AI革新藥物發現與化學研究　數位化轉型助製藥業降本增效

【記者廖心妤／綜合外電】人工智慧（AI）與機器學習（ML）正徹底改變藥物發現和材料創造的過程，為傳統上耗時且成本高昂的濕化學實驗（wet-lab，指在實驗室中以實際化學品進行的實驗）帶來革新。智慧電腦程式能夠分析數千種化學成分，預測物質潛在危害，並比傳統方法更快地識別出潛在藥物。

過去，藥物開發仰賴大量實體實驗，不僅耗費龐大資源，進程也相對緩慢。然而，導入數位工具面臨一大挑戰：歷史實驗數據常散落在紙本筆記、圖片或格式不一的試算表中，難以被電腦識別與分析。

為此，建立現代化的化學資訊學（chemoinformatics，利用資訊學技術處理化學問題的學科）資料管線變得關鍵。這套管線能將實體實驗數據與數位工具連結，即使預算有限也能實現。它要求將化學結構轉化為機器可讀的程式碼或文字字串，例如SMILES（簡易分子線性輸入系統）或InChI（IUPAC國際化學識別碼），以便電腦理解分子資訊。

SMILES能將複雜的三維分子結構轉換為單行文字，加速軟體處理；而InChI則為每種化學物質提供獨一無二的數位標籤，確保資料庫間的清晰度。此舉避免了相同化學物質因不同表示方式，導致AI辨識錯誤的問題。

在訓練AI模型之前，原始數據必須經過「清洗」，以移除多餘的鹽類或不一致的電荷等雜訊。自動化的數據清洗流程包括鹽類去除（salt stripping）、電荷中和（charge neutralization）、互變異構體正規化（tautomer normalization），以及自動結構驗證，確保資料的準確性。例如，開源軟體RDKit（一個用於化學資訊學的開源軟體套件）這類免費數位工具，就能在化學數據永久儲存前協助偵測錯誤。

經過清洗的化學結構會被轉換為數值表示，稱為分子描述符（molecular descriptors）或特徵向量（feature vectors），供AI進行分析。這些描述符包含物理化學性質（如分子量和溶解度），以及分子指紋（digital codes of chemical groups，一種用來快速辨識分子特徵的數位編碼），確保新的實驗發現能立即投入電腦測試。

從隨機的檔案儲存轉變為結構化的數位系統，不僅能讓研究實驗室擴大規模，還能有效搜尋記錄、將實驗結果與數位資料串聯，並促進全球研究成果的共享。將電腦技術整合至化學研究中，對於提升競爭力和創新能力非常關鍵。重視有組織的數據如同重視實驗室安全一樣，能讓數位工具在藥物發現領域發揮最大潛力，協助各地研發實驗室最大化實驗效益，並參與全球創新。