1. 大型生物模型的崛起：解碼癌症的語言

2024年至2025年間，癌症研究領域最顯著的範式轉移是將Transformer架構——最初為自然語言處理（NLP）設計——應用於生物數據。其核心假設在於，DNA序列、蛋白質結構及細胞信號傳遞路徑構成了一種生物學「語言」，AI可以通過學習這種語言來閱讀甚至書寫生命的代碼。

1.1 Google DeepMind 與 Gemma 架構的生物學應用

在一項具有里程碑意義的進展中，Google DeepMind與耶魯大學合作，證明了大型語言模型（LLMs）可以被重新調整以理解細胞生物學。這項合作催生了C2S-Scale（Cell2Sentence-Scale）模型，該模型建立在Google的Gemma開放模型家族之上，標誌著單細胞分析領域的新前沿。

1.1.1 C2S-Scale 模型與「冷」腫瘤難題

免疫療法徹底改變了癌症治療，但對於「冷」腫瘤（cold tumors）——即那些能夠抑制免疫細胞浸潤並逃避免疫系統檢測的惡性腫瘤——效果仍然有限。C2S-Scale模型通過將基因表達譜視為句子，將細胞狀態視為語義上下文，成功解碼了驅動癌症、自身免疫疾病及組織再生的細胞程序。

研究人員賦予C2S-Scale 27B模型一項艱鉅任務：在超過4,000種藥物中進行虛擬篩選，尋找能夠充當「條件放大器」的化合物。這類藥物需要在特定的「免疫上下文陽性」（Immune-Context-Positive）環境中——即存在低水平干擾素但不從足以引發強烈免疫反應的環境——增強免疫信號，同時在「免疫上下文中性」環境中保持靜默。

模型預測了一種名為Silmitasertib（一種CK2抑制劑）的藥物具有這種獨特的「上下文分裂」特性。具體而言，C2S-Scale假設Silmitasertib若與低劑量干擾素結合，將能顯著放大抗原呈遞，從而使腫瘤對免疫系統「可見」。隨後的實驗室測試證實了這一預測：在活體細胞中，該藥物組合使抗原呈遞增加了約50%。

1.1.2 Gemma Scope 2 與模型可解釋性

為了克服AI「黑盒子」的信任障礙，Google DeepMind發布了Gemma Scope 2，這是一套針對Gemma 3模型家族的綜合可解釋性工具。該工具利用稀疏自動編碼器（Sparse Autoencoders, SAEs）來追蹤模型內部的決策過程。這對於癌症研究至關重要，因為它允許科學家「看進」模型的內部，理解AI為何預測某種藥物組合有效，從而從單純的相關性預測轉向因果機制的研究。

1.2 AlphaFold 3 與分子互動的精確模擬

雖然早期的AlphaFold解決了蛋白質折疊問題，但癌症生物學的複雜性遠超單一蛋白質的結構。Google DeepMind與Isomorphic Labs於2024年推出的AlphaFold 3，引入了對所有生命分子（蛋白質、DNA、RNA、配體等）相互作用的預測能力。

這一突破對於腫瘤學意義深遠。許多致癌驅動因子涉及轉錄因子與DNA的結合異常，或蛋白質與特定小分子的相互作用。AlphaFold 3使得研究人員能夠在高保真度下模擬潛在藥物與致癌蛋白的分子對接（docking），大幅減少了對X射線晶體學和冷凍電鏡實驗的依賴，將結構生物學的時間尺度從數月縮短至數分鐘。

1.3 Arc Institute 與 Evo 2：基因組學基礎模型

除了蛋白質結構，基因組本身的語言也是AI攻克的重點。由Arc Institute與NVIDIA及史丹佛大學、加州大學柏克萊分校合作開發的Evo 2模型，是目前生物學領域最大的基礎模型之一，訓練數據涵蓋超過10萬個物種的9.3兆個核苷酸。

Evo 2 在癌症研究中的關鍵能力：

• 變異效應預測（Variant Effect Prediction）： Evo 2展現了驚人的零樣本（zero-shot）學習能力。在針對與乳腺癌高度相關的BRCA1基因測試中，該模型在區分良性突變與致病性突變方面的準確率超過90%。這對於臨床遺傳學具有立竿見影的應用價值，特別是在處理「意義不明的變異」（Variants of Uncertain Significance, VUS）時，能夠提供高可信度的風險評估。
• 生成式基因組設計： Evo 2不僅能閱讀，還能「書寫」DNA。它能夠生成長達100萬個鹼基對的合成序列，這為設計新型癌症治療載體（如溶瘤病毒或基因治療載體）提供了可能，這些載體可以被編程為僅在腫瘤細胞中複製。

