由生物技術開發中心（DCB）主辦，以及NVIDIA、訊聯基因數位（股）有限公司與Praexisio, Inc. 協辦之「生醫AI部署實戰培訓」系列課程，已於2025年11月之每週五，於國家生技園區D棟電腦教室順利舉行。因應AI技術不斷革新傳統藥物開發，DCB產業發展處辦理本系列課程，以協助產業培養AI藥物開發之人才為目的，透過小班制工作坊形式，手把手帶領學員熟悉特定AI軟體工具與藥物開發邏輯，加速生醫領域導入AI開發專案。課程共規劃兩大模組，模組一以產品開發需求為主，進行蛋白質結構優化與小分子篩選，涵蓋從毒性評估到劑型改良的完整應用，協助加速生醫產品研發；模組二以開源工具與新興AI技術平台為導向，聚焦藥理與疾病研究、分子毒性預測，加速疾病理解與藥物探索，同時協助開發者熟悉相關工具，在新藥開發情境中導入生成式AI，建立高效流程。
生物技術開發中心劉韋博處長指出，DCB已經建立AI藥物之產業開發與商業聯盟模式，未來將透過技術串聯、新創扶植、跨域合作及國際鏈結等多面向策略，建構台灣AI生醫產業價值鏈，加速AI藥物開發產業化。DCB亦肩負產業扶植之使命，產業發展處可安排公司種子人員培訓，以及協助公司落實各項AI專案之合作。
生物技術開發中心產業發展處劉韋博處長開場致詞。
現場聚集許多生醫產業人士，由講師實際帶領學員操作軟體介面。
首先，為了加速導入AI技術，滿足產業對自動化開發與劑型優化等需求，DCB安排規劃模組一課程，邀請到生物技術開發中心柯屹又組長與訊聯基因數位（股）有限公司陳冠文協理，帶領學員實作設計小分子與大分子產品案例。
生物技術開發中心柯屹又組長以「AI 加速小分子新藥：從蛋白質結構到活性化合物探索」為題，以BIOVIA Discovery Studio平台操作示範如何以新藥設計和資料庫篩選兩大策略，透過以結構基礎之設計、QSAR分析，以及分子對接操作，有效縮小候選分子的範圍，提高找到活性化合物的機率。BIOVIA Discovery Studio是由達梭系統（Dassault Systèmes）開發的生物科學研究平台，能整合實驗資訊與分子建模等模擬工具，作為AI藥物開發領域的一站式數位實驗室。BIOVIA於藥物優化已有不少成功案例，在一個優化先導化合物的案例中，使用BIOVIA僅需花費比傳統方法少50%的時間，即可成功辨識出新的化合物結合位點，並生成20個全新分子。在另一個開發抗移植排斥藥物「JAK3 Tyrosine激酶抑制劑」的案例中，BIOVIA以物理基礎（physics-based）和結構基礎（structure-based）的分子設計方法，辨識核心化合物的可修飾位點，生成多個具高選擇性的候選化合物，有效改善原先化合物的藥物選擇性，並推進至最終產品上市階段。
接續小分子的結構與活性探索，在「以 AI 驅動小分子自動化設計與劑型優化」課程中，訊聯基因數位（股）有限公司陳冠文協理以目標產品概況（Target Product Profile, TPP）為切入點，實際帶領學員使用BIOVIA平台建立小分子對接（Docking）與藥效團（Pharmacophore）等模型，並結合多重模型評估優化候選分子的活性與理化性質，進而實現全自動化小分子結構設計與劑型優化。TPP目標的設定涵蓋ADME表現、藥物選擇性及代謝穩定性等關鍵藥物特性；在目標確立後，生成式治療設計與篩選循環將自動產生並優先排序接近TPP要求的候選分子，供實驗驗證。實驗結果可以回饋至主動式學習（active learning）機制，重新訓練預測模型，形成虛擬設計與真實驗證間的迭代循環。
