AI 老藥新用自動化系統：
以鐮刀型紅血球症 (SCD) 為例

解決目前的研發痛點

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

graph TD
    A["疾病輸入: SCD"] --> B["深度解析: 疾病 4 階段病理"]
    B --> C["戰術放棄: 基因療法"]
    B --> D["鎖定三大防禦標靶:
HbF / HbS / P-選擇素"]
    C & D --> E["Graph RAG: 大量檢索 FDA 專利與老藥"]
    E --> F["建構標靶候選池 (Target Cluster)"]
    F --> G["多維度初步過濾:
1.臨床證據 2.毒性"]
    G --> H["傳遞精篩候選數據至階段 2"]
    
    style A fill:#000,stroke:#39ff14,color:#fff
    style C fill:#221111,stroke:#ff5555,color:#ff5555,stroke-dasharray: 5 5
    style F fill:#112211,stroke:#a0ff8a,color:#a0ff8a
    style G fill:#112211,stroke:#a0ff8a,color:#a0ff8a
    style H fill:#000,stroke:#39ff14,color:#fff,stroke-dasharray: 5 5
                    

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。

• 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。這確保了後續篩選的「原材料」兼具科學性與安全性。
• 4. 建立標靶候選池 (Target Cluster) 與初步評分：
  • AI 動作： GraphRAG 將撈出的藥物放進「候選池」中。此步驟的核心在於「窮舉並精選」：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內部打分與初步淘汰：
  💡 1. 現實證據權重 (Real-World Evidence Weight)

  AI 考量： 這款藥提升標靶的效果，是只有在「老鼠細胞」上看到，還是已經有 20 年的「人體真實病歷」支持？
  實戰判斷： 羥基脲 (Hydroxyurea) 擁有超過 30 年的 SCD 臨床數據，證據力滿分；而某些化療老藥可能只是在論文中被提到「具有潛力」，證據力就會被 AI 扣分。

  ☠️ 2. 安全性與毒性邊界 (Toxicity Tolerance)

  AI 考量： 為了達到刺激 HbF 的有效濃度，這款藥的副作用會不會先殺死病人？
  實戰判斷： 地西他濱 (Decitabine) 雖能強效提升 HbF，但本質是治療骨髓增生不良症候群的強烈藥物，具高骨髓抑制毒性。AI 會因其毒性過高而降低推薦順位。

階段 3：物理驗證與安全性篩選 (避開地雷)

graph TD
    A[推薦療法組合] --> B[3D 分子對接]
    B --> C{結合力檢驗}
    C -->|不合格| D[淘汰]
    C -->|及格| E[PK/PD 模擬]
    E --> F{吸收與劑量風險}
    F -->|超標/無效| D
    F -->|安全有效| G[通過篩選]
    
    style G fill:#000,stroke:#39ff14,color:#fafafa
    style D fill:#000,stroke:#ff5555,color:#ff5555
    style C fill:#09090b,stroke:#ffb86c,color:#ffb86c
    style F fill:#09090b,stroke:#ffb86c,color:#ffb86c
                    

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。

• 1. 3D 分子對接測試 (Molecular Docking)：
  • 結構獲取： 從 PDB (Protein Data Bank) 獲取標靶蛋白質結構，或使用 AlphaFold2 進行預測，並定義「活性口袋 (Binding Site)」。
  • 物理模擬： 使用 AutoDock Vina 或 Schrödinger 等工業級工具，模擬藥物分子在口袋中的數千種轉與對接姿勢。
  • 數據篩選： 計算 結合能 (Binding Energy)，數值越低（通常低於 -7.0 kcal/mol）代表藥物與標靶結合力越強、潛在療效越高。
• 2. 藥代動力學與毒性測試 (ADMET)：
  • 吸收路徑 (Absorption)： 模擬藥物穿透 Caco-2 細胞壁的能力，確保口服有效性。
  • 代謝與排泄 (M/E)： 評估是否會抑制 CYP450 酵素（可能導致與其他藥物衝突）或具有過短的半衰期。
  • 毒性預測 (Toxicity)： 使用 ProTox-III 或 ADMETlab 預測是否具有 hERG (心臟毒性)、Ames (致突變性) 或 DILI (藥物誘發性肝損傷) 風險。

階段 5：最終報告與具體實驗指南

graph TD
    A["通過篩選藥物"] --> B["整合數據"]
    B --> C["最終報告"]
    C --> D["勝出清單"]
    C --> E["3D 效能數據"]
    C --> F["實驗指南"]
    F --> G["實驗室落地執行"]
    
    style C fill:#000,stroke:#39ff14,color:#fafafa
    style G fill:#112211,stroke:#39ff14,color:#fafafa
                    

目標：將繁複的 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：
  • 列出勝出的藥物名單、3D 結合效能數據以及真實世界的臨床證據。
  • 505(b)(2) 法規包，加速上市流程。