領導科研團隊進行AI醫學研究。傅博士擁有加州大學柏克萊分校生物工程博士學位，並曾在HHMI進行博士後研究。 |
|
|
|
柯屹又 博士 Yi-Yu Ke, Ph.D. 藥物平台技術研究所 智慧生醫組 組長 Director 生物技術開發中心(DCB) |
|
現任生物技術開發中心智慧生醫組組長的柯博士，專長為電腦輔助藥物設計及AI輔助藥物開發，擁有20多年電腦輔助藥物設計經驗。過去曾任職於國家衛生研究院生技與藥物研究所擔任PI，參與多項小分子及生物藥物的開發，發表超過40多篇電腦輔助藥物設計相關國際專業論文。2021年，擔任藥騰有限公司執行長，領導藥物設計平台的開發工作。過去曾榮獲多項重要獎項，包括2020年科技部未來科技獎、2022年第19屆國家新創獎及2024年第21屆國家新創獎。柯博士也擁有多項藥物專利，涵蓋小分子藥物、抗體藥物及核酸藥物等領域。 |
|
|
|
陳逸庭 處長Tim Chen AI平台處 Director of AI platform 美商圖策科技有限公司-台灣分公司 |
|
|
|
|
劉昕 技術長Liu Hsin C.T.O 共同創辦人. Co-founder 分子智藥(股)有限公司 |
|
畢業於國立台灣大學資訊工程學系，早期於 IC 設計公司從事韌體設計，隨後投身於人工智慧物聯網（AIoT）領域，深入探索智慧科技應用及跨領域技術整合。曾共同創辦專注 AI 醫療影像的公司 Deep01，結合人工智慧與醫學影像技術，推動醫療創新，並藉此積累了結合AI與生物醫學的豐富經驗。目前為 AI 製藥公司 VIRTUALMAN 共同創辦人，並同時攻讀國立台灣大學生醫電資所博士學位，專注於結合人工智慧與藥物開發，尤其是在先導化合物的生成設計與合成優化過程中，推動生成式AI在新藥開發中的應用與突破。講者致力於加速先導化合物的優化與臨床前研究應用，進一步推動AI技術在新藥領域的全面發展。研究專長涵蓋人工智慧演算法、生成式AI技術、數據分析與生物醫學應用，並擁有豐富的跨領域技術整合與商業化經驗，成功應用於醫療與藥物開發領域。 |
|
|
|
陳淑貞 博士 Shu-Jen Chen, Ph.D. 科學長 Chief Scientific Officer 安宏生醫(股)有限公司 |
|
|
《AI技術重新定義生物醫學研究》
|
|
林彥竹 博士 Yen-Chu Lin, PhD 藥學系 兼任助理教授Adjunct Assistant Professor 國立陽明交通大學 |
|
林彥竹博士目前擔任國立陽明交通大學藥學系兼任助理教授，林博士具有豐富的AI藥物開發業界經驗，在多所大學開設 AI 藥物開發課程，致力於將新穎科技新知傳授給學生，為台灣培育下一代跨領域生物科技人才。之前他擔任 InSilico Medicine 台灣分公司 InSilico Medicine Taiwan (英科智能) 總經理。InSilico Medicine為全球領先的 AI 藥物開發公司，使用生成式 AI (Generative AI)建構藥物研發平台，推進並加速創新藥物研發。台灣分公司在林博士的帶領下，建立完整的藥物研發團隊，除了參與集團 AI 平台研發工作以及新藥開發，亦成功與多家國際藥廠簽訂戰略合作協議，協議金額超過百萬美金。此外，林博士帶領台灣團隊與鴻海研究院量子研究所合作，發表兩篇結合量子計算(quantum computing)與量子化學(quantum chemistry)和 AI 於藥物設計的論文，為 InSilico Medicine 第一篇量子計算的研究。林博士團隊亦與中原大學數位退火技術團隊合作，發表數位退火演算法於藥物合成上的應用。林博士於 2022 年獲選為環球生技台灣新創十大CEO。林彥竹博士畢業於台大藥學系，並於台大藥理所取得碩士學位，之後赴瑞士蘇黎世聯邦理工大學(ETH Zurich)取得藥學博士學位，之後林博士於新加坡科技研究局(A*STAR) 和哈佛大學(Harvard University)完成博士後研究訓練。 |
|
|
|
林榮信 博士 Jung-Hsin Lin, Ph.D. 生醫轉譯研究中心 副主任 Deputy Directory 中央研究院 |
|
林榮信教授是計算藥物學與結構生物資訊領域的專家，其研究專注於開發創新的計算方法以促進新藥開發與應用。 |
|
|
|
鍾仁華 博士Ren-Hua Chung, PhD 研究員 Investigator 國家衛生研究院 |
|
