一、前言

老藥新用(Drug Repurposing/Drug Repositioning)正為藥物研發帶來新機會，以應對傳統藥物開發時程漫長、失敗率高、成本高昂等挑戰。此策略聚焦於將已獲核准或者臨床試驗後期失敗之藥物(老藥)，發掘其新適應症或應用範疇(新用)。由於這些藥物通常已具備完善的安全性數據和藥理學特性，老藥新用能有效縮短開發週期、降低失敗風險，並節省研發成本。

近年來，機器學習、深度學習以及生成式人工智慧等人工智慧技術的迅速發展，成為推動老藥新用的關鍵驅動力。藉由整合科學文獻、電子病歷(EHR)和生物數據庫等多源數據，人工智慧技術得以精準預測藥物分子與人體生物分子的交互作用，進而提升藥物篩選效率與準確率，加速藥物開發流程(傳統藥物開發與人工智慧藥物重新利用之比較請參閱表一)。本文將探討人工智慧技術在老藥新用中的效益、應用範疇、發展趨勢與挑戰。

二、人工智慧技術於老藥新用的開發模式

以人工智慧為基礎的老藥新用，通常由人工智慧公司與製藥公司共同推動，依開發方向可區分為兩類：

(一) 以藥物為中心
此模式聚焦於藥廠提供的藥物數據，包括藥物的藥物代謝動力學(Pharmacokinetics)、藥效動力學(Pharmacodynamics)及藥物基因體學(Pharmacogenomics)等關鍵資訊。人工智慧公司則利用內部資料庫及人工智慧工具，搜尋與疾病機制相匹配的藥物化合物，並分析其潛在的藥物標靶及適應症，以探索現有藥物的新用途。

(二) 以疾病適應症為中心
此模式側重於由藥廠提供與適應症相關的多體學數據，例如基因體學、蛋白質體學等。人工智慧公司利用這些數據深入分析該疾病適應症的潛在標靶，並基於化合物的安全性、功效及商業潛力，在資料庫中篩選出能具潛力滿足患者需求的候選藥物。

三、應用範疇

人工智慧於老藥新用之應用範疇相當廣泛，涵蓋罕見疾病、傳染病、腫瘤、神經退化性疾病、代謝性疾病和自體免疫疾病等疾病領域。以下針對罕見疾病、傳染病和腫瘤領域進行介紹：

(一) 罕見疾病
由於罕見疾病患者人數稀少，取得足夠的樣本進行研究具有相當的挑戰性。老藥新用能先利用人工智慧篩選出候選藥物，並在小規模患者群體中進行臨床試驗，有效縮短藥物開發進程。此外，美國 FDA 也提供多項支持措施鼓勵罕見疾病藥物開發，例如市場獨賣期、減稅和研發補助等，進一步吸引許多業者投入罕見疾病的老藥新用研究。例如，Recursion 和 VeriSIM Life 分別專注於罕見遺傳性疾病和肺部疾病，SOM Biotech 致力於神經系統疾病，Purposeful 的目標包括膠質母細胞瘤、亨丁頓舞蹈症(Huntington's Disease, HD)等，Healx 則鎖定腎臟、神經和腫瘤等相關罕見疾病。

(二) 傳染病
人工智慧技術在傳染病領域展現極大潛力，尤其在 COVID-19 疫情期間，有效加速了抗病毒藥物的研發進展。例如，Benevolent AI利用人工智慧技術，快速鎖定巴瑞克替尼 (baricitinib)為 COVID-19 候選藥物。該藥物原本用於治療類風濕性關節炎，其抗病毒療效經全球試驗證實後，已獲美國 FDA 核准用於治療住院的 COVID-19 患者。人工智慧技術不僅能快速發掘已獲核准藥物的新用途，還能發現病毒性疾病的新標靶，協助開發新療法，以應對抗生素抗藥性等全球性公共衛生危機。

(三) 腫瘤
在腫瘤治療方面，人工智慧技術可分析大量數據，用於預測治療反應、識別新型癌症標靶並克服癌症抗藥性，從而制定個人化的治療方案。此外，人工智慧亦可幫助研究員發掘新的癌症藥物組合或拓展已上市癌症藥物的適應症範圍。代表性廠商為Recursion 和 BioXcel Therapeutics等。

四、人工智慧老藥新用發展趨勢與挑戰

人工智慧老藥新用在藥物開發領域具有巨大潛力，但也面臨諸多挑戰：

(一) 開發模式
當前，製藥公司與人工智慧公司主要聚焦於潛在藥物的再利用，也就是以藥物為中心的開發模式，而非針對特定疾病適應症的研究。此模式雖有助於最大化現有藥物的價值，但亦可能限制對罕見疾病或特定適應症的探索深度。

