加州大學洛杉磯分校（UCLA）研究團隊運用大型語言模型與既有的藥物作用、疾病路徑資訊，建立名為 MAESTRO 的候選藥物配對排序工具。系統先以運算方式評估3,592種天然產物，再挑出150種與恩雜盧胺（enzalutamide）共同進行實驗；研究人員以22Rv1細胞形成的三維球狀培養，辨識出23個符合初步協同條件的組合。
其中，小檗鹼硫酸氫鹽與恩雜盧胺的搭檔在22Rv1、MDVR、VCaP及LNCaP四種細胞模型中呈現一致性協同訊號，涵蓋對恩雜盧胺敏感與抗藥性的模型。22Rv1實驗另觀察到AMPK活性上升，以及與mTORC1活性相關標記下降。
不過，這仍是細胞模型階段的實驗性發現。研究未進行動物試驗、人體臨床試驗，也未證實全身安全性、藥物動力學或可實際給藥的劑量。四模型結果只適用於這個指定搭檔，不能外推至其餘149種候選藥物。
這項研究的核心並非既有藥物之間的市場利益爭奪，而是人工智慧如何把龐大藥理知識轉化為可驗證的實驗假設。傳統藥物開發多仰賴已知機制、實驗經驗與逐項試錯；MAESTRO則結合大型語言模型、藥物作用及攝護腺癌路徑，先替候選組合排序，再由研究人員以實驗檢驗。這種模式的價值在於降低搜尋成本，而非取代臨床證據。
恩雜盧胺是一種雄性素受體抑制劑，可阻斷部分攝護腺癌細胞赖以生長的訊號。然而，腫瘤細胞可能啟動其他生存路徑，形成治療抗藥性。研究人員因此假設，小檗鹼硫酸氫鹽或能影響此類代償機制；22Rv1細胞中AMPK上升、mTORC1相關訊號下降，與該假設部分吻合。但單一生物標記的變化不能證明完整的協同因果鏈，更不能直接轉換成人體療效。
從藥物研發歷史看，天然產物具有低成本、多樣性高及可探索化學空間等優勢，但「天然」不等於安全或有效。MAESTRO的真正技術意義在於把文字型知識、藥理資料與細胞路徑整合為候選排序；其限制則包括資料品質、模型偏差、細胞株代表性，以及細胞層級結果與臨床複雜度之間的巨大落差。目前最合理的定位，是高效能研究假說生成器，而不是可獨立判定療效的決策系統。
這項研究可視為AI由「整理既有知識」走向「主動提出實驗組合」的過渡案例。與過去依序合成、逐一測試的傳統流程相比，MAESTRO若能提高候選命中率，可能壓縮早期研究週期；但它能否帶來臨床價值，仍取決於後續模型驗證與轉譯品質。
01 起因觸發：UCLA以MAESTRO整合大型語言模型與前列腺癌路徑資訊，筛出天然產物與恩雜盧胺的候選組合。
02 一階傳導：研究由3,592種天然產物運算篩選，推进至150種實驗與23個協同候選，最後聚焦小檗鹼硫酸氫鹽搭檔。
03 二階擴散：四種細胞模型的一致性，提升AI藥物發現、臨床前驗證與天然產物研究的工具需求。
04 三階傳導：若患者來源模型與動物試驗成功，可能影響恩雜盧胺抗藥性研究與後續臨床試驗設計。
05 宏觀終局：AI能否改變癌症用藥開發，取決於從資料排名到臨床療效的可追溯證據鏈，而非單次模型命中。
領域延伸情報推薦 相關延伸研讀
依主題領域自動關聯之高參考價值外電情報