1.4 微軟 Research 的 EvoDiff 與 GigaTIME

微軟研究院採取了互補的策略，專注於蛋白質序列的生成式設計及腫瘤微環境（Tumor Microenvironment, TME）的空間分析。

• EvoDiff（序列空間的生成）： 不同於依賴結構預測的模型（如RFdiffusion），EvoDiff直接在序列空間運作。這使得它能夠生成那些沒有已知結構同源物的蛋白質，或是包含無序區域（disordered regions）的蛋白質。在癌症應用中，EvoDiff成功設計了針對MDM2的高親和力結合劑。MDM2是一種負調控腫瘤抑制蛋白p53的蛋白質，恢復p53的功能被視為腫瘤學的「聖杯」。EvoDiff生成的結合劑能夠阻斷MDM2與p53的結合，且無需依賴MDM2的結構先驗知識。
• GigaTIME（腫瘤微環境分析）： 於2025年底發布的GigaTIME工具，專注於腫瘤的空間生物學。它將廉價的病理切片轉化為複雜的數位地圖，分析數十種蛋白質在腫瘤微環境中的相互作用。這使得研究人員能夠在秒級時間內模擬成千上萬種細胞互動場景，從而揭示免疫細胞如何與癌細胞互動，以及為何某些患者會對免疫檢查點抑制劑產生抗藥性。

2. 生成式AI在藥物發現與設計中的工業化應用

AI在藥物發現領域的應用已超越了單純的靶點識別，進入了端到端（end-to-end）治療藥物設計的工業化階段。這一領域的特徵是「AI原生」生物技術公司的興起以及與傳統製藥巨頭的大規模戰略合作。

2.1 Isomorphic Labs 與工業合作模式

Isomorphic Labs作為DeepMind的衍生公司，代表了AlphaFold技術的商業化與工業化。截至2025年，該公司已與禮來（Eli Lilly）和諾華（Novartis）建立了價值近30億美元的戰略合作夥伴關係。

• 隱蔽口袋（Cryptic Pockets）的發現： Isomorphic利用基於AlphaFold 3的統一藥物設計引擎，專注於識別蛋白質表面上傳統成像技術無法看見的「隱蔽口袋」。這些口袋往往在蛋白質動態變化時才會短暫開啟，為靶向那些歷史上被認為「不可成藥（undruggable）」的蛋白質提供了新途徑。
• 小分子與生物製劑的雙重進擊： 該公司的平台不僅限於小分子設計，還擴展到了生物製劑。透過模擬蛋白質與配體的動態相互作用，Isomorphic旨在將藥物發現週期從數年縮短至數月。

2.2 Insilico Medicine：AI假設的臨床驗證

Insilico Medicine為生成式AI在藥物發現中的有效性提供了最具體的臨床證據。其領先候選藥物ISM001-055（現名Rentosertib）的成功，驗證了從靶點發現到分子設計的全流程AI能力。

• 靶點與分子的雙重AI生成： 該藥物針對的靶點TNIK（Traf2- and NCK-interacting kinase）是由其PandaOmics平台識別為纖維化和癌症進展的驅動因子；而藥物分子本身則是由Chemistry42生成引擎設計的。
• 臨床試驗的里程碑： 2025年，ISM001-055在針對特發性肺纖維化（IPF）的2a期臨床試驗中取得了積極結果。數據顯示，接受60mg劑量治療的患者用力肺活量（FVC）改善了+98.4 mL，而安慰劑組則下降了-62.3 mL。雖然IPF是首個適應症，但TNIK同時也是實體腫瘤和免疫逃逸的相關靶點，這項成功為其在腫瘤學中的應用鋪平了道路。此外，Insilico還利用AI設計了針對CBLB（用於腫瘤免疫治療）、USP1和MAT2A（合成致死靶點）的臨床前候選藥物。

