:::

產業技術評析

結盟與資料共享 加速AI藥物發展
發表日期:2021-06-16
作者:陳思豪(生技中心)
摘要:
全球產業環境快速變遷,在產業數位化及智慧物聯雲朝向自動化浪潮進展下,引爆對於保守傳產營運思維之衝擊,包括服務/產品開發流程整合簡化並縮短、創新商業模式與需求趨同演化、跨域產業結合、破壞性跨域應用。

全文:

近十年來,全球產業環境快速變遷,在產業數位化及智慧物聯雲朝向自動化浪潮進展下,引爆對於保守傳產營運思維之衝擊,包括服務/產品開發流程整合簡化並縮短、創新商業模式與需求趨同演化、跨域產業結合、破壞性跨域應用。

 

大環境瞬息萬變,洞見趨勢唯快不破,消化巨量資料化為決策生成,在AI引進下逐漸在應用上獲得肯定,決定產業未來布局與存活性。於民生、輕重工業及交通航太等產生必要之依賴,特別在於容易長期累積、妥善準備其結構化資料及具備資料治理量能的產業而言,透過AI分析巨量資訊已逐步緩解許多長久存在的痛點。

 

相較之下,醫藥產業年年深陷反摩爾定律(Eroom's law)泥沼,紛紛尋求值得依賴之解決方案,也嘗試借助AI在不同的關鍵藥物開發階段之應用來克服困難。特別在資料科學與AI同步發展下,對於資料的來源、完整度、可解釋度及獲得障礙排除等,開始透過結盟作為打造資料共享生態圈的永續布局,藉此加速AI在醫藥應用的發展。

 

一、AI醫藥應用市場持續成長,美國仍為主要區塊

 

依據Mordor Intelligence調查,2016年全球AI醫藥應用市場(medicine market)規模為11.3億美元,預估至2022年全球AI醫藥應用市場規模將成長至90.9億美元,20162022CAGR41.7%,依區域劃分市場,北美地區的AI醫藥應用市場規模占比最高,其次為亞太地區及歐洲地區。2016年美國AI醫藥應用市場規模占全球市場超過3成,預估2022年美國AI醫藥應用市場規模占全球市場仍占3成以上。

 

圖1 2016年及2022年全球AI醫藥應用市場規模-依區域市場

資料來源:Mordor Intelligence 2017;DCB產資組ITIS研究團隊整理(2021.04)

圖1  2016年及2022年全球AI醫藥應用市場規模-依區域市場
 

觀察整體產業環境變遷,可發現三大元素促使生醫產業必須加速引進AI及資料科學,並協同內部企業文化改造,逐漸讓大數據分析量能與企業命脈逐步整合,分別包括(1)破壞性新科技逐漸由學術界成熟而得以商用,(2)開發流程縮短,及(3)多元跨域技術為新創公司所用所造成的高強度競爭(表1)。特別在AI服務供應端,由於破壞性新科技結合AI新創跨域應用,同時部分大環境也因為即使藥廠在藥物發展上依賴AI量能持續成長,對於嗅到商機而蜂擁進入的新創而言,仍然有僧多粥少之憂,也因此許多AI新創由深耕單一技術,逐漸朝技術扎根服務區塊向上下游服務延伸,以高度客製化之伴隨式協同發展、緊密合作為主要趨勢。

表1 改變產業三大相關衝擊

 

破壞性新科技

開發流程縮短

高強度競爭

衝擊

1. AI與跨域技術整合,取代原有藥物發展模式

1. 原有藥物發展過程縮短

2. 制式化/重複執行之部分逐漸雲端/自動化

1. 產業鏈高度區塊化

2. 專業深度分工逐漸朝水平一站式服務趨勢發展

原因

1. 能快速匯集大量異源資料,探索致病機制

2. 篩選藥物靶位/預測特質

1. 多工處理藥物探索的流程

2. AI新創供需結盟,平台技術奧援

1. 強化技術與服務差異性

2. 不斷強化發展/併購技術提升自我競爭力

進度

1. 處於初步成熟階段

2. 商業化創新及成熟在下一個45

1. AI新創公司結盟互補長短

2. 成熟應用AI作為藥物探索策略

1. 獨家技術本位,整合能力與創新性的平台才能成為最後的贏家

資料來源:DCB產資組ITIS研究團隊整理(2021.04

 

二、AI應用深根藥物探索,資料團隊協同發展成為趨勢

 

有鑑於創新性AI對於大量數據經分析後能給予輔助性建議,特別在臨床前應用於四大主要階段均獲得肯定,特別在數位化及結構化程度越高的資料來源,越能透過AI分析洞察重要現象與特徵。歸納表2在應用階段的AI發展趨勢,大致著重在虛擬篩選、評估藥物動力學特性、測候選藥物定量結構活性/性質關係之模型、蛋白質與蛋白質碰撞之預測、蛋白質堆疊預測以及最重要也是最具挑戰的新藥設計上,為主要AI暨資料科學合併應用的主要發展主軸。AI應用最大的效益是,在自動化上游資料處理過程中重複性高的流程,減少人為錯誤並縮短不必要研發時間,增加全新開發候選藥物數目、減少藥物發展後期失敗率。而賦予AI及巨量資料治理生命的,便是公司決策與專屬資料科學團隊,全程參與藥物發展,累積經驗,並以此發展多工AI雲平台,達成快速分析及時吞吐來自實驗室、臨床等繁雜急需倚賴AI分析之資訊。
 

表2 AI技術及資料科學應用逐步深入整合

 

