Insilico Medicine（以下簡稱Insilico）是一家專注於生物醫藥領域應用人工智慧（AI）的公司，尤其在藥物發現與開發方面展現出深厚的技術實力。每次造訪他們內容豐富的官網，都讓我感到興奮，總是為琳瑯滿目的資訊所吸引。他們專門用於靶點識別的AI平台有個可愛親切的名字「PandaOmics」。Insilico為PandaOmics設計了專屬網頁，詳細指導使用者如何操作，從用戶需求出發，處處體現對使用者體驗的重視。此外，Insilico還提供免費的線上課程「Disease Modeling and Target Discovery」，系統性地從基礎知識講起，逐步引入AI技術在藥物開發中的應用，是一項相當珍貴且實用的學習資源。本文將帶領大家深入了解Insilico的技術服務與商業模式，並探索其如何顛覆傳統的藥物開發流程。
▍Insilico Medicine—AI藥物開發的先驅者
傳統的藥物開發流程，從最初的藥物探索到最終核准上市，平均需耗時10至15年，投入資金可達數十億美元。然而，成功率卻極低，90%的藥物在臨床試驗階段便會失敗。研究顯示，導致這些失敗的四大原因包括：缺乏臨床療效（40%-50%）、無法控制的毒性（30%）、不良的藥物特性（10%-15%），以及缺乏商業需求的策略規劃（10%）。
隨著人工智慧的崛起，這一切正悄然改變。AI，尤其是機器學習和深度學習，正以前所未有的速度和深度，滲透到藥物開發的每一個環節。透過分析海量的生物醫學數據，AI能夠快速、準確地識別潛在的藥物靶點，設計出更有效的分子結構，並預測藥物在人體內的反應，藉此可以篩選出較能夠顯示臨床療效的候選藥物，進而提高後續臨床試驗的成功率，縮短總體研發時程。
在這場技術革新中，Insilico Medicine成為了其中的領導者之一。該公司於2014年成立，總部位於美國波士頓和香港。創辦人兼CEO Alex Zhavoronkov博士是多篇AI和藥物研發領域重要論文的作者，主要負責公司的戰略規劃，並領導AI工程團隊專注於AI平台的研究與開發。而公司另一位領導人Feng Ren博士擔任聯合CEO，負責推進公司pipeline項目，改善藥物發現流程並管理與CRO的合作關係。這兩位領導者在Insilico分別負責前端AI技術平台開發以及後端AI和藥物開發結合的關鍵任務。關於Insilico公司團隊組成與分工概況整理如下圖。
作為一家以AI技術驅動的藥物研發公司，Insilico專注於運用深度學習和生成對抗網絡（GAN）技術，加速藥物發現和開發進程。公司核心平台Pharma.AI整合了多種AI工具，顯著提升了藥物開發的效率並縮短整體研發周期。接下來，我們將進一步探索Pharma.AI平台的技術奧秘，以及其在藥物開發流程中的應用。
▍Pharma.AI—端到端的藥物開發整合平台
Insilico的Pharma.AI平台，整合了多種先進的AI技術，提供端到端的藥物發現和開發服務，目的是為了加速藥物開發的整體流程。Pharma.AI平台包括三個主要模組，各自專注於不同的藥物開發階段：
- PandaOmics： 專注於靶點識別(target identification)和生物標誌物(biomarker)的發現。
- Chemistry42： 用於生成新分子結構與優化。
- inClinico： 負責臨床試驗數據的分析和預測。
平台模組一：PandaOmics—靶點識別與生物標誌物發現
PandaOmics 是一款於 2020 年推出的生成式 AI 平台，使用者不需具備任何電腦運算的技巧便能操作。該平台專門用於靶點和生物標誌物的發現，它包含超過 20 種 AI 和生物資訊學模型，主要特徵是應用Transformer 的自然語言模型，處理過去 30 年發表的生物醫學相關文獻，使其產生「靶點-疾病關聯」的知識圖譜(knowledge graph for target-disease)。研究人員在得到知識圖譜後，可以進行多方面的工作，包括識別與特定疾病相關的新靶點、了解已知藥物與新疾病之間的潛在關聯、預測某些藥物在治療特定疾病中的有效性，以及深入理解疾病的分子機制等。
