【科技.未來】AI用數據研製新藥 反而是它的最大局限?

撰文:孔祥威
出版:更新:

眾所周知,研發新藥的路途極之艱難,耗費極多資金和時間,而最終能通過臨床試驗和監管核准而面世的藥少之又少。不過,製造了Deepfake和AlphaGo的人工智能(AI)技術,竟已幫助科學家在製藥方面取得一些初步成果。但是,AI以分析數據能力強大見稱,在研製新藥上這一點又會否是它的死穴?

承接上文︰新藥研發低迷 AI可如何顛覆生態

雖然 DeepMind行政總裁Demis Hassabis說DeepMind將致力解決蛋白質摺疊(protein folding)難題,但哈佛大學系統藥理學實驗室研究員Mohammed AlQuraishi質疑AlphaFold成果的拓展性:「在生物學的其他領域會複雜很多。所以,我覺得DeepMind在蛋白質摺疊的成果未必可以自動轉化到其他領域。」

華盛頓大學蛋白質設計研究所總監David Baker也說「這只是第一步」,在能為醫生和病人帶來實際好處前仍有很多工夫。例如隨着他們更了解蛋白質在人體的運作,科學家也必須創造有可能作為藥物的新蛋白質。Baker相信,創造蛋白質比探索摺疊方式,在研發新藥上更為重要。 美國藥廠默沙東(MSD)的計算化學副主席Juan Alvarez也有類似意見:「因為研發藥物的複雜性,我們需要很多元化的工具,並沒有一個能回答所有問題的答案。」

Koller指出,要利用AI研發新藥的話,現有病人數據量未必足夠。(Getty Images)

前史丹福大學機器學習專家、AI製藥公司Insitro創辦人Daphne Koller認為,要避免這種情況就需要更好的數據,並且規模要大到現時在醫療以外的AI應用領域般。但是,「我們在說的這種數據組,現時在生物學界根本不存在。」這一大原因,固然是與個人醫療數據的嚴格私隱保護有關。對Koller來說,這些措施不必要地窒礙了創新,而她也提出了一些可加快腳步的解決方法。「我們甚至不可以問病人會不會選擇把他們的數據分享予一些機構來創造更好療法。但如果改為預設他們的數據是在私隱受保護下分享的話,我們就會有多很多的數據。有些歐洲國家已經建立了一套系統,器官捐贈是要選擇退出而不是選擇參與,結果器官捐贈翻了四倍,而又沒有限制了人們對於自己身體的掌管。」

在處理這個極之敏感的議題之前,一些藥廠已開始攜手互助。十間大型藥廠,包括強生(Johnson & Johnson)、阿斯利康、葛蘭素史克等,在本年6月宣布將展開名為MELLODDY的首次合作計劃,以共享數據各自訓練機器學習演算法來研發藥物。計劃另有四間歐洲大學、兩間初創公司、晶片大廠輝達(Nvidia)等共17個單位參與。其中,一間獲Google風險投資基金支持的初創公司Owkin就開發了一套保密、基於區塊鏈技術的系統,可讓這些藥廠演算法既能在可追蹤的情況下得到競爭對手的數據,又不會透露各自的商業秘密。

Ian Read提醒,AI雖然潛力龐大,但短期內將受限於人類的生物學知識。 (Getty Images)

加州大學三藩市分校(UCSF)生化學家Adam Renslo則從Insilico Medicine的成果看出了AI製藥的局限:「這是適合的開發之處,但要讓AI去解決沒有數據可供其着手的藥物開發難題,就困難得多了。」美國大型藥廠輝瑞前行政總裁Ian Read則提醒,AI能力將受限於人類對疾病在人體如何運作的認知:「短期內,用AI開發藥物將會極之困難,而且不太可能有成效,因為我們對生物學的認知並非所想的那麼深。」

這就應驗了在電腦科學界流行的一句話,「垃圾進,垃圾出」(Garbarge in, garbage out)。就如Exscientia技術總監Adrian Schreyer解釋,人工智能也受限於輸入其中的數據,特別是這數據質素會影響它學習:「若你的數據有缺憾,結果也很可能有缺憾。當數據是由第三方而來,就更可能有這個問題。」

實驗數據與真實世界不會完全一樣,而且,很多都涉及假設和修正。若那演算法及其使用者沒有足夠考慮這些偏見或加權因素,那麼,輸出結果也很可能有偏見。例如Koller指,過往很多藥物都想要治療阿茲海默症,但其中很多失敗都是因為誤以為這病是由β澱粉樣蛋白(beta-amyloid)累積所致:「機器學習是一把雙刃劍,它愈強大,就愈容易墮進這種空隙。」

相關文章︰從招聘到挽留員工 人工智能如何改革人事部?分析求職者性格 人工智能請人更可靠?用人工智能請人 是消除還是延續偏見?診症能力媲美人類 人工智能將成未來醫生?要取代人類醫生 人工智能還欠甚麼?

上文節錄自第181期《香港01》周報(2019年9月23日)《新藥研發低迷 人工智能可如何顛覆生態》。

更多周報文章︰【01周報專頁】《香港01》周報,各大書報攤、OK便利店及Vango便利店有售。你亦可按此訂閱周報,閱讀更多深度報道。