最近我個人對AI在新藥研發領域的應用有很深的興趣，所以搜尋了很多文章做深入的閱讀，尤其近期美國FDA發佈一份關於在藥物和生物產品開發中使用人工智慧和機器學習的討論文件。內容值得讓大家了解FDA領頭希望大家一同探討AI和製藥技術可能的結合。
這份FDA的討論文件跟另一份於2023年3月發佈的討論文件相互呼應呼應，該文件探討了如何將人工智慧和先進製造技術納入製藥製造的監管框架中。在一篇名為《FDA Voices》的文章中，Patrizia Cavazzoni，藥品評估與研究中心（CDER）主任，宣布了這兩份討論文件的發佈。
該討論文件由FDA的三個醫療產品中心，包括CDER、生物製品評估與研究中心（CBER）和醫療器械與放射性健康中心（CDRH）撰寫，旨在吸引制藥公司、倫理學家、學術界、患者及患者團體，以及對人工智慧、機器學習在藥物和生物產品開發，以及醫療器械開發方面感興趣的其他國際機構。
該討論文件涵蓋了人工智慧和機器學習的現有和潛在用途，包括藥物發現、臨床和非臨床研究、後市場安全監測以及先進的藥物行銷。
大家可以參考FDA網站: FDA website
Related Publications
- AI/ML for Drug Development Discussion Paper (PDF – 1 MB)
- CDER Framework for Regulatory Advanced Manufacturing Evaluation (FRAME) Initiative, including discussion papers:
- For specific AI/ML publications related to devices, please visit CDRH’s Digital Health Center of Excellence webpage
總的來說在藥物開發領域，人工智慧（AI）指的是利用高級計算技術和算法來分析、解釋並從複雜的生物醫學數據中做出預測，以加快並改善藥物發現和開發過程的各個階段。這涉及機器學習（ML）方法的應用，這些方法允許算法從數據中學習並隨著時間的推移提高其性能，而無需進行明確的編程。
以下是藥物開發中AI的一些關鍵方面也是FDA文章有提及：
1.藥物靶點辨識、選擇與優先排序。在藥物開發的早期階段，AI/ML可以透過分析大量現有的科學研究、出版物和其他數據來源，識別適合的生物靶點，闡明其與疾病的關聯。利用基因組、轉錄組、蛋白組等健康人和特定疾病患者的多種數據來源，AI/ML能夠分析這些複雜且來自不同來源的數據，預測生物靶點在疾病途徑中的作用。AI/ML可應用於挖掘和分析這些大規模的多組學和其他數據，以預測生物靶點的結構和功能，進而預測它們在疾病途徑中的作用。
2.化合物篩選和設計
在藥物候選物的發現過程中，AI/ML可以用於預測化合物的化學特性、生物活性，並根據化合物與靶點的特異性和親和力預測其療效和潛在的不良事件。AI/ML還可用於進一步闡明藥物-靶點相互作用，預測與同一靶點相互作用或具有類似作用機制的藥物類別，以此來預測分子的毒性和特定已知特徵。這種策略可指導藥物再利用，通過使用先前鑒定的化合物。AI/ML在藥物重新利用方面也可從多個來源獲得的適合的RWD中受益，以識別藥物對疾病途徑的先前未知效應。
3.非臨床研究
非臨床研究是進一步將潛在藥物推向人體臨床研究的過程。支持新藥開發的非臨床研究可以在開發的所有階段進行：在臨床研究之前，與臨床開發同時進行，甚至在上市後的環境中進行。從動物進行的藥代動力學、藥效學和毒理學研究，到動物模型中的探索性體外和體內機制研究，都可以利用AI/ML（例如計算建模和模擬技術）來評估毒性、探索機制模型並開發體內預測模型。
