AI 新聞速報｜哈佛免費開源 AI 工具 PDGrapher：加速癌症與腦部疾病治療新希望

InfoAI 編輯部

AI 不再只是生成文字、圖像的工具，它如今正深刻進入醫療研究核心。2025 年 9 月，哈佛醫學院（Harvard Medical School）與 Zitnik Lab 發表了最新的研究成果：一款免費開源且公眾可用的 AI 模型，名為 PDGrapher。這項工具能在細胞級別預測基因與藥物組合，以將病變細胞「推回」近似健康狀態。對於癌症、帕金森氏症、阿茲海默症等在治療上歷來受限於靶點單一或訊號通路複雜性的重大疾病，PDGrapher 除了解決方案，更象徵著藥物研發思維的一次重要轉變。

PDGrapher 不僅強調「免費開源」，其 GitHub 程式碼與處理過的資料集也全面公開，由多個公開資料庫來源組成，使全球科研人員都能下載、檢驗與延伸使用。這種開放性不僅提升科學透明度，也促進跨機構合作與復現性，是現代生醫研究極為重要的一環。此工具發表於《Nature Biomedical Engineering》，文章標題為 “Combinatorial Prediction of Therapeutic Perturbations Using Causally-Inspired Neural Networks”。

單一靶點藥物的限制與傳統困境

在過去二三十年內，藥物研發典型模式為「單靶點」（one target）策略──目標是設計能抑制或激活某個蛋白質、受體或酵素的分子，以達到抑制疾病的效果。例如 kinase 抑制劑、某些單株抗體等。這些在特定病症（像某些癌症）確實成功，但面對像免疫逃逸、多路徑交錯、病症異質性（heterogeneity）極高的疾病時，這種策略常常效果不穩。

原因在於，癌症、神經退化性疾病（如帕金森氏症、阿茲海默症）往往涉及多條基因及訊號通路同時作用，甚至基因調控網路或蛋白質相互作用間的因素（protein-protein interaction, gene regulatory networks）錯綜複雜。一種藥物可能抑制一條路徑，但病變細胞可能透過其他未被抑制的通路逃逸作用，或啟動補償機制。

此外，耗時與成本極高：從藥物設計、臨床前動物／細胞實驗、再到臨床三期試驗，往往需十年或以上、投入億美元。也有大量早期候選藥物因毒性、效力不足或不被病理異質性覆蓋而中途流產。這種「高風險、高投入、低成功率」成為傳統模式的重大瓶頸。

PDGrapher 如何重構治療組合設計

PDGrapher 的關鍵創新在於它是一種 因果啟發圖神經網路（causally-inspired graph neural network，GNN），專門處理從疾病表型（phenotype）到治療擾動（perturbation）的逆向預測（inverse problem）。簡言之，它並不是問「如果我用這個藥物，細胞會怎樣」，而是問「要讓細胞從疾病狀態變為健康狀態，我需要干預哪組基因或蛋白質、哪幾條通路」。

在實作上，PDGrapher 使用蛋白質-蛋白質互動網路（PPI）與基因調控網路（gene regulatory networks, GRNs）來近似生物體內的因果圖。研究團隊利用疾病樣本與其治療後樣本對，讓模型學習異常基因表現與健康／治療狀態之間的轉換規律。透過潛在嵌入（latent representation）的方式表示疾病狀態，再從中推斷哪些基因或組合可以達到治療效果。

開源程式碼與資料也非常完整：GitHub 上不僅有 PDGrapher 的模型實作，有基礎資料（如 PPI 網路、DrugBank 的藥物靶標資訊、COSMIC 的疾病相關基因）與實驗資料（細胞株、藥物治療與基因干預等）都可取得。

實驗驗證與數據細節

PDGrapher 的效能在多個方面都已經經過嚴格測試：

在 19 組資料集（涵蓋 11 種癌症類型）中進行交叉驗證，其中包括化學藥物干預（drug treatments）與基因干預（genetic perturbations）兩大類型。

在某些實驗中，對細胞株模型進行測試時，即使該癌症類型未曾在訓練集中出現，PDGrapher 仍能準確預測有效的靶點。這表明該模型具有一定泛化能力。

在速度與效能比較上，它比許多既有的表型驅動模型（phenotype-driven models）訓練速度快高達 25 倍，在某些評分指標（例如正確辨認被排除的已知有效靶點）上準確率高出 約 35%。

在個別案例中，PDGrapher 能指認出像 KDR / VEGFR2（與血管生成有關，也是非小細胞肺癌的重要靶點之一），以及 TOP2A（與DNA複製和腫瘤轉移相關）等臨床上已有證據支持的目標。這些案例不只是模型裡的理論預測，而是與醫學文獻已有重疊。