(二) 數據共享
傳統藥物開發常面臨數據不足的挑戰，尤其在罕見疾病治療方面，由於臨床試驗受試者數量有限、藥物失敗原因報告不完整以及患者參與受限等因素，導致辨識可行的治療標靶更加困難。為了解決此問題，近年來許多國家推出 Every Cure 和 REPO4EU等開放式數據共享平台，此類平台逐漸成為推動老藥新用的重要工具。Every Cure 平台由美國ARPA-H支持，此平台運用機器學習和自然語言處理技術，致力於建立一個開源的老藥新用資料庫；而由歐盟支持的 REPO4EU 平台，則提供了藥物關鍵資訊、培訓等資源。前述創新平台透過促進數據共享和多方合作，期望解決數據不足的問題，加速老藥新用的發展。

(三) 資金投入
資金不足亦是老藥新用發展的重要阻礙。與傳統藥物開發相比，老藥新用通常獲得的投資較少，進而限制了技術研發和應用的廣度。

(四) 技術瓶頸
目前機器學習是老藥新用開發的主要方法，但深度學習與生成式人工智慧尚未被廣泛應用。未來，若能克服模型的運算成本及可解釋性等技術瓶頸，深度學習和生成式人工智慧等先進人工智慧技術將為老藥新用帶來更大的價值。

五、創新案例

(一) 生成式人工智慧加速老化相關疾病藥物發現
代表性廠商：新加坡 Gero
新加坡 Gero 公司的核心技術為大型生成式人類健康模型(Large Generative Models of Human Health, LHM)，該模型由逾1億筆來自UK Biobank、DrugBank 等公共資料庫和藥廠的病歷數據訓練而成。LHM 模型能分析基因體和蛋白質體的差異，探索老化與疾病的關聯，識別潛在的治療標靶，並且能從資料庫中篩選出具備良好安全記錄的藥物，進而提升老藥新用的精準性和效率。
目前，Gero 的研究重心為複雜疾病的治療，涵蓋肺部、自體免疫、中樞神經系統(CNS)及代謝性疾病，同時致力於探索延緩甚至逆轉老化的創新策略。儘管 Gero的生成式人工智慧技術在老藥新用中展現了巨大的應用潛力，但數據品質和偏差問題，以及如何有效結合實驗室驗證，仍是公司未來發展需要克服的關鍵挑戰。

(二) 加速癌症治療藥物開發與再利用之先進人工智慧解決方案
代表性廠商：美國 BostonGene
BostonGene 公司專注於運用先進人工智慧技術改善癌症治療，並著重於免疫系統與癌症治療的研究。該公司採用多元人工智慧模型技術，包括卷積神經網路(CNN)、生成式人工智慧、支持向量機(support vector machines)與隨機森林(random forests)等，分析來自臨床試驗數據、公共資料庫等多來源之醫療數據，以識別潛在的治療標靶。同時，為提升人工智慧的可解釋性，BostonGene 採用網絡視覺化(network visualization)等先進技術，以解析影響人工智慧決策的關鍵因素，並透過專家評估與驗證，確保預測結果的可靠性。

(三) 機器學習與計算生物學驅動罕見疾病藥物再利用
代表性廠商：英國Healx
Healx公司的核心技術平台Healnet，整合了機器學習與計算生物學方法，能分析大量公開與非公開的生物醫學數據，從中識別潛在的藥物再利用機會。 
Healx 公司積極與製藥企業(如 Sanofi)、患者組織(如 AKU Society)、慈善機構 (如英國 PKD Charity) 等機構建立合作，並且展開多項藥物研發專案，以分散風險並擴大產品組合。截至目前，Healx已開發超過 20 個罕見疾病治療方案，涵蓋X染色體脆折症(Fragile X Syndrome)、神經纖維瘤(Neurofibromatosis)等。其中，神經纖維瘤藥物已獲美國 FDA 授予孤兒藥資格，並進入臨床試驗階段。

(四) 人工智慧多體學分析與藥物發現平台
代表性廠商：美國 Insilico Medicine
Insilico Medicine 是一家以人工智慧為核心的創新型生物技術公司，專注於新藥開發與老藥新用。該公司開發了一系列先進的人工智慧工具，包括：整合多體學數據、識別疾病相關靶點並進行風險評估的 PandaOmics；以多模態模型為基礎，適用於慢性病和老化相關疾病的藥物發現的PreciousGPT；以及能結合用戶提供的基因與疾病數據，發掘具有潛在治療價值的化合物的 DORA等。
此外，為確保人工智慧模型預測的可靠性，Insilico Medicine 建置了全自動化實驗室，以驗證模型預測並提升其準確性。