學歷 • 2006 博士，生物資訊學（輔修統計學），美國北卡羅來納州立大學 • 2003 碩士，資訊科學，美國加州大學戴維斯分校 • 2000 學士，資訊科學，國立交通大學 經歷 • 2020年至今 研究員，國家衛生研究院群體健康科學研究所 • 2012-2020 副研究員，國家衛生研究院群體健康科學研究所 • 2008-2011 助理教授，美國邁阿密大學人類基因體中心 |
|
|
|
楊立威 博士 Lee-Wei Yang, PhD |
|
楊立威教授是電腦結構生物學家、理論物理化學家，現為國立清華大學生物資訊與結構生物研究所教授及前任所長(2020-2023)，並兼任智慧生醫博士學程主任（2021年至今）。為中研院TIGP生物資訊學程及化學生物與分子生物博士學程的教授。現為韓國梨花女子大學全球AI藥物設計中心（EGF）研究員(2024-2026)，曾在短期擔任美國匹茲堡大學(2022)、大阪大學IPR的客座教授(2018)。亦是英國利物浦大學雙聯學位的榮譽教授（2018-2022），並在大阪大學擔任客座教授（2018），現為國家理論科學中心（物理組TG4.3）的核心成員。楊教授畢業於國立台灣大學化工系（1997年），國立清華大學化工所（1999年），並於2005年在美國匹茲堡大學醫學院取得博士學位。畢業後，他加入東京大學分子與細胞生物科學系，於Akio Kitao博士的實驗室進行JSPS研究員工作（2006-2009）。之後，他前往哈佛大學化學與化學生物學系，於Shakhnovich博士實驗室擔任博士後研究員（2010-2011）。回台後，楊教授於2011年加入國立清華大學生醫學院生資所擔任助理教授，2015年晉升為副教授，2017年獲吳大猷獎，2018年升等為教授。他在清華大學期間還擔任過全球處國際學生組組長（2016-2019），並擔任過生物資訊與結構生物學研究所所長(2021-2023)。學術文章發表於Nature Communications, Nano Energy, Nucleic Acids Research, Bioinformatics, Current Opinion in Structure Biology, Structure, EMBO Reports, IEEE Journal of Biomedical and Health Informatics, Theranostics, eLife etc |
|
 |
李昇達 博士 Sheng-Ta Lee, PhD |
|
李昇達博士目前為 NVIDIA 新創與創投夥伴關係經理，專業應用領域包含生物資訊、基因定序、車用智慧座艙、先進駕駛輔助系統及自動駕駛系統。就學及職業生涯16 年間，專注於應用 GPU 龐大運算能力於密集運算以加速技術及產品的研發。 |
|
【議程摘要】
主題1: 《AI新藥開發產業趨勢洞悉》
全球AI新藥開發現況與產業趨勢
近年來隨著AI技術蓬勃發展，全球AI在新藥開發的應用日新月異，參與AI驅動藥物開發的廠商顯著倍增，範疇涵蓋靶點探索分析、藥物精實篩選、設計優化開發、特性模型驗證以及藥物重新定位等，TechBio與BioTech新型生態系儼然形成。此外，今年(2024)引人矚目的焦點，來自英國Exscientia與美國Recursion兩個AI新藥研發公司宣布合併，是否意味著產業即將邁入下一階段的快速發展，值得讓人期待。
本次研討會匯聚產業專家與研究學者，透過全球AI新藥開發現況與產業趨勢分析，探討AI在新藥開發和精準醫療之實際應用與跨域合作模式，同時盤點台灣在AI藥物開發的潛在量能，促進產學研醫的深度融合，強化台灣AI藥物開發之產業價值鏈，加速產業革新。
生成式AI技術驅動新藥研發與精準醫療的未來
生成式AI用於加速新藥研發和精準醫療的進程已是現在進行式。讓我們探討如何將榮獲諾貝爾獎的AI技術用於蛋白質設計和新藥開發，並且加速基因體學和單細胞空間體學的研究，從而開啟創新型藥物發現的新篇章。我們將闡述這些技術在虛擬藥物篩選和蛋白質設計中的應用，展示其如何提升研發效率、縮短開發時間、並推動個性化醫療的實現。透過具體案例與技術演示，觀眾將理解生成式AI如何助力生物技術與醫療領域，塑造未來的藥物研發與臨床應用。
主題2: 《AI新藥探索與靶點分析》
從數據到藥物: ：生醫數據驅動藥物標靶之探索
藥物標靶探索是藥物開發的關鍵第一步。傳統方法如高通量篩選雖然曾在標靶探索中扮演重要角色，但其效率低、成本高，且難以應對複雜疾病的挑戰。隨著生醫大數據技術的迅速發展，標靶探索迎來全新契機。基因組學、蛋白質組學、臨床數據與AI的整合，顯著提升了標靶發現的效率與精準度，徹底革新了藥物開發流程。
