AI 老藥新用自動化系統：以鐮刀型紅血球症 (SCD) 為例

#AI製藥 #DualRAG #DrugRepurposing #SCD

核心流程概述

核心精神：從疾病輸入到最終實驗室指南，透過雙軌 AI 與物理模擬，在限定的「已核准老藥資料庫」中尋找最佳處方，並具備自動修正的容錯機制。本流程的核心在於透過已知安全性的藥物，尋找治療新疾病的捷徑。

解決目前的研發痛點

  1. 研發成本與時間的無底洞 傳統新藥開發需耗時 10-15 年、動輒數十億美金，且失敗率超過 90%。本系統鎖定老藥，將研發時程壓縮至 2-3 年，開發成本大幅降低。

  2. 安全性與毒性的不確定性 許多新藥在進入臨床一期後才發現對人體有毒。老藥具備數十年的安全性數據，讓系統能直接跨過「試毒」風險，直奔治療目標。

  3. 天價藥物的可及性問題 如基因療法等頂尖技術雖然強大，但昂貴的價格與嚴苛的移植條件讓病患看得到吃不到。系統藉由老藥組合，提供成本極低且易於配送的解方。

  4. 隱藏機轉的發現盲區 醫學知識過於龐大碎片化，人類科學家難以連結不同疾病間的跨界隱藏關係。系統透過雙軌 AI 引擎，自動挖掘原本沒人發現的「脫靶」治療捷徑。

階段 1：精準標靶定義與初步藥物映射 (Target identification)

階段 1 流程圖

目標：明確疾病核心標靶，並初步劃定屬性相符的老藥範圍，為後續的過濾漏斗提供原始清單。

核心步驟

  1. 疾病輸入與深度解析：系統接收目標疾病，如「鐮刀型紅血球症 (SCD)」。
  2. 尋找「治病關鍵點」：AI 透過醫學文獻追查，確認源頭為 HBB 基因突變影響血紅素聚合。
    • 核心校正策略：系統判定目前的技術環境下，修改 DNA 本身（基因編輯）風險過高且昂貴。因此 AI 將目標轉向「瑕疵血紅素蛋白質」以及引發血管發炎的下游蛋白質（如 P-選擇素），將其定為主要攻擊標靶。
  3. 基於標靶檢索 FDA 藥庫：
    • Graph RAG 介入：系統利用知識圖譜，針對鎖定的三大標靶（HbF、HbS、P-選擇素），在 FDA 核准老藥庫中尋找所有能對這三個標靶產生作用的老藥。
  4. 建立標靶候選池 (Target Cluster) 與初步評分：
    • AI 動作：利用 AI 算力在秒級內篩出所有具備潛力、可用且臨床有效的藥物，並立即根據以下兩大指標進行打分：
      • 💡 1. 現實證據權重 (Real-World Evidence Weight)：考量藥物是否有長期的「人體真實病歷」支持。例如：羥基脲 (Hydroxyurea) 擁有超過 30 年數據，得分高。
      • ☠️ 2. 安全性與毒性邊界 (Toxicity Tolerance)：評估藥物副作用。例如：地西他濱 (Decitabine) 因高骨髓抑制毒性會被降低推薦順位。

疾病病理 4 階段拆解與 AI 立體防禦佈局

階段 (面臨的問題)🔬 具體的「生物標靶」(Target)💊 解決此標靶的對應藥物
1. 基因寫錯了 (源頭突變 - 戰術性放棄)HBB 基因 (DNA 層級)Casgevy (基因編輯)
2. 壞蛋白質太多 (濃度問題)HbF (胎兒血紅素生成路徑)羥基脲 (Hydroxyurea)
3. 蛋白質結塊變硬 (物理聚合)HbS 蛋白質的黏性斑塊Voxelotor (小分子標靶藥)
4. 血管沾黏發炎 (微血管阻塞)P-選擇素 (P-selectin) 等發炎蛋白AI 找出的「心血管老藥」

