方案名稱
「藥穹 SynThera-Sphere」——全鏈 AI 藥物設計與臨床數位分身平台
壹、前導願景：從「機遇試錯」到「設計-驗證-上市」一體化
傳統藥物開發被戲稱為「億美元黑盒」——
- 12 年：平均研發週期
- 2.6 億美元：單一臨床成功候選的直接成本
- 90 % 失敗率：臨床二期前後最大斷層
提出「藥穹 SynThera-Sphere」：以蛋白質結構深度預測、生成式分子設計與數位病患臨床模擬三軸並進，將「靶點 → 先導 → IND → 臨床 I/II/III」各階段數位貫穿，使 構想-驗證 往返迴圈從 18 個月縮短至 6-9 個月，並在可重複的雲端環境中批量複製。
貳、創新性與技術應用性 30 %
1. 四大突破模組
|
模組 |
創新亮點 |
技術棧 |
|---|---|---|
|
DeepFold-X |
αFold-3 + Diffusion-Docking 雙路並行，支援蛋白複合體與結構體內突變即時演算法修正，解析速率提昇 4× |
αFold-3 API、RosettaFold-Consensus、Phi-DiffDock |
|
MolGenesis-Lab |
以 分子圖擴散-Transformer 同步生成小分子、抗體片段與 RNAi 配體，自動附帶「可合成路徑」 |
Graph-Diffusion、Self-Refining GNN、Retro-Path RL |
|
Sim-Patient 360° |
建立 10 萬名多族群 虛擬病患分身，涵蓋基因型、代謝表型與併發症腳本，模擬 PK/PD、毒理與 Real-World Adherence |
PopPK PopPD XGBoost、CHARMM-GPU、OMOP CDM |
|
TrialCraft-RAG |
依 FDA、EMA、TFDA 規範與歷史 CRO 成功率，自動生成臨床設計、受試者分層及終點評估腳本 |
Retrieval-Augmented Generation、Policy-BERT、FHIR ResearchStudy |
2. 技術領先優勢
- 從構象 → 配體 → 臨床 三層均以生成式 AI 驅動，形成「閉環快跑」。
- 上游 DeepFold-X 與 MolGenesis-Lab 在 GPU 叢集上濃縮為 ≤ 48 h 的高通量篩查。
- Sim-Patient 360° 支援即時攝取保險與公衛流行病學資料，微調人群分布。
- TrialCraft-RAG 與 6 大 CRO 建立 API，直接輸出 GCP/ICH-E6 兼容文件模板。
參、實際應用能力與可擴展性 30 %
1. 產品-場景-效益矩陣
|
痛點 |
藥穹方案 |
預期效益（對照傳統） |
|---|---|---|
|
靶點缺乏結構 |
DeepFold-X 3 日內給出 2 Å 模型 |
生物實驗周期 ↓70 % |
|
先導化合物庫過窄 |
MolGenesis-Lab 一鍵產出 10 k 候選＋可合成路徑 |
高價第三方庫費用 ↓60 % |
|
ADMET 篩選成本高 |
Sim-Patient 360° 早期排除 50 % 低口服率/毒性化合物 |
動物試驗次數 ↓40 % |
|
臨床設計重複低效 |
TrialCraft-RAG 自動引用最佳實踐 |
II 期失敗率 ↓25 % |
2. 擴展策略
- 水平延伸：將分子生成模型微調至農藥、材料科學；
- 縱向整合：與 CDMO 建立即時 B2B 管線，雲端輸出→實驗室自動化合成；
- 平台化 SaaS：模組化 API（結構、生成、模擬、臨床設計）按調用量收費，可部署至私有雲。
肆、社會影響力與價值 20 %
- 加速罕病藥研發：針對 < 1/10 000 的孤兒罕病，從靶點鑑定到 IND 預期可縮短 3-5 年，顯著提高製藥公司投入意願。
- 降低公共醫療負擔：以三年期計，平台協助合作夥伴至少推出兩個高血壓/代謝症候群新機制藥，預估每年可為健保節省約新臺幣 8 億。
- 人才轉型與教育：與大學藥學院共建學分課程，推動「計算藥物科學師」新職種，提升產學銜接。
- 綠色永續：減少動物實驗與化學廢液，對應碳排每專案平均下降 22 tCO₂e。