生技中心運用生物資訊、統計分析和AI模型對生醫大數據進行深度解析，發掘潛在基因標靶。後續結合多種資料庫的註解、分析模型以及藥物開發需求，篩選出候選藥物標靶，並透過生技中心的藥物研發平台進行實驗驗證與開發。展望未來，通過數據標準化與提升品質、深化跨領域合作及推動技術創新，數據驅動的標靶探索將加速精準醫療的實現。
GPU加速基因分析：解鎖個人化醫療的未來
隨著科技進步，個人化醫療成為未來醫療的重要方向，但基因分析需要處理大量數據，對傳統計算方法構成挑戰。本演講將介紹如何利用GPU技術來加速基因分析，重點展示NVIDIA的Parabricks和RAPIDS軟體。 NVIDIA Parabricks能大幅縮短基因組分析時間，幫助研究人員快速解析基因數據; RAPIDS則加速數據處理和機器學習，提升基因分析的效率。演講將分享這些技術的優勢、效能比較和實際應用，展示GPU如何助力突破計算難題，加速個人化醫療的發展。
結合生成與因果AI的藥物開發策略
今年的諾貝爾化學獎授予計算蛋白科學與抗體設計。然而，我們仍需更有效的工具來進行靶點識別。我們團隊採用複合AI驅動方法，結合擴散生成式AI進行治療性抗體設計，以及使用因果AI揭露疾病相關性及精確靶點識別。通過CDR移植和專有的CDR優化框架來優化抗體-抗原相互作用及其結合親和力，同時減少免疫原性，確保宿主兼容性，並潛在地改善治療效果。
此外，我們應用因果AI解開多組學數據中的隱藏路徑，並通過靶點中心方法，識別跨疾病的共享靶點。總體而言，生成式AI和因果AI的協同方法提供了一個設計高親和力和高特異性抗體的解決方案，並潛在減少脫靶效應，推動治療性抗體的發展，並拓展對各種疾病機制的理解。
多體學分析與雲端加速運算：AI探索靶點與新藥應用的全新機會
在新藥開發的過程中，靶點探索是一項關鍵且充滿挑戰的任務，數據維度問題或分析速度受限而難以應對當前醫學研究的需求。本演講將探討如何結合多體學分析與雲端加速運算，驅動人工智慧技術開啟靶點探索與新藥應用的全新機會。多體學數據整合基因、轉錄和蛋白組學等多層次生物學數據，提供對疾病機制的全面理解。雲端運算則以高效處理大規模數據集為基礎，加速了數據分析的速度和準確性。結合 AI 模型則能將複雜資料降維，找尋關鍵特徵，並優化藥物設計流程。講師將透過實際案例分享，展示技術整合平台對新藥開發的重要性，以及在精準醫療領域的未來潛力。
主題3: 《AI驅動藥物設計優化與驗證開發》
利用NVIDIA BioNeMo加速藥物發現：AI驅動的模型建構與部署
AI 驅動的藥物發現有潛力革新製藥行業，但仍需克服效能和工具整合挑戰。本講座將介紹專為藥物發現設計的 AI 平台 NVIDIA BioNeMo，展示如何優化藥物發現流程，提供預訓練模型、優化框架及研究支持。BioNeMo 支援多節點和多 GPU 基礎設施，簡化從概念驗證到企業級部署的過程，顯著降低成本與時間。我們還將介紹 NVIDIA NIM，提供優化的推理微服務，幫助加速藥物發現過程。
人工智慧在藥物開發中的發展與應用
隨著科技發展，人工智慧（AI）正深刻改變藥物開發的傳統模式。以往的藥物設計主要依賴高效能計算技術，如分子動力學和量子化學模擬，來分析藥物與目標蛋白的相互作用。然而，這些方法往往耗時且成本高昂。AI的引入不僅顯著提高了藥物開發的效率，也帶來了全新的可能性。利用深度學習與機器學習技術，AI能快速篩選潛在藥物分子，模擬其藥理特性，並預測毒性和副作用。在小分子藥物設計中，AI輔助生成新分子並進行結構優化，大幅縮短了藥物開發的周期。抗體藥物的開發也因AI的應用而取得突破，特別是在抗原-抗體結合位點的預測及序列設計上。核酸藥物（如siRNA和mRNA疫苗）方面，AI更是發揮了重要作用，涵蓋靶點選擇、序列設計及穩定性預測等，為精準醫療開啟了嶄新的局面。AI的應用不僅提升了藥物開發的速度與成功率，還有效降低了成本，促進了個性化醫療和罕見病藥物研發的可能性。展望未來，隨著AI技術的持續進步，其在藥物開發中的應用將變得更加多元化和深入，為醫藥科技帶來新的突破與機遇。
藥物生成AI-多模篩藥到單模多態生成
隨著人工智慧技術的進步，AI在藥物開發中的應用正加速實現藥物創新。本次演講將探討AI技術如何從早期的單一模型應用，逐步發展為整合不同藥物開發階段的多模態模型。