從癌症到腦部疾病：臨床應用前景

癌症領域之外，PDGrapher 被設計用於處理那些訊號通路與基因網路複雜並互有交互作用的疾病。

在帕金森氏症與阿茲海默症的研究中，病理通常涉及神經元死亡、蛋白質聚集（plaque、tau tangles 等）、線粒體功能失常與氧化壓力等多重機制。這些疾病的治療多數只停留在症狀緩解或單一路徑干預階段。PDGrapher 的能力在於它可同時考慮多條通路介入，尋找組合療法來修復關鍵基因／蛋白質的異常表現。多個報導指出，研究團隊已經把 PDGrapher 應用至帕金森氏症、阿茲海默症，甚至更罕見的 X-linked Dystonia-Parkinsonism 等神經退化性遺傳疾病。

長期來看，如果 PDGrapher 能取得生物醫學與臨床界的合作，把細胞／動物試驗→人體臨床試驗鏈條拉通，未來有可能推進「個人化組合療法」（personalized combination therapies），按照病人自身的基因／細胞表型來設計特定的治療組合。這種方式若成功，有望改寫醫療從「標準療法 + 症狀管理」轉向「針對原因 +個體差異」的方向。

技術本質與學術出版時間線

PDGrapher 的研究論文標題為 “Combinatorial Prediction of Therapeutic Perturbations Using Causally-Inspired Neural Networks”，於 2025 年 9 月 9 日 在《Nature Biomedical Engineering》正式出版。

此前該研究在 2024 年 1 月 已以預印本形式在 bioRxiv 上線，之後經過同儕審查與資料擴充，最終正式發表。這段時間體現了從初步發現到成熟發布的過程，也讓外界有充足時間驗證與重現部分結果。

資料來源眾多，包括公共資料庫如 BioGrid、Interactome、Interactome Atlas 提供蛋白質互動網路（PPI）；DrugBank 提供藥物靶點資訊；COSMIC 提供疾病相關基因。處理後的實驗資料與模型架構皆有公開，能被研究者下載與測試。

AI 在醫療研究的潛力與風險

潛力部份：

PDGrapher 能讓藥物研發者從早期便聚焦於高潛力的「組合療法」與多靶點干預，而不是大量盲測單一候選藥物，這可大幅節省時間與金錢。報導中指出，透過該模型物理或基因干預試驗，許多已知靶點在訓練過程中被排除，但仍被模型正確預測出來，說明模型具備真正的預測能量與泛化性。

開源與資料透明度高，有助於學術界檢驗與伸展，也使新創與中小型實驗室能以較低門檻參與高階藥物研發。這對資源較有限的地區（例如台灣）尤其重要。

風險與挑戰部份：

雖然模型在細胞與基因干預＋藥物處理的資料上表現佳，但從細胞實驗到動物實驗再到人體臨床試驗仍存在落差。人體中病理更複雜，還有生物體內代謝、毒性、免疫反應等因素可能與細胞系完全不同。

• 因果假設 (causal assumptions) 的可靠性問題：PDGrapher 在建構因果圖（causal graph）時，假設沒有未觀察的潛在混淆因素（no unobserved confounders），但這在實際生物系統中往往難以保證。若某些重要通路或基因未被資料集覆蓋，結果可能偏誤。

• 模型的資料偏差與異質性問題：許多公開資料庫的樣本主要來自西方或特定族群／細胞株，可能與不同族群或真實臨床情況差異很大。這在應用於多樣性人口或個體化醫療時，需要非常謹慎。

• 數據隱私與倫理：如果未來要用病人來源的細胞／基因數據作為輸入來做個人化治療，涉及病人隱私、同意權，以及跨境資料共享與法規遵從（例如歐盟 GDPR 等）問題。

國際研究脈絡與工具生態

PDGrapher 並不是孤立的發想，它背後連結了一整套現代生醫 AI 的工具生態與研究脈絡：

• Zitnik Lab 的 PrimeKG 是一個大規模精準醫療知識圖譜資料庫，整合疾病、基因、藥物與表型資訊。這些資源為 PDGrapher 提供了關鍵的資料基礎。

• SPECTRA 等專案則著重於分子層級 AI 模型的泛化能力，以及在不同細胞系／治療條件間的穩健度評估。這種評估對 PDGrapher 在未見資料上的表現意義重大。

• 全球越來越多類似模型／平台興起，嘗試用 AI 處理藥物重定位（drug repurposing）、合併療法 (combination therapy)、基因治療等方向。PDGrapher 的公開資料與效能測試為這類工作的標竿之一。