Insilico 在2023年推出了ChatPandaGPT，亦即把AI 聊天互動功能，整合到 PandaOmics 的知識圖譜中，這樣的好處是可以使PandaOmics的操作與解讀更人性化。例如使用者可以詢問平台「有哪些潛在的藥物靶點可以治療阿茲海默症？」或「基因A和疾病B之間有什麼關係？」等問題，ChatPandaGPT 會根據 PandaOmics 的知識庫，提供資料、支持性證據，以及相關研究。此技術的融合，可說是降低了使用PandaOmics的門檻，讓更多非生物學背景的人也能夠利用 PandaOmics 的功能(更多PandaOmics功能介紹請參考Insilico Medicine-PandaOmics)。
平台模組二：Chemistry42—AI驅動的分子設計與生成
傳統的分子設計通常需要多次試驗，並且在合成和測試階段耗費大量資源。Chemistry42的亮點就在於其生成式AI設計的能力，使用超過40個生成模型，包括成自編碼器（Generative Autoencoders）和生成對抗網絡（Generative Adversarial Networks, GANs），使其能夠根據藥物靶點的需求，模擬不同分子的相互作用模式，並計算其生物活性和藥理學特徵，僅需幾天時間，便能自動產生符合特定藥理需求的化合物結構，並快速篩選出符合標準的候選分子。這強大的功能讓研究者可避免傳統的試錯法，直接進入分子優化的階段。
Chemistry42以(1)結構基礎(structure-based)以及(2)配體基礎(ligand-based)兩種方法來進行藥物設計。前者是利用已知的蛋白質三維結構，設計出能與蛋白質特定部位結合的小分子化合物，後者是根據已知的藥物分子結構，設計出結構相似、但具有更好藥理性質的新分子。此外，Chemistry42 可以利用 AlphaFold 等 AI 工具預測的蛋白質結構，來進行藥物設計，亦即縱然我們還沒有得到蛋白質的實際結構，也可以開始進行藥物設計的工作。此外，Chemistry42能與前述PandaOmics無縫集成，實現從靶點識別到de novo小分子生成和優化的開發流程。(更多Chemistry42的功能介紹可參考Insilico Medicine—Chemistry42)
平台模組三：inClinico—臨床試驗結果預測
inClinico平台於2022年11月推出，專為預測二期臨床試驗的結果而設計。這個平台利用了多種數據來源，包括小分子的化學特性、轉錄組學、文本資料和臨床數據與試驗計劃與等，來進行綜合預測。InClinico預測的準確度經過了回顧性、準前瞻性和前瞻性研究的測試，在準前瞻性的環境中，InClinico的預測引擎在預測第二期到第三期轉換時之ROC AUC值高達0.88。(ROC AUC是評估一個分類模型預測能力的指標，它的值範圍從0到1，越接近1表示模型的預測能力越強。一般來說，AUC值超過0.7被視為模型有效，而0.88則表示這是一個非常強大的模型。)
傳統上，臨床試驗是藥物開發中風險最高、成本最大的一環，並且超過90%的候選藥物無法順利通過臨床試驗。inClinico的設計初衷即是通過AI模型來預測候選藥物的臨床試驗成功率，提供詳細的風險評估，幫助製藥公司在臨床階段之前調整開發策略，提升研發投資的效益。(關於inClinico平台更深入的功能介紹可參考Insilico Medcine—inClinco；簡要功能介紹可參考影片InClinico – a platform for clinical leaders to assess trial risk and aid in portfolio triage)
本篇我們著重在Insilico的核心平台Pharma.AI的三大模組功能介紹，接下來兩個章節我們將透過實際案例，深入探討Insilico如何透過此平台為公司創造收益。
▍本篇思路
Thinking Map & Takeaways
