自駕實驗室 (2/3)：AI 時代，藥廠自備 SDL 才跟得上潮流

除了學術界和研究機構開發的自主實驗室，業界也不可避免的加入，畢竟藥物開發就是要搶快。目前大多數 SDL 主要應用在化學或小分子藥物，生物製劑雖然近十幾年來漸漸成為顯學，但相較小分子藥物在製程上還是複雜很多，不過已經有幾家生技公司開始用 SDL，也有大藥廠和 AI/ML 合作將 SDL 導入原本的自動化機器人中，例如今年一月在 JPM，Eli Lilly 和 NVIDIA 宣布合作建一個 AI factory。

🌐 LabGenius Therapeutics

LabGenius Therapeutics 是一家位於英國倫敦的生技公司，成立於 2012 年，目標是結合 AI 和自動化機器，開發治療性抗體，尤其是多特異性抗體，其核心技術平台是 EVA™，早期曾獲得多輪融資，包括 2024 年高達 3500 萬英鎊的 B 輪融資。

EVA™ 平台

EVA™ 是一個高度自動化、閉路(closed-loop)的 SDL，整合了人工智慧、機器人和合成生物學，能快速設計、製造、測試並優化抗體分子，其閉路循環(Design-Build-Test-Learn)分為 Dry Lab 和 Automation Lab 兩個部分。

• Dry Lab：AI 使用 ML 模型和先前實驗數據進行優化，預測和設計抗體。
• Automation Lab：用自動化機器人進行抗體生產和測試，一次可生產高達 2,300 個多特異性抗體。

抗體測試後的結果會回饋給 ML 模型進行優化，然後再次設計、生產、測試，每次循環需要不到 6 個禮拜，比傳統抗體開發快很多，可大幅加速開發流程。

該平台適用於各種抗體，包括 T-cell engagers (TCE)、ADCs、NK-cell engagers、TCR-based engagers、放射偶聯物等多種抗體種類。

最新進展

他們目前正準備申請 IND 的藥物 LGTX-101 便是由 EVA™ 找出來的，是一個針對 Nectin-4 x CD3，可用來治療多種癌症的的雙特異 TCE 。

2025 年和 Sanofi 開始第二個合作，主要是利用 EVA™ 平台優化針對炎症的 NANOBODY®。

公司網站：LabGenius Therapeutics

🌐 BigHat Biosciences

BigHat 是一家成立於 2019 年，位於加州 San Mateo 的生技公司，專攻各種抗體開發，包括 IgG、多特異性 IgG、scFv、ADC、TCE 和 VHH 等等，他們的核心技術為 RADS，結合 LIMS 系統 Reccy™ 和自動化的實體實驗室後便是 Milliner™ Platform，一個端到端的抗體開發平台。

• RADS (Reccy Antibody Design Studio)：先用少量的數據開始訓練模型，之後每週用 Milliner 產生的大量高品質數據訓練模型，自動評估並挑選最佳模型來設計下一輪抗體，然後用實驗結果持續迭代優化(active learning)。
• 自動化實驗室：進行抗體純化和功能測試等等，將測試結果送到 Recoy。
• Reccy™：LIMS，負責控制儀器、整合 RADS 和實驗獲得的數據。

一個端到端的循環，也就是訓練、學習、設計、抗體測試到優化(design-build-test)，只需一個禮拜。

最新進展

目前的產品線已癌症的抗體藥為主，大多是 TCE，其中 BHB810 (CDH17 ADC) 已進入臨床準備階段，預計今年6 月左右啟動 Phase 1/2 試驗。

除了自己開發抗體，他們也和多個藥廠合作，包括 J&J, Mer 和 Amgen。

公司網站：BigHat Biosciences

🌐 AbSci

AbSci 是一家成立於 2011 年，位於華盛頓州溫哥華的已上市生技公司，結合 Gen AI 和實體實驗室開發抗體藥，其核心技術為 Integrated Drug Creation™ Platform，該平台結合訓練用的數據、AI 和實體實驗室，形成一個閉環實驗室，可把單一循環(design–test–optimize)時程縮短至六週。

Integrated Drug Creation™ Platform

這個開發全新抗體的閉環 SDL 平台包括了兩個部分：

• Origin-1: 生成隨機的全新抗體序列、in silico screening、分析測試結果，進行優化。
• 自動化實驗室：包括 SoluPro®、SPR、ACE Assay™ 和 HiPrBind™ Assay 等等

在他們最新的 preprint (Levine et al, 2026) 中描述了完整個抗體開發流程，包括：

1. 生成全新抗體：使用 使用 Origin-1 (原本的 Denovium Engine™) 的 AbsciGen 生成全新的的序列。
2. 評估 & 預測：使用 Origin-1 的 AbsciBind 幫抗體評分，挑出分數高的抗體。
3. 建立抗體資料庫：設計和建立客製化的抗體資料庫。
4. 抗體表現：利用 SoluPro® 表現抗體。
5. 抗體篩選：利用 ACE Assay™ 和 HiPrBind™ 篩選出親合力、表現量和效能、品質最佳的抗體。
6. 迭代優化：利用每次循環獲得的新數據進行優化。
7. 擴增 & 轉移：優化生產條件並將技術轉讓給合作夥伴。