資料探勘/靶位驗證

新藥篩選

Hit-Lead優化

ADMET/生物
活性測試

困境

人力緩慢,難產生出有意義結論,經驗難以養成/傳承

傳統HTS資料庫超過一千萬筆以上,完整篩選耗時耗力

週期過於冗長

研究耗時

應用

 1. 區塊鏈數據共享

 2. 雲端數據儲存

 3. 新藥/無法成藥物靶位探索

 1. HTS高通量分析

 2. 結構/配體新藥篩

 3. 神經網絡被大量運用

 1. 蛋白質藥物碰撞/蛋白質蛋白質碰撞

 2. 預測蛋白質功能/結構

評估藥物動力學,模擬情況下藥物動力學、毒性及藥物反應的預測

效益

異源資料系統整合,洞見關鍵疾病機制/靶位,AI分析永續優化

AI分析的資料來源可在數周內完成

虛擬篩選數據庫中結構,省時省力。小於兩個月獲得

降低3/4的時間,例如Exscientia在一年內完成一顆藥物關鍵發展

投入

BERG, BenevolentAI, Cyclica, Deep Genomics, Healx, Insilico Medicine, Insitro

Atomwise, BenevolentAI, Cyclica, Exscientia, Inscilico Medicine, ProteinQure

Atomwise, Benevolent AI, Cyclica, DeepMind, Exscientia

Cyclica, Insilico Medicine, Molomics, Numerate, twoXAR

資料來源:DCB產資組ITIS研究團隊整理(2021.04

 

目前英國大廠AstraZenecaGSK均打造專屬資料科學家團隊,從頭介入打造新藥或老藥新用之過程,在建立AI平台提供即時分析的基礎上,也延伸並孕育出最適合產業內外對於藥物開發AI暨資料科學最佳的默契及應用方式。其中AstraZeneca成功透過企業內部倡議,不僅僅在自動化雲平台分析上,發展出能快速吞吐即時上傳資料的量能之外,也積極標準化企業內部長年處於資訊孤島的資料,並引進逐漸獲得業界認同之FAIR標準,透過通用之詮釋資料(Metadata)及參考資料(Reference data)等,明確標示主要資料內容與其他相關資料的關聯性等,來實現資料之可發現性(Findable)、無障礙性(Accessible)、匯集性(Interoperable)及再利用性(Reusable),來大幅破除資訊孤島的現狀,大幅提升資料的價值性、在系統層次上的一致性。透過此策略來滿足AstraZeneca企圖整合體學及臨床藥物暨醫療等生理生化資訊,作為探索藥物發展加速及降低資料交換困難度的目標。

 

三、建構資料共享聯盟生態圈,競爭前合作逐漸成形

 

AI雲平台暨自動化雛形已在大藥廠獲得穩定應用及肯定下,資料的來源、品質及穩定性逐漸成為與AI技術發展暨跨域應用最後必須克服的問題。高度結構性、系統性的體學暨臨床資料等,必定在藥物發展中如同稀土能源一般的重要。因此,建立資訊共享生態圈尤其重要,如20196月正式啟動,為期3年的MELLODDYMachine Learning Ledger Orchestration for Drug Discovery)聯盟,整個聯盟內的生態圈包括AmgenAstraZenecaAstellas PharmaBayerGSKNovartis等為主的前十大藥廠。技術端的參與者則包括Owkin提供以區塊鏈為主的AI系統,保持透明度,掌握所有合作端的每一筆資料交易,防止重要數據洩漏、Substra Foundation提供主要區塊鏈技術、Iktos負責藥物用AI技術發展、KU Leuven提供ML演算法,以及重要的實質運算力來自NVIDIA提供硬體並重新建構演算法以提高效率。

 

該聯盟的成立主旨即是期望生醫資料能在最大效益內妥善運用,讓所有參與藥廠及衛星AI服務提供方能順利合作,在競爭前期能順利合作乃是重要課題。同時在實際驗證資料共享作為藥物發展應用的可行性、特別在軟硬體及法規管理等,並於20207月在整體運行上達到預期之目標,使此一聯盟在真實世界營運與理論正式接軌運行。目前則是朝如何永續經營並將其收益最大化之發展作為願景。

 

而最大的贏家便是此類聯盟得以永續發展,擴大應用範疇並奠定AI價值在藥物發展的地位。其中比較特別之盟約包括資金均來自於成員本身,非單一政府或基金會注溢有限資金、聯盟互助趨勢採會員制,確保商業機密又兼顧藥物發展效能,值得臺灣ICT及生醫產業思考借鏡。

 

四、臺灣產業跨域進入生醫產業之契機與挑戰

 

臺灣可透過跨域應用之契機及產學研在串聯資料孤島並將其匯整之需求上,透過將AI技術延伸進入六大領域的策略應用來達成整合異源資料的目標,切入具有潛力之服務端,分別為AI與區塊鏈共同應用,確保生醫資料庫應用安全、大數據在資料治理需求上的AI化服務、AI分析平台暨巨量資料處理自動化、AI藥物設計奈米化提供最佳藥物傳遞以及釋放機制、AI高通量藥物篩選暨影像驅動之分析,以及最重要也是目前臺灣最適合發展的量子運算,透過此類運算力強大量能提供AI平台克服傳統電腦運算耗時之問題,例如預測分子對位、設計全新蛋白質藥物等。

 

臺灣擁有強大的ICT產業及成熟穩健的生醫產業生態布局,在兩大跨域合作下,引進AI應用結合龐大的健康大數據,絕對是具有競爭力的一環。特別在市場區隔化AI應用高度分工多元,切入點多、國際投資趨勢不受疫情影響、自有技術在學研奠定深厚量能,以及服務配合性一直是臺廠優勢的情況下,相信可藉此響亮國際。

 

(本文作者為生技中心執行產業技術基磐研究與知識服務計畫產業分析師)


* 點閱數213
更新日期:2020-04-08

回上一頁 回首頁