3.7 萬個 AI 代理如何整理 55,984 項臨床試驗？史丹佛 Virtual Biotech 的成果與界線

史丹佛的 Virtual Biotech（虛擬生技），較精確的理解不是一座能自行研發、製造並推出藥物的自動化藥廠，而是一套大規模計算型研究系統。研究團隊由 James Zou 與 Harrison Zhang 等人開發，以一個虛擬「首席科學長」（CSO）代理協調不同專業的 AI 代理，讓資料蒐集、證據整理與分析工作能大量平行進行。12

它最受矚目的展示之一，是整理與分析 55,984 項臨床試驗。系統從歷史資料中歸納出可能有助於挑選藥物標靶的模式，並提出一項肺癌治療假說；但這些結果都不代表某個新療法已被證實安全或有效。藥物仍須通過實驗室研究、臨床試驗及監管機關審查。12

不是一個模型讀完所有文獻，而是大量代理分工

Virtual Biotech 並非把龐大的生醫文獻交給單一通用模型摘要。它仿照生技研發組織分工：由 CSO 代理拆解問題、分派任務給涵蓋標靶生物學、分子設計與臨床試驗分析等領域的專業代理，再整合各方結果。12

在大規模臨床試驗分析中，系統同時部署超過 37,000 個臨床試驗分析代理。這些代理把 55,984 項試驗已發表的安全性與療效結果結構化，並將藥物標靶連結到基因體、分子層級與單細胞註釋資料。史丹佛表示，約 5 萬項試驗在不到一週內完成建檔。2

關鍵在於「平行化」：許多代理可同時檢索、註記及核對各自負責的試驗紀錄。這是一次超大規模的證據整理流程，不等於系統自行做了實驗，更不表示它已發現一種得到臨床驗證的藥物。12

哪些標靶特徵與較佳的歷史結果有關？

分析特別指出兩項藥物標靶特徵：

• 細胞類型特異性（cell-type specificity）：某基因或蛋白質是否主要集中在與疾病最相關的細胞類型，而非廣泛活躍於許多不同細胞。
• 雙峰性（bimodality）：基因活性是否較像明確的開／關切換，而非沿著連續尺度逐步變化。

研究人員表示，具有高度細胞類型特異性與雙峰行為的標靶，在歷史臨床試驗資料中與較佳的開發結果相關。分析中，針對細胞類型特異性基因的藥物，從第 I 期推進至第 II 期的可能性高 40%、最終上市的可能性高 48%，且不良事件少 32%。2

不過，這些數字描述的是整理後資料集中的相關性，不是每一種標靶或療法都能獲得同樣效果的保證。一種合理但尚待驗證的解釋是：若標靶集中於與疾病相關的細胞，可能較容易做到選擇性介入，進而減少身體其他部位的非預期影響；這項生物學解釋仍需要實驗支持。12

B7-H3／CD276 肺癌 ADC：一項待驗證的設計假說

Virtual Biotech 也分析了肺癌中的 B7-H3（又稱 CD276）。系統使用截至 2025 年 1 月以前的公開資訊，提出 B7-H3 在腫瘤鄰近纖維母細胞中的表現可能具有意義；這類細胞或許會參與局部免疫抑制。2

基於這項推論，系統提出使用抗體藥物複合體（antibody-drug conjugate，ADC）的策略：以辨識 B7-H3 的抗體，連結細胞毒性載荷。原理上，ADC 的目標是讓抗癌化合物優先送達帶有該標靶的細胞。這項產出是前臨床設計與機制假說，而不是已製造完成、更不是已證實療效的治療產品。12

B7-H3 本身也是藥業正在投入的標靶。GSK 曾將 risvutatug rezetecan（GSK5764227）描述為一種針對 B7-H3、用於小細胞肺癌的研究中 ADC；該公司資料亦指出，這項資產曾獲美國 FDA 授予「突破性療法認定」（Breakthrough Therapy Designation），適用於復發或難治性廣泛期小細胞肺癌。

但現有資料不支持把 GSK 的計畫說成是 Virtual Biotech 提案後續的臨床驗證。GSK 所引用的相關公告日期為 2024 年 8 月，早於史丹佛分析採用的 2025 年 1 月公開資料截止點。雙方聚焦 B7-H3，代表的是對同一標靶的策略性匯聚，而非證明 AI 系統首創、複製或在臨床上驗證了 GSK 的藥物計畫。2

這套系統尚未證明什麼？

最重要的限制，在於計算推理與醫療證據之間仍有很長一段路。這些 AI 代理沒有：

• 進行細胞、動物或人體實驗；
• 確立 ADC 的選擇性、劑量、藥物動力學、毒性或抗藥性；
• 製造治療藥物；
• 在臨床試驗中證明病人受益。12

其他科學家也提醒，這個平台尚未真正面對藥物發現中最實際的考驗：實驗驗證。歷史資料的關聯性可用於排序研究優先事項，但也可能受到資料品質、混雜變項，或無法在前瞻性研究中重現的模式影響。1

下一關：獨立重現與實驗驗證

Virtual Biotech 的實際價值，可能在於縮小龐大的科學搜尋空間，並使證據檢閱更有系統。人類研究者仍必須定義問題、檢視原始證據、判斷生物學合理性，並決定哪些假說值得投入資源。12

若要驗證 B7-H3 提案，下一步應包括獨立重現結果，以及針對標靶生物學、ADC 結合與選擇性、療效、毒性、藥物動力學與抗藥性的實驗室研究。最終仍只有設計完善的臨床試驗，能判定一種治療是否真正改善病人的結果。12

整體而言，這項成果令人期待，但應保持分寸：多代理 AI 能迅速整理生醫證據、提出可測試的假說；它尚未取代嚴謹的實驗科學，也沒有免除每個關鍵決策所需的人類判斷。