Signals One 如何透過 AI 增強技術賦能研究人員

簡介
人工智慧 (AI) 的廣泛部署正在釋放研究的新效率，但它的有效性取決於工作流程和資料是否允許。與任何計算技術一樣，高品質的數據對於實現最佳結果至關重要。在研究中成功使用人工智慧的障礙包括數據不適合人工智慧、缺乏將人工智慧直接整合到研究工作流程中，以及將數據從一個系統移動到另一個系統可能引起的安全問題。將人工智慧洞察和自動化有效整合到現有工作流程中的研究軟體解決方案可以解決這些障礙，增強和簡化研究。

利用人工智慧增強研究
隨著研究的複雜性和數據量的增加，協調性往往會降低。知識變得孤立。例如，抗體發現團隊可能使用與生物資訊團隊截然不同的內部流程、軟體或手動工作流程，導致溝通不良和流程瓶頸。資料量的不斷增加意味著許多部門在考慮請求和與其他部門協調之前就會產生分析積壓，這增加了識別和晉升候選人所需的時間和精力。簡化團隊內部和團隊之間的常規分析和協調可以幫助克服這些挑戰。

人工智慧有可能透過增強瑣碎和常規任務來徹底改變研究和發現，使科學家能夠專注於大局問題，清除分析積壓，並更快地開發治療方法。 人工智慧可以深入挖掘數據，獲得更豐富的見解並建立深遠的聯繫。隨著研究變得越來越複雜，缺乏數據透明度、孤島增加以及流程不一致會減緩整個生命週期的發現——有效地協調和管理跨知識中心的多方面數據至關重要。統一的科學軟體即服務 (SaaS) 解決方案（例如 Revvity Signals 的 Signals One™）可以緩解這些瓶頸，支援 AI 增強和改進，並使研究計畫為這場革命做好準備。

創新的複雜性日益增加
自 20 世紀 90 年代首次批准單株抗體以來，我們見證了生物治療方式的爆炸性增長，包括抗體藥物偶聯物 (ADC)、雙特異性抗體 (bsAbs)、細胞和基因療法 (CGT)。 1–3這些新方式為對抗疾病提供了全新的途徑，但開發起來也越來越複雜。這種複雜性需要一種能夠統一不同知識領域的新型解決方案。 Signals One 專為這種複雜的環境而設計：它為資料擷取和協作、處理和決策分析提供了端到端的工作流程解決方案，以協調這種複雜性並使組織能夠更快地提供候選人和見解。

小分子藥物幾十年來一直主導著藥物開發，其開發路徑和製造流程相對簡單。然而，它們有局限性，不能解決所有與疾病相關的問題。生物製劑帶來了全新的挑戰。勝肽和蛋白質工程的進步超越了單株抗體，創造了客製化的生物治療藥物，進一步擴大了治療選擇，但需要更深入的跨學科合作。例如，ADC 將抗體的靶向特異性與小分子的效力相結合，需要化學、細胞生物學、免疫學和監管團隊之間的合作。4其他複雜的模式需要類似的跨部門合作來推動進展。

細胞、基因和核酸療法的發展速度預計將加快，尤其是隨著全球對 COVID-19 的反應凸顯了基於 RNA 的療法的潛力。到 2025 年，我們已經看到 FDA 首次批准用於眼科的封裝細胞療法5和第一種間質幹細胞療法。6嵌合抗原受體 (CAR) 細胞療法也變得越來越普遍，獲得了更多的批准和適應症，目前正在腫瘤學以外的疾病中進行探索。1,3這些療法在複雜的生物環境中發揮作用，需要更多專家知識中心之間進行更深入的合作。隨著藥物開發這一趨勢的持續，開發下一代治療方法將需要新的見解和整合不同專業知識的方法。