為何需要聯合用藥？

  • 只吃抗發炎藥（階段 4）治標不治本。
  • 只吃羥基脲（階段 2）對部分病患效果不佳。
  • 🏆 AI 的「黃金組合」：同時針對階段 2、3、4 設立防線，形成不可被攻破的立體防禦。

階段 2：AI 聯合用藥 4 大過濾漏斗 (Combination Discovery)

階段 2 流程圖

目標：運用四層遞進式過濾，從數百萬種藥物組合中精確鎖定具備強力協同作用且低毒性的「黃金配方」。

四層過濾機制

  1. 第一層：機制互補 (Mechanistic Complementarity)
    • 避免重複功能的藥物堆疊（如兩款消炎藥）。AI 要求藥物組合必須攻擊不同的生物機制（如：結塊抑制 + 血管潤滑）。
  2. 第二層：代謝避險 (Metabolic Avoidance)
    • 避免藥物交互作用 (DDI) 毒性。AI 會掃描 450 萬種組合，確保藥物不共用同一個主要代謝酵素（如 CYP3A4）。
  3. 第三層：圖譜協同預測 (Graph-based Synergy Prediction)
    • GraphRAG 核心：觀察藥物下游影響的蛋白質網路，尋找能互相放大療效或形成包圍網的組合。
  4. 第四層：LLM 語意推理評分 (Internal Reasoning Process)
    • LLM 扮演「虛擬醫學評審委員會」，確保決策具備可解釋性。

LLM 推理細節

階段 3：物理驗證與安全性篩選 (避開地雷)

階段 3 流程圖

目標：透過 3D 模擬確認藥物與標靶的物理契合度，並排除因劑量或吸收問題而無效的藥物。

驗證重點

  1. 3D 分子對接測試 (Molecular Docking)：
    • 使用 AutoDock Vina 或 Schrödinger 模擬藥物與蛋白質「活性口袋」的結合。
    • 計算 結合能 (Binding Energy)：低於 -7.0 kcal/mol 視為強力結合。
  2. 藥代動力學與毒性測試 (ADMET)：
    • 吸收 (Absorption)：模擬穿透 Caco-2 細胞壁能力。
    • 代謝與排泄 (M/E)：評估半衰期與 CYP450 抑制。
    • 毒性預測 (Toxicity)：檢測 hERG (心臟毒性)、Ames (致突變性) 等風險。

戰略分析

  • 成本：極低。僅消耗 GPU/CPU 算力，約為實體實驗的 1/1000。
  • 價值：極高。「Fail Fast, Fail Cheap」，提前過濾 90% 無效藥物。

MVP 演示策略：預運算模擬資料庫

為了確保演示流暢，Agent 會模擬調用對接引擎，並從資料庫中檢索預運算數據。

{
  "drug_id": "DRUG_0812",
  "name": "Voxelotor",
  "target": "HbS",
  "status": "PASS",
  "metrics": {
    "binding_energy": "-8.4 kcal/mol",
    "herg_toxicity": "Low",
    "lipinski_rule": "Verified",
    "absorption": "High (92%)"
  },
  "simulation_source": "Pre-computed Vina Database"
}

階段 4：AI 的自動應變與轉彎機制

階段 4 流程圖

目標：若現有藥物清單全數淘汰，AI 會自動啟動替代方案。

  • 劑型改良：建議包覆奈米膠囊繞過胃部。
  • 目標降級：優先改善病患血管痛楚（治標），而非完全治本。

階段 5：最終報告與具體實驗指南

階段 5 流程圖

目標：將 AI 運算結果整合為可立即執行的醫療或藥研文件。

  • 報告內容：勝出藥物名單、3D 結合數據、臨床證據、505(b)(2) 法規包。

[EOF] // AGENT_WORKING_LOGIC_PROCESS

[EOF] // AGENT-LOGIC