台灣生醫產業的啟示

台灣在生技醫療 /精準醫療領域已有一定基礎，包括臨床病人樣本庫、基因檢測與醫院研發中心等資源。結合 PDGrapher 這種開源且具複雜模型能力的工具，以下為具體可行的策略與應用方向：

• 合作臨床資料本地化：台灣醫院可提供本地的癌症細胞系、神經退化症患者細胞樣本，以補足 PDGrapher 的資料偏差，增進其對台灣族群的適用度。

• 藥物重定位與組合療法實驗：許多現有藥物可能在特定基因／通路異常時具備額外療效，若與 PDGrapher 的預測結合，可以設計新的組合治療實驗。這比從零開發一個新藥的成本與風險要低很多。

• 新創公司與跨機構聯盟：AI 生醫新創如果能掌握 PDGrapher 這樣的工具，可能在藥物篩選與早期研發中搶占先機。政策面上，政府可以支持這類開放工具在學校、醫院與企業間的共享與應用。

• 政策與監管框架強化：為因應 AI 在醫學研究中的倫理與法規問題，台灣政府與醫療科研單位應提前建立資料共享、隱私保護、人工智能模型驗證與監管標準，確保工具應用過程安全可信。

下一步觀察重點

是否有初步的動物模型試驗或臨床前研究，能證明 PDGrapher 的預測在動物或人體組織中也有效。

• 模型在不同族群／細胞系異質性極高的樣本上之泛化能力如何。

• 長期安全性與毒性評估：模型預測組合藥物的潛在副作用與代謝相互作用需在真實生物體中完整評估。

• 個人化治療落地可行性：從細胞樣本取樣 → 基因表型分析 → 模型預測 →臨床試驗→治療落實的流程能否在人類或病人中實現。

• 法規與倫理規管：資料治理、隱私、知識產權與開源 vs 專利之間的平衡。

編輯觀點｜AI 驅動醫療研究的三大啟示

PDGrapher 的發表，不只是一次 AI＋生醫的技術突破，更為整個製藥與醫療研究領域提出了新的思考框架：

• 思維模式的轉變：從「針對單一靶點」到「多通路、多基因組合」的方向，意味著在研究設計、實驗策略與藥物開發上須全面升級。醫學研究者與藥廠不能再依賴簡單靶點策略，而要擁抱複雜性與系統性。

• 產業結構的重塑：開源資料與模型如 PDGrapher，讓中小型實驗室、新創團隊也有機會參與重大疾病的早期研發。這會改變資源分配與研發流程，也可能促使大型藥廠在策略上更多合作與分散風險。

• 台灣的機會與挑戰：台灣若能在政策與資源上支持 AI 生醫的研發鏈結，特別是資料治理與跨院校／產業合作，便能在國際舞台上提升競爭力。但也需注意的是，資料偏差、生物樣本多樣性與倫理法規必須同步跟進。

參考資料：

Combinatorial Prediction of Therapeutic Perturbations Using Causally-Inspired Neural Networks — Nature Biomedical Engineering (2025 Sep 9)

https://www.nature.com/articles/s41551-025-01481-x

New AI Tool Pinpoints Genes, Drug Combos to Restore Health in Diseased Cells — Harvard Medicine News

https://hms.harvard.edu/news/new-ai-tool-pinpoints-genes-drug-combos-restore-health-diseased-cells

AI Model Finds Gene Targets and Drug Combos

https://www.insideprecisionmedicine.com/topics/informatics/ai-model-finds-gene-targets-and-drug-combos-to-reprogram-diseased-cells

Harvard Researchers Develop New AI Tool

https://theaiinsider.tech/2025/09/10/harvard-researchers-develop-new-ai-tool-that-pinpoints-genes-drug-combos-to-restore-health-in-diseased-cells/

AI Tool Identifies Treatments That Reverse Disease States

https://www.genengnews.com/topics/drug-discovery/ai-tool-identifies-treatments-that-reverse-disease-states-in-cells/

FAQ｜關鍵問答

Q1: PDGrapher 與傳統藥物研發方法有什麼不同？

傳統藥物研發大多採取「單一靶點」策略，例如透過 kinase 抑制劑來阻止癌細胞擴散。然而像癌症、帕金森氏症或阿茲海默症這類疾病，往往涉及多條訊號通路與基因網路，單一靶點無法徹底解決問題。PDGrapher 則不同，它是一個因果啟發的圖神經網路，能同時考量多個基因、蛋白質及通路之間的關係，並規劃一組最佳治療「食譜」。這使研究人員不必依賴大量試誤，而是能以更精準、更系統化的方式探索藥物組合。