由更多預測分析和研究自動化驅動的高通量研究
傳統的高通量篩選就像試圖在數百個大海撈針中找到幾根針。為了使高通量篩選更加智能，研究人員越來越多地轉向結構化、本體感知的分析。插件式偵測本體，加上人工智慧和預測分析，正在簡化這個過程。定義明確且具有本體論意識的分析可以增強資料的互通性、可訪問性和檢索性， 7幫助研究人員發現可能預測哪些候選人最有可能成功的未知關係。然而，有效的檢測庫設計需要整合的、高品質的、本體感知的數據——這是 Signals One 的關鍵功能。

孤立系統在生物製藥和大型研究機構中很常見，不利於整合。 Signals One 協助跨知識中心和業務部門架設資料橋，將資料共享從打包交接轉變為連續資料流。這種整合的一體化工作流程透過整合人工智慧的解決方案為基礎的方法簡化了多模式藥物和生物治療開發的複雜性，使數據共享變得更輕鬆、更直觀。

針對複雜數據集的更多數據整合和部門協作加速了洞察力和藥物發現。
人工智慧增強研究領域已經取得了突破。 Bimekizumab 是一種針對 IL-17A 和 IL-17F 的抗體，是第一個由 AI 設計並獲得 FDA 批准的單株抗體。 8它是使用經過數百名候選人的高品質實驗數據訓練的人工智慧設計的，它能夠提供見解來解決一個發展問題——與自身免疫有關的兩種密切相關的細胞因子的雙重特異性——而研究人員無法獨自解決這個問題。 8,9這只是個開始：2023 年，臨床試驗中人工智慧發現的分子數量為 67 種，而 2018 年只有 7 種。 10

知識中心和部門之間的協作通常意味著等待生物資訊學家等專家來分析資料集。許多分析都是常規的，因此這種數據排隊在研究中代表著重要的限速步驟。將數據打包並移交給另一個部門也會佔用分析和其他研究任務的時間。 Signals One 透過集中資產數據、提高可訪問性、減少重複工作以及利用人工智慧作為助手的優勢來幫助消除這些瓶頸，使所有知識中心的研究人員能夠專注於策略、發現和創新。

Signals One 涵蓋了早期藥物發現中的設計-製造-測試-決策週期，
Signals One 可讓研究團隊輕鬆地在藥物發現過程中進行設計、製造、測試和決策。 ADC 開發需要藥理學家產生新的抗體、分析科學家篩選候選抗體以及化學團隊篩選小分子有效載荷並開發接頭。 Signals One 簡化了跨這些學科的協作。它採用了複雜的數據處理工作流程，涵蓋一系列常見的分析任務——包括體外曲線擬合、體內數據分析和組比較——並透過標準化的分析流程確保直觀的分析。即使在常規抗體開發中，挑戰也包括在早期篩選中選擇高親和力的抗體，但由於不利的生物物理特性以及對存在風險的分子結構缺乏了解，最終導致失敗，無論是在團隊內部還是跨團隊。訊號人們可以事先識別出諸如疏水性、電荷不對稱和 CDR 長度等缺點，從而允許團隊根據這些可開發性指標對候選物進行優先排序，然後再推進注定失敗的候選物。

人工智慧洞察力的強弱取決於數據。透過遵循 FAIR 原則（可尋找、可存取、可互通、可重複使用），Signals One 可協助確保資料品質並從一開始就讓資料為 AI 做好準備。標準化的分析和數據分析協議使研究人員能夠透過跨實驗比較和解釋數據來獲得更深入、更快的見解。除了簡單地改善協作模式之外，人工智慧還可以提供個別研究人員可能看不到的跨時間和部門的洞察。 Signals One 還可以簡化資料檢索：借助人工智慧語義搜尋、協議助手和圖像文字識別，再也不會丟失重要資料。

結論：用 Signals One 簡化科學

Signals One 透過人工智慧輔助實現協作和增強工作流程，幫助研究人員應對多模式藥物發現日益複雜的問題。研究人員可以花更多的時間進行探索、創造、解決問題和創造治療方法，而花更少的時間處理數據和處理脫節的系統。使用本體插件來幫助將研究結果情境化，並透過自動視覺化和即時摘要使數據立即可操作，研究人員可以更快地得出結論，並減少手動組裝交接報告的時間。因此，團隊可以花更少的時間尋求無效的選擇，而是專注於最佳候選人並加速他們進行臨床試驗。   