2.3 亞洲科技巨頭的崛起：華為盤古與騰訊iDrug

中國科技巨頭利用其龐大的算力與數據優勢，發展出了獨特的AI藥物發現能力。

• 華為盤古藥物分子模型（Pangu Drug Molecule Model）： 該模型預訓練了17億個類藥物分子的化學結構，採用獨特的編碼器-解碼器架構將分子結構轉化為數值。盤古模型不僅包含了一個擁有1億個新穎類藥物小分子的庫（結構新穎性達99.68%），還被西安交通大學用於設計新型抗微生物藥物（Drug X），將先導化合物的開發週期從數年縮短至一個月。在腫瘤學方面，該模型正被用於識別針對多靶點的配體，以克服癌症的異質性與抗藥性。
• 騰訊 iDrug 平台： 騰訊AI Lab專注於複雜藥物形式的理性設計，特別是PROTACs（蛋白降解靶向嵌合體）。PROTACs通過劫持細胞的泛素-蛋白酶體系統來降解致癌蛋白，而非僅僅抑制它們。這種方法對於靶向KRAS和MYC等傳統上難以成藥的癌基因特別有效。騰訊的深度學習模型能夠預測有效的彈頭（warheads）、連接子（linkers）和E3連接酶結合劑，從而優化降解效率。

2.4 全球生成式藥物設計平台比較

為了更清晰地展示各平台的差異與優勢，下表總結了2025-2026年間的主要參與者及其技術特徵：

3. 精準免疫療法：新抗原與癌症疫苗

mRNA技術與AI的融合加速了個人化癌症疫苗的開發。這一領域的核心挑戰在於新抗原預測（Neoantigen Prediction）——即從患者腫瘤的成千上萬個突變中，精準識別出那些能夠引發最強烈免疫反應的突變。

3.1 AI-mRNA 軸心（Moderna, Merck, BioNTech）

Moderna 與 Merck (mRNA-4157/V940)： 這款個人化癌症疫苗與Keytruda（PD-1抑制劑）的聯合療法，在黑色素瘤和肺癌的治療中顯示出將復發風險降低44-75%的驚人效果。AI演算法在其中扮演了關鍵角色：它負責分析患者的腫瘤測序數據，預測並選擇出最多34個新抗原編碼進mRNA疫苗中，以訓練T細胞精準攻擊腫瘤。2025年，Moderna將此平台擴展至非小細胞肺癌（NSCLC）並啟動了三期臨床試驗。

BioNTech 與 InstaDeep： 收購AI公司InstaDeep後，BioNTech將AI深度整合進其「iNeST」（個人化新抗原特異性免疫療法）平台。其2025年的戰略重點是利用AI更精確地繪製突變圖譜並預測免疫原性，旨在消除多克隆殘留病灶（polyclonal residual disease）。

演算法的演進： 當前的預測模型已從單純的序列分析，進化為整合結構生物學數據。例如，模型現在會利用AlphaFold生成的結構數據來預測抗原在MHC複合物上的穩定性，以及潛在的交叉反應性，從而最大化療效並降低自身免疫風險。

3.2 AI 在細胞療法工程中的應用

除了疫苗，AI也正在優化CAR-T細胞療法。研究人員利用生成式模型設計合成受體，以提高T細胞的持久性和特異性。例如，一項發表於《Science》的研究展示了利用AI設計的蛋白質作為T細胞的「分子GPS」，引導T細胞以比自然受體更高的精確度鎖定黑色素瘤細胞。

4. 計算病理學與診斷影像的革新

AI在診斷領域的應用已從實驗性的輔助工具成熟為標準護理的一部分。當前的重點已從單純的病灶檢測轉向工作流程優化、預後預測以及機會性篩查。

4.1 Lunit：放射學AI的工業標準

韓國公司Lunit確立了其在癌症篩查AI領域的領導地位，並通過嚴格的臨床試驗驗證了AI在實際醫療體系中的價值。

• 取代「第二讀片人」： 在2025年歐洲放射學大會（ECR）及《Nature Communications》上發表的瑞典Capio S:t Göran醫院前瞻性研究顯示，Lunit的「INSIGHT MMG」AI系統可以有效取代雙重讀片流程中的一名人類放射科醫生。結果表明，AI輔助的單人讀片模式不僅將癌症檢測率（CDR）提高了21.6%（從每千人4.6例提升至5.6例），還減少了50%的人類工作量，且未顯著增加召回率。這對於解決全球放射科醫生短缺問題具有重大的經濟與操作意義。
• 免疫表型分析（Immune Phenotyping）： Lunit的SCOPE IO工具分析病理切片中的腫瘤浸潤淋巴細胞（TILs），將腫瘤分類為「發炎型（Inflamed）」或「非發炎型」。2025年的研究驗證了該工具能準確預測大腸癌和腎癌患者對免疫檢查點抑制劑的反應，成為指導治療選擇的重要生物標記。