我將分享大多AI公司將藥物開發模型所串連的Flow Screening所面臨問題，以及解釋為何Graphen Drugomics需要構建一個端到端的多模態AI模型，實現藥物開發的全面升級。通過此技術，Graphen Drugomics在半年內成功建立多個藥物開發Pipelines，與模型生成藥物於不同實驗準確率達91%，並完成動物實驗驗證。本演講將展示多模態AI如何大幅提升藥物開發效率與成功率，並對未來技術發展方向進行展望。
AI新藥開發的虛實整合：多模型協作的先導化合物優化
AI已成為新藥開發的重要工具，本次分享將基於具體案例，提供技術細節與實際經驗，介紹AI在先導化合物優化中的應用方法。內容包括模型選擇與多模型協作的策略，並展示多模型協作在藥物設計中的實際案例。此外也將討論虛實整合所面對的挑戰及如何驗證AI生成藥物的可行性。最後將展示我們可以如何整合Nvidia的現有技術，探索更多加速藥物優化過程的可能。
以生成式AI加速新藥開發：從夢想到實現
新藥開發從概念到臨床應用的過程漫長且複雜，傳統的藥物篩選方法存在局限性，昂貴的成本和冗長的研發週期常常成為發展的瓶頸。近年來，人工智慧（AI）作為一種顛覆性工具，正在革命性地改變藥物發現的速度、效率和精度。此次報告將探討人工智慧如何加速蛋白降解劑的研發，蛋白降解劑是一類能夠選擇性降解致病目標蛋白的治療藥物。
我們將通過實際案例，展示人工智慧技術在新藥研發中的應用，包括靶標蛋白選擇、預測建模、化合物設計和藥物性質預測等環節。利用AI技術，能夠以前所未有的精度識別新的藥物靶標，並優化降解劑分子的設計。結合深度學習、生成式AI、強化學習以及先進的分子模擬技術，AI不僅能夠加速先導化合物的篩選，還能快速提高蛋白降解劑的特異性與效力，推動臨床候選藥物的開發，顯著縮短藥物從研發到上市的時間。
主題4: 《AI技術重新定義生物醫學研究》
站在巨人的肩膀上, what’s next in AIDD?
生成式AI的崛起，正掀起一股席捲全球的科技浪潮。在製藥產業，AI驅動的藥物發現 (AIDD) 已不再是遙不可及的未來，而是當前最熱門的研究領域之一。
本演講將深入探討生成式AI在製藥界的現況與未來發展。我們將從以下幾個方面展開論述：
• 生成式AI如何改變藥物發現的遊戲規則： 傳統藥物發現過程漫長且昂貴，生成式AI的出現，使得我們能夠以更快速、更精準的方式設計新型分子，加速藥物研發的進程。
• 生成式AI在藥物發現的具體應用： 演講將介紹生成式AI在蛋白質結構預測、小分子藥物設計、以及藥物重定位等方面的最新進展和成功案例。
• 站在巨人的肩膀上： 我們將回顧過去幾年AIDD領域的重大突破，並在此基礎上展望未來。生成式AI的發展潛力無窮，但同時也面臨著諸多挑戰，例如數據質量、模型可解釋性等。
• What's next in AIDD? 演講的最後，我們將探討AIDD領域的未來發展趨勢，以及業界對於未來AI藥物開發的期待和展望。
Forging physics-corrected deep-learning approaches and AI robotics for high performance drug discovery
In this seminar I will present an integrated drug discovery platform that combines rapid high-throughput structure-based virtual screening of ultra large chemical libraries with deep-learning models and cloud computing, more rigorous free energy evaluations based on molecular dynamics simulations and adaptive umbrella sampling methods. I will also talk about some scenarios that are quite challenging for AI-based structure prediction, and I will talk about our recently established automatic facility using AI robotics for carrying out cell culture, virus titration assays, chemical synthesis, and drug testing.