參考文獻
1.    Jin S, Sun Y, Liang X, et al. Emerging new therapeutic antibody derivatives for cancer treatment. Sig Transduct Target Ther. 2022;7(1):1-28. doi:10.1038/s41392-021-00868-x
2.    Pal LB, Bule P, Khan W, Chella N. An overview of the development and preclinical evaluation of antibody–drug conjugates for non-oncological applications. Pharmaceutics. 2023;15(7):1807. doi:10.3390/pharmaceutics15071807
3.    Alnefaie A, Albogami S, Asiri Y, et al. Chimeric antigen receptor T-cells: an overview of concepts, applications, limitations, and proposed solutions. Frontiers in Bioengineering and Biotechnology. 2022;10. Accessed August 7, 2023. https://www.frontiersin.org/articles/10.3389/fbioe.2022.797440
4.    Labrijn AF, Janmaat ML, Reichert JM, Parren PWHI. Bispecific antibodies: a mechanistic review of the pipeline. Nat Rev Drug Discov. 2019;18(8):585-608. doi:10.1038/s41573-019-0028-1
5.    FDA approves revakinagene taroretcel-lwey (ENCELTO) for macular telangiectasia type 2. Ophthalmology Times. March 6, 2025. Accessed April 10, 2025. https://www.ophthalmologytimes.com/view/fda-approves-revakinagene-taroretcel-lwey-encelto-for-macular-telangiectasia-type-2
6.    Research C for DE and. FDA approves remestemcel-L-rknd for steroid-refractory acute graft versus host disease in pediatric patients. FDA. Published online December 18, 2024. Accessed April 10, 2025. https://www.fda.gov/drugs/resources-information-approved-drugs/fda-approves-remestemcel-l-rknd-steroid-refractory-acute-graft-versus-host-disease-pediatric
7.    Vempati UD, Schürer SC. Development and Applications of the Bioassay Ontology (BAO) to Describe and Categorize High-Throughput Assays. In: Markossian S, Grossman A, Baskir H, et al., eds. Assay Guidance Manual. Eli Lilly & Company and the National Center for Advancing Translational Sciences; 2004. Accessed May 1, 2025. http://www.ncbi.nlm.nih.gov/books/NBK92017/
8.    Zhavoronkov A. AI in big pharma: the first antibody designed using AI in the clinic. Forbes. December 21, 2022. Accessed June 10, 2024. https://www.forbes.com/sites/alexzhavoronkov/2022/12/21/ai-in-big-pharma-the-first-antibody-designed-using-ai-in-the-clinic/
9.    Callaway E. How generative AI is building better antibodies. Nature. 2023;617(7960):235-235. doi:10.1038/d41586-023-01516-w

10.    Jayatunga MK, Ayers M, Bruens L, Jayanth D, Meier C. How successful are AI-discovered drugs in clinical trials? A first analysis and emerging lessons. Drug Discovery Today. 2024;29(6):104009. doi:10.1016/j.drud

想了解更多Signals ChemDraw資訊:
按讚ChemDraw粉絲專頁 https://www.facebook.com/ChemDrawTWIRISTech

關於彩原科技
彩原科技專業代理2D、3D電腦輔助設計軟體Bricsys BricsCAD/ PTC Creo及Luxion KeyShot大中華區白金級代理商，為客戶提供產品開發應用解決方案及設計視覺化；Vuforia AR、KeyShot VR、工業物聯網IoT，虛實整合，打造企業數位轉型，以及智慧製造全方位解決方案。 彩原科技秉持客戶需求為優先的信念，提供專業CAD/PLM/IoT解決方案，協助客戶降低產品研發成本、縮短設計流程以及提高產品品質，協助客戶提升競爭力。

回最新動態