伍、跨領域整合程度與展示能力 20 %
|
領域 |
生態夥伴 |
整合方式 |
|---|---|---|
|
結構生物 |
國家同步輻射中心 |
實驗晶體資料即時回填模型微調 |
|
臨床 CRO |
IQVIA、PAREXEL |
TrialCraft-RAG 雙向 API，直接預約受試者庫 |
|
雲端算力 |
NVIDIA、雲端三大 CSP |
H100 Cluster-on-Demand；成本隨案攤提 |
|
合成自動化 |
台灣智慧製藥產線 |
生成→步驟碼一鍵下發到機械臂 |
|
法規單位 |
FDA、TFDA 沙盒 |
共同驗證 AI-Assisted IND Dossier 格式 |
示範展示：
- 兩小時現場演示：從罕見腫瘤靶蛋白序列→生成 50 個小分子→Sim-Patient 360° 預測腫瘤縮減曲線→TrialCraft-RAG 輸出 30 頁 II 期試驗草案。
- 互動儀表：即時顯示結構品質(QC)與臨床模擬存活率，參觀者可調參數觀察趨勢。
陸、技術流程簡圖（文字）
複製編輯
序列/靶點 → DeepFold-X → MolGenesis-Lab → 早期 ADMET → Sim-Patient 360° →
體外/體內驗證 → TrialCraft-RAG → IND 文件 → CRO／CDMO → 臨床數位孿生疊代
柒、里程碑與關鍵指標
|
期程 |
目標 |
KGI |
|---|---|---|
|
2026 Q2 |
Alpha 版 X-Fold + X-Mol |
Top-1 4 Å 以內結構佔比 ≥ 80 % |
|
2027 Q4 |
與 3 家本土藥廠完成 3 個候選藥 |
早期 PK/PD 命中率 ≥ 60 % |
|
2029 Q3 |
首件 AI-Assisted IND 通過 FDA |
核准時長 ↓ 20 % |
|
2031 Q2 |
全球 50 家藥企／科研用戶 |
年經常性收入 ARR ≥ 45 億 NT$ |
捌、商業模式與財務預估
|
客戶類型 |
方案 |
收費模式 |
核心價值 |
|---|---|---|---|
|
大型藥企 |
Enterprise Unlimited |
年費＋GPU 成本分攤 |
串連現有 LIMS、CDMO |
|
中小生技 |
Pay-per-Candidate |
每候選藥 NT$5 00 萬 |
無需重資本投算力 |
|
學研單位 |
Academic Pack |
NT$200 萬/年 授權 3 席 |
教研用 + Open Data |
|
CRO/CDMO |
API Gateway |
按次 API 金流分潤 |
簡化流程、搶案效率 |
五年預估: 20 大藥企 × 平均年費 1.2 億 = 24 億；60 中小客戶 × 5000 萬 = 30 億；加上 Academic 及 API 流水，可達 60 億 NT$ ARR。
玖、風險與治理
- 模型偏差-臨床落差：每季引入最新 PDB 與臨床結局再訓練，並以 Shapley 與 Uncertainty Score 標示可靠度。
- 資料版權／隱私：採用私域安全沙盒與差分隱私；商用化合物庫簽訂不可逆雜湊協議。
- 法規審查路徑未知：加入 FDA CDRH AI/ML 行業諮詢委員會，參與 “Predetermined Change Control Plan” 草擬。
- 算力波動成本：簽訂雲端可用 GPU 期貨訂單，平滑資本支出。
拾、結論：以 AI 助力「設計即臨床」
「藥穹 SynThera-Sphere」瞄準 創新技術、可擴展落地、社會福祉與跨域整合四大評審軸心——
- 創新性：從蛋白結構到臨床設計，一條龍生成式 AI；
- 應用性：實證可將候選藥篩時縮 60%，並減少早期毒性失敗；
- 社會價值：罕病、公共衛生與環境永續三重效益；
- 整合度：結合同步輻射、CRO、CDMO、雲端與法規，形成可複製的國產藥創新鏈。
藉此，艾韓思將在 2035 年前協助全球合作夥伴將藥物研發平均成本降低 30 %、時間縮短 40 %，讓「智慧藥研」不再遙遠，而是可衡量、可複製、可持續的產業新常態。
留言列表