除了小分子藥物之設計優化，該平台於大分子藥物亦包含許多設計功能。在「AI 探索大分子新藥設計，從結構建模、抗體設計到複合體模擬」課程中，陳冠文協理示範使用自動化串聯的 RFDiffusion、ProteinMPNN 等生成式 AI 工具，快速完成蛋白質構型與序列設計。課堂中亦進行抗體與Nanobody案例研究、生物藥劑型預測與穩定性評估，全方位講授大分子的結構設計及劑型預測。在用戶案例中，也證明了BIOVIA對抗體的優化有良好表現。在一項抗體工程優化案例中，BIOVIA研究團隊建立單鏈可變片段（single-chain variable fragment, scFv）的多種虛擬突變體，辨識可能提升穩定性且維持結合親和力的關鍵結構特徵，並於實驗室進行驗證。結果顯示，在辨識出的12個突變體中，有10個在維持原有結合親和力的同時展現較佳的穩定性，且開發時間僅為傳統方法的70%。
左圖為生物技術開發中心智慧生醫組柯屹又組長；右圖左為訊聯基因數位（股）有限公司陳冠文協理。
另一方面，針對藥理研究領域與其他生醫AI部署情境當中，日漸多元的研究需求，DCB規劃安排模組二課程，邀請來自國衛院、清華大學以及NVIDIA的專業講師，帶領學員實作開源工具與新興AI工具之使用，滿足研究人員與開發者對研發流程高度的彈性需求。
模組二課程中，國家衛生研究院童俊維研究員以「以 KNIME 建模預測分子毒性」為題，帶領學員輸入化學結構與毒性資料，並運用開源資料分析平台KNIME實際操作節點流程，完成從SMILES分子表示轉換到機器學習模型訓練，最終以視覺化方式呈現預測結果。KNIME的核心功能在於提供直覺的視覺化工作流（Workflow）環境，讓使用者不須編寫程式碼，僅透過拖拉「節點」（Nodes）即可完成數據獲取、清洗、特徵工程、統計分析及機器學習建模。此外，使用上也能與其他工具串接，導入至其他工具頁面使用，增加功能與流程彈性。KNIME的第一版於2006年釋出，當時由於能處理大量且多元化數據，成為多個藥廠以及開源社群（Open Source Community）用於數據分析之工具。根據許多文獻，KNIME於藥物開發研究領域的應用已逐漸成熟，可謂臨床前數據建模以及藥物虛擬篩選研究的必學工具之一。研究人員曾以KNIME建立機器學習模型並評估其藥效預測能力。以Tau 蛋白抑制劑的篩選為例，經分析 928 種多酚類化合物後，模型的預測準確率約為 70%；同時透過特徵篩選流程確認「芳香族羥基（Aromatic Hydroxyl group） 」之數量為影響 Tau 蛋白纖維抑制能力的重要分子特徵，進而提升潛在抑制劑的辨識與篩選效率。此外，根據藥物篩選研究相關文獻，KNIME已應用於多種疾病，如糖尿病與瘧疾等；於新冠疫情時期也曾做為學研醫療單位用以快速建模之工具，為加速藥物搜索的一大功臣。
除了KNIME平台以外，國立清華大學楊立威教授在「以AlphaFold, DRS DREAMS 和TANDEM-DIMPLE來預測突變致病性，加速疾病理解與藥物研發」課程中，介紹藥物發展相關的系列工具如AutoDock與DiffDock，講述分子對接與模擬的基本原理，並由助教示範帶領學員使用相關應用軟體進行分子對接實作，加速AI於藥物探索之應用。此外，楊老師團隊自行開發的自動化線上藥物篩選平台DRS DREAMS，能讓使用者針對指定的目標蛋白進行虛擬篩選，加速潛在治療藥物識別。平台透過篩選FDA已核准藥物資料庫，促進藥物再利用並拓展治療可能性。其技術整合Alphafold結構預測、分子對接（Docking）與分子動力學模擬等功能，並納入結合自由能（binding free energy）評估，以提升藥物篩選與判別能力。除了藥物篩選平台，楊老師團隊亦自行開發能預測基因變異致病性的AI工具TANDEM-DIMPLE，以輔助臨床疾病診斷。該工具是以深度神經網絡（Deep Neural Network, DNN）為基礎的模型，專為預測疾病特異性的missense variants是否具有致病性而設計。使用者能提供自行收集的單氨基酸變異（SAV）致病性資料做遷移學習（transfer learning），從而生成新的致病基因預測模型。目前TANDEM-DIMPLE已於特定疾病基因的預測展現良好的預測表現，如遺傳性聽損基因GJB2的預測準確率高達98.7%、先天性肌肉病變基因RYR1預測準確率亦高達97.0%，表現超越了Rhapsody和AlphaMissense等現有工具。而不論是DRS DREAMS或是TANDEM-DIMPLE等AI新興工具，都展現了AI能為藥物開發與疾病診斷帶來不容忽視的重大革新，大幅轉變未來藥物開發及診斷方式。