4.2 阿里巴巴達摩院：多癌種機會性篩查

阿里巴巴達摩院（DAMO Academy）開創了利用平掃CT（非增強CT）進行癌症篩查的先河。平掃CT成本低、輻射少，但傳統上因對比度低而難以用於確診，AI改變了這一現狀。

• PANDA 模型（胰腺癌）： 該模型專為在平掃CT中檢測胰腺病變而設計，靈敏度達92.9%，特異性達99.9%。PANDA獲得了FDA的「突破性設備」認定，並已在中國篩查了超過70,000名患者，成功檢測出多例被人類醫生遺漏的早期胰腺癌（包括一名無症狀的75歲女性）。
• GRAPE 模型（胃癌）： 繼PANDA之後，GRAPE模型展示了通過分析胃壁細微的紋理變化，在平掃CT中檢測早期胃癌的能力，其檢測時間比標準臨床診斷平均早6至10個月。
• 「一次掃描，多種檢查」： 達摩院的願景是實現通過一次胸部或腹部平掃CT，同時篩查包括胰腺癌、胃癌、食道癌、肝癌在內的六種癌症及多種慢性病。這種「機會性篩查」模式有望徹底改變公共衛生策略，將癌症發現從晚期提前至可治癒階段。

4.3 Google Health 與 Color Health：解決實施缺口

在美國，Google Health與Color Health合作部署了「代理型」AI系統，專注於乳腺癌篩查的物流管理。不同於閱讀影像的診斷AI，該系統負責識別高風險患者、安排乳房攝影檢查並協調後續追蹤。這解決了醫療體系中的「實施缺口（implementation gap）」，即許多患者因行政效率低下而錯過篩查或隨訪。

5. 數位病患：模擬與數位分身（Digital Twins）

「數位分身」——即患者生物學特徵的虛擬副本——正在成為模擬治療反應、減少毒性副作用的重要工具。

5.1 動態腫瘤學分身

• 梅奥診所（Mayo Clinic）與 GE HealthCare： GEMINI-RT項目致力於創建數位分身以實現放射治療的個人化。該系統結合影像、AI及患者監測數據，模擬腫瘤對輻射的反應以及周圍健康器官可能受到的損傷，從而規劃出最精確的輻射劑量與路徑。
• Altis Labs 與虛擬對照組： 這家加拿大聯盟利用數位分身生成臨床試驗中的「計算對照組（Computational Control Arms）」。通過預測患者在標準護理下的病情進展，製藥公司可以減少招募安慰劑組患者的需求，從而縮小試驗規模、加快速度並降低成本。
• Humanitas： 義大利的Humanitas項目專注於白血病的數位分身，整合臨床記錄、基因組學及影像數據，以預測疾病進展並選擇最佳療法。

5.2 理論與實踐的挑戰

2025年的文獻明確區分了靜態分身（基於治療前快照）與動態分身（基於穿戴式設備和縱向活檢數據實時更新）。目前的研究正朝向動態模型發展，以捕捉腫瘤在治療壓力下的演化與抗藥性機制。然而，數據整合的複雜性、跨機構的數據互操作性以及倫理隱私問題仍是主要的實施障礙。

6. 臨床整合與真實世界證據（RWE）

AI融入臨床工作流程的進程，正由那些能夠聚合與處理海量多模態數據（Multimodal Data）的公司推動。

6.1 Tempus AI：數據生態系統

Tempus AI建立了世界上最大的多模態數據庫之一（涵蓋臨床記錄與基因組數據）。2025年，他們將Tempus Next平台擴展至乳腺癌，利用AI識別護理缺口（例如，提示醫生某位患者錯過了指南推薦的生物標記檢測）。其與Whitehawk Therapeutics的合作利用這些數據來設計抗體偶聯藥物（ADC）的生物標記，識別出最可能對PTK7等靶點產生反應的患者群體。

6.2 腫瘤學中的代理型 AI（Agentic AI）

微軟與ConcertAI正在部署AI代理（AI Agents）——這是一種具備推理與執行任務能力的自主軟體模塊。

• ConcertAI 的代理網絡： 該系統利用AI代理自動化臨床試驗的患者匹配與方案設計。這些代理在系統中扮演「員工」的角色，並設有「監督代理（Supervisor Agents）」來檢查「專家代理」的工作，以防止模型產生幻覺，確保數據的準確性與合規性。
• 微軟醫療保健代理編排器（Healthcare Agent Orchestrator）： 在牛津大學部署的這些代理能夠自動摘要病歷並為腫瘤委員會（Tumor Boards）起草治療計劃，顯著減輕了腫瘤科醫生的行政負擔，讓醫生能專注於複雜的臨床決策。