Evaluating Polygenic Risk Scores for Predicting Cardiometabolic Traits and Disease Risks in the Taiwan Biobank
Background: Type 2 diabetes (T2D), hypertension, and hyperlipidemia are interrelated risk factors for cardiovascular diseases. Advances in genome-wide association studies (GWAS) provide an opportunity to explore the genetic structures underlying cardiometabolic traits related to these diseases. Polygenic Risk Scores (PRSs) are emerging tools for disease risk prediction. This study evaluated the predictive value of PRSs on cardiometabolic traits and disease incidence in Taiwan Biobank samples.
Methods: PRSs for T2D, hypertension, body mass index (BMI), and 9 quantitative traits (e.g., fasting glucose, HbA1c, blood pressure, lipids) were constructed using GWAS summary statistics. The 12 PRSs were jointly tested for associations with 9 traits at baseline. Composite PRSs (cPRSs) were derived by aggregating significant PRSs from genetically correlated traits. Associations of cPRSs with baseline traits and their changes during 3–6 years of follow-up were assessed. Predictive performances of cPRSs for T2D, hypertension, and hyperlipidemia were compared to models using clinical features alone.
Results: Significant associations were observed between traits and their respective PRSs, as well as with PRSs of genetically related traits. cPRSs explained more variance for traits than individual PRSs and were significantly associated with trait changes over time. Models combining cPRSs with clinical features achieved AUCs of 76.04%, 77.79%, and 69.32% for predicting T2D, hypertension, and hyperlipidemia, respectively.
Conclusions: This study highlights the genetic complexity of cardiometabolic traits and demonstrates the potential of PRSs to enhance prediction models for T2D, hypertension, and hyperlipidemia.
AI藥廠的挑戰與機會：一位電腦結構生物學家的看法
今年諾貝爾物理獎得主Geoffrey Hinton在2010年提出解決 vanishing gradient descent來解決深層網路的學習瓶頸後，2012-2018是許多在英美AI藥廠新起的年份，回顧AI藥物發展的十年里程碑時，我們遺憾地發現臨床實驗結果不盡如人意，讓先驅者謙虛，後進者警惕。當AI藥物發展不盡如人意時，問題是在藥物設計的基本邏輯有問題，還是 AI本身不夠完善？講者將提出實證與經驗，說明這兩者，尤其是前者的潛在問題，以及可能的對應策略與POC。在分子層面提高藥物設計的準確性雖然重要，但目前的製藥將也一樣重要的藥品安全性、動物及人體藥物動力及藥效（PK/PD）預測 及 動物療效 只當作「篩選」工具，而不是經過反饋的分子「設計」工具，使得分子層面的精準設計不一定能確保臨床上的成功。在此次的演講中，我將討論我們最近在藥物設計中的一點成果，這些成果通過結合FDA批准藥物的化學片段的重組，結合了靶向效果和系統性的助益。靶向效果的設計準確性得益於考量疾病蛋白的構型變化、使用老藥訓練的統計分數來排名對接姿勢以及使用分子動力學（MD）模擬進行的結合自由能計算。系統性效果則通過簡單的細胞實驗揭示。三種新化合物在分子和細胞層面上顯示出比Atomwise Inc.針對同標靶蛋白所開發的最佳化合物好上110倍和50倍的IC50和EC50。我們的藥物在小動物異種移植的三陰性乳腺癌細胞上表現出與劑量成正比的抑制作用，並顯示出低毒性。現在我們進一步利用生成式人工智慧（Generative AI）來重組靶向藥物和系統性藥物的化學片段，該技術利用了數千種FDA批准藥物上訓練的變分自動編碼器（VAE）。最初僅在臨床試驗中評估的人體ADMET特性現在可以首先在VAE的潛空間(latent space)中預測和優化，同時透過MD模擬給予靶點相似或更好的分子親和力。我們期望這種新做法能提升藥物開發的「成功率」，而不只是大家已普遍認可的縮短開發時間。