左圖為國家衛生研究院童俊維研究員；右圖為國立清華大學楊立威教授兼學程主任
最後，本系列課程邀請到NVIDIA陳映嘉博士，以「使用 NVIDIA BioNeMo NIM和 Blueprint 將 AI 用於新藥研發」為題，帶領學員操作NVIDIA BioNeMo NIM和 Blueprint工具進行蛋白質設計與小分子生成。學員在本課程中，以Jupyter Notebook為操作環境，在已建立的Docker環境中操作 Python 程式，透過實戰培養應用AI工具於新藥開發的實務能力。NVIDIA NIM（NVIDIA Inference Microservices） 是一套AI推理的微服務，可在任何NVIDIA加速基礎架構，如雲端、資料中心、邊緣運算等，快速的使用AI模型，使模型可於 NVIDIA GPU 環境中快速部署與執行推理任務。NVIDIA BioNeMo 平台整合多項化學與生物學領域的NIM工具，如AlphaFold2和DiffDock等，並提供「藍圖（Blueprint）」參考架構，示範不同應用情境下的模型串接流程，協助使用者快速建構生醫 AI 工作流程。
在蛋白質設計方面，使用者僅需提供目標蛋白結構並指定結合區域，即可透過 RFDiffusion 生成候選骨架結構，由 ProteinMPNN 設計對應序列，再利用 AlphaFold2 Multimer 預測蛋白質複合體結構，並以pLDDT與RMSD等指標評估各結構的可信度與結構差異。最後，以Py3Dmol視覺化輔助使用者篩選出最佳的候選蛋白質。在小分子藥物設計方面，可以使用GenMol模型生成新分子結構、從指定結構衍生片段，或是從分子片段庫產生候選分子進行篩選，以提升潛在結合能力之預測與候選分子篩選效率。而除了蛋白質與小分子藥物設計以外，BioNeMo平台於2026年1月加入ReaSyn v2 模型用以確保 AI設計藥物的可合成性，功能包含預測目標產物的合成途徑與步驟預測，或生成結構最相似且可合成性更高的類似物，以解決AI生成分子可合成性不高的問題，讓BioNeMo平台在AI生成藥物相關功能更加全面。
中間為NVIDIA生技醫療領域解決方案架構師陳映嘉博士。
綜觀本系列課程，從生成式藥物設計、自動化建模、到致病性預測的技術躍進，足以預見 AI 與藥物開發研究的深度結合已成為不容忽視的世界趨勢。2026年1月，禮來（Lilly）與 NVIDIA 宣布合作成立共同創新實驗室，將 BioNeMo 平台整合至實驗室的工作流程之中，實現「科學家參與（Scientist-in-the-loop）」框架。隨著AI 算力與Wet Lab的深度整合研發模式逐漸普及，傳統藥物發現中漫長且高風險的try-and-error正被精準、可預測的計算模型所取代。這代表著真實世界的藥理探索之途，將迎來被AI翻轉的篇章。
面對這場研發邏輯與技術體系的全面重塑，國內生醫人才亟需深化跨領域的數位實力，方能因應全球產業格局的劇烈變動。生物技術開發中心（DCB）深知人才為產業升級之本，未來將持續肩負產業扶植的關鍵使命，透過舉辦高規格的實戰課程與提供客製化的種子人員培訓，扮演連結技術端與應用端的橋樑。本次「生醫 AI 部署實戰培訓」系列課程在學員與講師的熱烈交流中圓滿落幕。本次密集培訓，不僅透過小班制手把手教學，成功協助學員跨越AI工具的操作門檻，更在課堂間激盪出許多新藥開發痛點的思維火花。現場講師與學員互動頻繁，從基礎理論到程式實戰，展現了台灣生醫人才對於導入新技術的強烈渴求與潛力。DCB 期盼能攜手產學研各界，持續將AI技術轉化為實際的研發動能，完善台灣AI生醫產業價值鏈，加速國內新藥開發邁向國際舞台。