7. 監管、倫理與基礎設施挑戰

隨著AI能力的擴展，監管機構正競相建立框架，以確保安全性的同時不扼殺創新。

7.1 2025年的監管格局

• FDA（美國食品藥物管理局）： 2025年1月，FDA發布了關於「使用AI支持藥物與生物製品監管決策」的草案指引。該指引引入了**基於風險的可信度評估（risk-based credibility assessment）**框架。FDA對AI生成的數據（如來自數位分身的證據）持越來越開放的態度，但要求對底層模型進行嚴格的驗證與透明化。
• EMA（歐洲藥品管理局）： EMA的2025年AI反思文件與歐盟《AI法案》保持一致，將醫療AI歸類為「高風險」系統。這對數據的可追溯性、人類監督機制以及模型抗漂移（Model Drift）的穩健性提出了嚴格要求。

7.2 「黑盒子」與可解釋性難題

深度學習模型的不透明性仍是臨床採用的主要障礙。為了建立臨床信任，Google DeepMind發布的Gemma Scope 2提供了解碼模型內部運作的工具。這使得研究人員能夠追蹤為何像C2S-Scale這樣的模型會預測特定的藥物相互作用，將計算預測與生物學機制聯繫起來，這對於滿足監管機構對「可解釋性」的要求至關重要。

7.3 數據隱私與偏差

大規模數據集的依賴引發了對代表性的擔憂。Google Health明確與日本、英國等地的機構合作，以確保其乳腺癌模型在不同種族和乳腺密度的人群中均有效。同樣，涉及Fred Hutch和Memorial Sloan Kettering的「癌症AI聯盟（Cancer AI Alliance）」採用了**聯邦學習（Federated Learning）**技術，允許各機構在不共享原始患者數據的情況下共同訓練模型，從而在保護隱私的同時實現數據規模效應。

8. 未來方向：2026年及以後的癌症研究展望

基於當前的突破性進展，以下趨勢將定義未來五到十年的癌症研究方向：

8.1 「代理型」科學（Agentic Science）時代

研究模式將從人類使用AI工具，轉變為人類與AI代理協作。我們正邁向自主實驗室（Autonomous Laboratories）時代，AI代理不僅設計分子（如Isomorphic Labs），還能控制機器人濕實驗室（Robotic Wet-labs）進行合成與測試（如Recursion的自動化平台）。這將形成一個閉環系統，允許全天候、不間斷地進行假設驗證與迭代。

8.2 從泛癌種治療到超個人化的「N=1」療法

生成式AI與mRNA製造技術的結合將使「N=1」療法常態化。未來的製藥公司可能不再是開發針對「肺癌」的單一藥物，而是開發製造平台，該平台能在數週內為「患者X」的特定腫瘤突變生成獨一無二的藥物。監管的挑戰將從審批藥物轉向審批過程（Process）。

8.3 多尺度數位分身的大統一

未來的數位分身將整合跨尺度的數據——從原子層級（AlphaFold的分子相互作用）到細胞層級（C2S-Scale的路徑分析）再到器官層級（GEMINI-RT的組織反應）。這種全息模擬將使腫瘤學家能夠以極高的準確度預測全身毒性和聯合療法的協同效應，實際上為每位患者在虛擬環境中運行「0期臨床試驗」。

8.4 預防性AI：「攔截」戰略

隨著像阿里巴巴PANDA和GRAPE等工具的普及，腫瘤學的重心將積極轉向攔截（Interception）。通過利用低成本、非侵入性的常規影像進行機會性篩查，我們有望在癌症發生轉移之前（如I期甚至癌前病變階段）就將其檢測出來。這將把腫瘤學的戰場從管理晚期疾病轉移到早期治癒，從根本上提高癌症的生存率。

結論

AI與癌症研究的融合已從根本上改變了腫瘤學的科學方法論。我們正見證一種新認識論框架的成熟，其中生物學的複雜性通過高維向量空間和生成式模型得到管理與解構。從Google C2S-Scale揭示隱藏的免疫路徑，到Insilico Medicine的AI設計藥物進入臨床試驗並取得成功，證據確鑿地表明，AI不僅是在優化現有流程，更是在開啟全新的治療發現類別。展望2026年及未來，挑戰將不再僅限於技術本身，而在於如何將這些強大的AI代理無縫、安全且合乎倫理地整合進監管框架、臨床工作流程以及患者護理的每一個環節中。