4.臨床研究
臨床研究通常涉及一系列逐漸增加的人體臨床試驗階段，以評估藥物的安全性和有效性。在臨床研究中，AI/ML的最重要應用之一是在努力簡化和推進臨床研究過程方面。例如，AI/ML被用於分析大量來自干預性研究（臨床試驗）和非干預性研究（觀察性研究）的數據，以推斷藥物的安全性和有效性。此外，AI/ML還有可能為非傳統試驗設計（如分散式臨床試驗）提供設計和效率方面的幫助。
5.招募
AI/ML越來越多地被用於將個體與可能獲益的調查中的治療連接起來。具體而言，AI/ML被用於挖掘大量數據，如臨床試驗數據庫、試驗公告、社交媒體、醫學文獻、註冊表等，以將個體與試驗匹配起來。雖然這些算法是在大量患者數據和過去試驗的參與標準上訓練的，但在創建匹配算法時，確保包含可能使用藥物的人群（例如性別、種族和民族）的充分代表性非常重要。
6.試驗參與者的選擇和分層
在臨床研究的參與者選擇中，AI/ML越來越多地被用於預測個體是否符合特定試驗的標準，並識別具有不同反應概率的受試者次群。這可以提高試驗的效率，並為次群分析提供標準化的方法，以確定藥物是否對不同的人群有效。AI/ML還可用於為特定人群設計個性化試驗，以考慮該人群的特定需求或潛在風險。
7.給藥後藥物代謝動力學（PK）特性
AI/ML可用於分析給藥後藥物在體內的代謝、轉化和排出情況。它還可用於研究藥物暴露與反應之間的關係，考慮到混雜因素。這種模型可以用於為研究選擇劑量/給藥方案，包括優化給藥計劃和研究期間的調整。AI/ML還可以用於模擬不同劑量和給藥方案的影響，從而提供對劑量選擇的見解。
8.依從性（Adherence）
AI/ML可用於監測和改善臨床試驗中的依從性，通過智能手機提醒、藥物追踪（例如智能藥盒和視覺確認工具）以及追踪未完成的臨床訪問等工具。AI/ML還可根據個體的依從性模式，提供個性化的支持和干預，從而改善臨床試驗中的依從性。
9.保留（Retention）
AI/ML有潛力通過工具（如AI聊天機器人、語音助手和智能搜索）提高參與者獲取相關試驗信息的能力。AI/ML還可通過使用被動數據收集技術減輕參與者的負擔，並從臨床實踐或研究活動期間產生的可用數據中提取更多信息。AI/ML可以在試驗期間通過參與者與數據的互動中提供更好的信息。
10.試驗中心選擇 (site selection)
利用AI/ML優化試驗操作執行，幫助確定哪些試驗中心最有可能成功完成試驗，以及幫助站點確定流程漏洞。例如，可以使用算法評估試驗站點的績效，根據該站點其他試驗的數據確定哪些站點可能存在進度滯後的風險。
11.臨床試驗數據收集、管理和分析
越來越多地在臨床試驗中使用數字健康技術（DHT），如無線和智能手機連接的產品、可穿戴設備、可植入設備和可攝入設備，以收集客觀、可量化、長期和連續的生理數據。此外，許多DHT允許使用AI/ML，無論是在DHT內部的嵌入式算法，還是在從DHT收集的數據後使用。
12.上市後安全監測
本文中的藥物安全監測（PV）指的是與檢測、評估、理解和預防與藥物使用相關的不良事件或其他藥物相關問題相關的科學和活動。上市後藥物安全監測或上市後PV活動，包括與使用人類藥物和生物製品相關的不良事件的上市後安全報告。PV活動借助AI/ML可提高不良事件的檢測、評估和預測能力，從而加強藥物的安全性評估。
結論是AI在藥物開發中具有加速藥物開發、降低成本、提高成功率和最終向患者提供更安全有效的治療方法的潛力。然而，需要仔細解決與數據質量、透明度、偏見、監管考慮和驗證相關的挑戰，以確保可靠且負責任地應用AI於藥物開發。
FDA以開啟AI與新藥研發的連結，接下來未來或許已經是現在!