Q2: PDGrapher 的研究數據是否已經通過驗證？

是的，PDGrapher 已在涵蓋 11 種癌症、19 組資料集 上進行測試。結果顯示，它比現有工具準確率高約 35%，運算速度快達 25 倍，能同時辨識出已知有效的藥物靶點，以及一些臨床文獻支持的新目標。這些驗證結果已刊登於《Nature Biomedical Engineering》，屬於同行評審期刊。雖然這些結果來自細胞與基因層級的實驗，仍需要更多臨床試驗來確認在人類病人身上的療效與安全性。

Q3: PDGrapher 是否已經能用在病人治療？

目前還不行。雖然模型在細胞與基因資料上的表現令人振奮，但要真正用於臨床病人，需要經過動物實驗與多階段臨床試驗。這些試驗將檢驗模型預測的藥物組合是否能在實際人體內安全有效。此外，藥物間的相互作用、副作用與代謝問題，都必須在臨床中進一步測試。因此，PDGrapher 的定位仍是研究工具，而不是立即能應用於病患的臨床療法。

Q4: PDGrapher 的開源特性對科學社群意味著什麼？

PDGrapher 已在 GitHub 免費公開，包括演算法、訓練方法以及部分處理過的資料。這代表全球的研究人員都能下載、驗證，甚至改良或擴充模型。這種開源共享能促進科學透明度，降低研究門檻，特別對資源有限的研究機構或新創公司來說非常有利。同時，開源也加速了跨國合作，使來自不同國家的研究者能在相同工具基礎上共同進行實驗，形成更大的科研社群力量。

Q5: 台灣研究單位可以如何應用 PDGrapher？

台灣具備醫療數據庫、臨床樣本資源與精準醫療研究能量。如果結合 PDGrapher，台灣可以在幾個面向切入：

• 藥物重定位：利用 PDGrapher 分析既有藥物，尋找新的治療用途，降低開發成本與時間。

• 罕見疾病研究：台灣醫學中心可透過 PDGrapher 處理罕見疾病患者的基因表型，設計可能的治療方案。

• 新創應用：AI 生醫新創團隊能將 PDGrapher 整合進早期藥物篩選服務，增加國際競爭力。

• 跨國合作：透過開源平台，台灣研究團隊可與美國、歐洲等地的實驗室共享成果，提升能見度。

Q6: PDGrapher 對製藥產業的影響是什麼？

若 PDGrapher 或類似工具大規模應用成功，將顯著縮短藥物研發週期並降低成本。這可能改變藥廠的投資策略：從單一靶點、大規模臨床試驗為主的模式，轉向更多元的小規模實驗與 AI 驅動的早期篩選。大型藥廠可能更願意投資於開源合作、與新創或學研單位共同開發藥物。這種模式的轉變，將逐步重塑整個製藥生態。

Q7: 開源是否會造成醫療研發的競爭失衡？

開源一方面讓中小型研究單位有機會參與高端研發，推動科學民主化；另一方面，也可能引發大型藥廠與專利體系的矛盾。藥廠依賴專利保障投資回報，但 PDGrapher 開源後，可能讓更多小型團隊在早期研發中競爭，壓縮大型藥廠的壟斷空間。這或許會迫使產業尋找新的商業模式，例如透過數據資源、臨床試驗網絡或個人化醫療方案來維持優勢。

版權聲明與授權須知

本內容由 InfoAI 擁有著作權。若您有引用、轉載或任何商業用途的需求，請先來信 contentpower688@gmail.com 申請授權。

AI 內容合作／供稿服務

InfoAI 也為企業與組織提供專屬主題的內容策劃與供稿服務，若有合作需求，歡迎聯繫： contentpower688@gmail.com 。

如果你覺得這篇文章對你有幫助，歡迎訂閱 InfoAI 電子報，我們將持續為你精選 全球 AI 新聞與趨勢洞察，幫助你看懂新聞背後的真正意義。也別忘了加入透過［QRCode］／［按鈕］加入 Line 社群 ，隨時掌握值得關注的 AI 發展與專業觀點。

AI 協作聲明：

本篇文章由 InfoAI 團隊策劃，並透過人工智慧進行編輯輔助，最終內容由編輯進行人工審閱與優化。

InfoAI 是針 AI 產業新聞進行精選與解讀的媒體

我們每日追蹤全球技術與商業動態

透過收集、比對驗證與分析

將複雜訊息轉為能落地的決策建議

幫助讀者在最短時間看懂趨勢、做出更好的選擇

內容原力 ContentPower｜化繁為簡的知識出版商

ContentPower 專注於將龐雜知識化繁為簡

轉化為實用的電子書、工具與行動手冊

打造陪伴你持續成長的學習工具箱

幫助你在職場與生活中走得更遠