產品線

目前進入第一期臨床試驗的有 ABS-101 和 ABS-201。

ABS-101 是用來治療發炎性腸道疾病 (Inflammatory Bowel Disease, IBD)，針對 TL1A (Tumor necrosis factor-like ligand 1A) 的抗體。根據其 10-K 資料，該藥雖然仍處於 Phase 1，但已將其內部開發暫緩，轉而積極尋求外部合作夥伴。

ABS-201 則是用來治療雄性禿(Androgenetic Alopecia)，針對 prolactin receptor (PRLR) 的抗體，該藥於 2025 年 12 月啟動 Phase 1/2a (HEADLINE trial)，目前正在進行單次劑量遞增(single ascending dose)階段，預計 2026 年下半年有初步 POC (proof-of-concept)結果。

合作藥廠 & 投資方

合作藥廠包括 AstraZeneca 和 Merck (MSD)，投資者也不少，AMD 除了在 AI 上的合作外，也透過 PIPE Investment 投資了 2000 萬鎂。其他機構投資人包括 ARK, BlackRoc 和 Vanguard 等等。

新聞：Absci Pursues Google-Sized Ambitions in Drug Discovery, Manufacturing: After helping partners design better biologics faster, the drug and target discovery company aspires to build its own pipeline and bolster AI capabilities

公司網站：AbSci

🌐 Insitro

Insitro 是一家成立於 2018 年，位於舊金山的生技公司，創辦人 Daphne Koller 的專業領域是 ML，因此 Insitro 也是主打用 AI 解開生物上的難題，推出各種 AI 平台，包括 ChemML™ platform、TherML™ (Therapeutic Machine Learning) platform，POSH (Pooled Optical Screening in Human cells) platform, Virtual Human™ platform, ClinML™ platform 等等，透過整合自動化實驗室和機器學習產生大量的數據，以及臨床數據來訓練 AI 模型，藉此找出致病機制、治療標靶和藥物開發，涉及領域包括代謝疾病、神經性疾病、眼科疾病和癌症。

他們今年一月收購以色列 AI 公司 CombinAbleAI，其模型可用來設計和優化抗體，整合進它的 TherML™ 後便可完整其在生物製劑上的自主學習和分析系統，成為涵蓋小分子、寡核苷酸、抗體等的 modality-agnostic AI 設計平台。

• ChemML™: 用於開發小分子藥物，和自動化實驗室結合後，已是端到端(design-make-test)的閉環 SDL。
• ClinML™: 利用 AI 分析各種臨床資料
• CellML™: 產生和分析大量的 in vitro 實驗數據
• Virtual Human™: 整合 ClinML™ 的臨床數數和 CellML™ 的細胞實驗數據，可用來找出致病機制。
• TherML™: 利用 Virtual Human™ 的數據，並整合 ChemML™ 平台，成為一個全藥物模態（modality-agnostic）的統一系統，可自主學習、設計、分析與優化小分子、寡核苷酸(oligonucleotides)和抗體等生物製劑，與自動化實驗室結合後，成為端到端的閉環 SDL。

產品線

目前正準備申請 IND 的是和 Eli Lilly 合作的，用來治療脂肪肝疾病 MASH 的 CTRO-1013 和 CTRO-1029，兩者皆為 siRNA。

合作藥廠 & 投資方

除了 Eli Lilly 外，合作對象還有 BMS，合作項目為用來治療 ALS 的小分子藥物。

自 2019 年開始 A 輪融資到 2021 年的 C 輪融資，總共募到約 6.43 億美元。C 輪是由加拿大退休基金(Canada Pension Plan Investment Board, CPP Investments)領投，其他投資者還有 ARCH Venture 和 SoftBank Investment Advisers 等等。

公司網站：Insitro

藥廠和 AI 公司的合作

除了買人家整套 SDL，或找公司來設置一座 SDL，還有一個方式就是買軟體。

OpenProtein.AI 是一間約十人的小型新創，成立於 2021 年，主要產品是其設計蛋白質的 AI 模型 PoET-2，可以從實驗數據中學習，然後進行優化，只要透過他的平台和自動化機器人連接，就可以變成一個端到端、閉路循環的 SDL。

他們的雲端平台採用 SaaS 訂閱制，學術界使用完全免費，目前沒有業界付費使用的價格。

Boehringer Ingelheim 自去年(2025)便開始和他們合作，成功導入平台後，今年決定進一步擴大 OpenProtein.AI 平台的應用範圍，並投入開發客製化抗體的功能。

另一個例子則是今年一月在 JPM，Eli Lilly 和 NVIDIA 宣布要共同斥資 10 億美元打造 Co-innovation Lab ，NVIDIA 提供超級電腦 LillyPod 和爲生科打造的 AI 平台 BioNeMo，結合 Eli Lilly 自己的自動化的代理實驗室(Agentic wet labs)，實驗數據能即時回傳給 AI 模型進行學習，而 AI 模型又能馬上生成新的預測並發送給實體實驗室進行測試，形成一個自主實驗室，可 24 小時全天候實驗。

新聞：NVIDIA and Lilly Announce Co-Innovation AI Lab to Reinvent Drug Discovery In the Age of AI

不專業碎念

目前大多數的 SDLs 還是以化學、材料為主，跟生物製劑相比簡單很多，也很容易 scale-up。想將 SDLs 應用在生物製劑上還有很多要進步，但應該也不是做不到，目前看起來是 scale-up 比較難，但是在初期開發上，我覺得在幾年內應該是做得到的。

生物製劑不只是抗體，還包括細胞和基因療法，不過因為我之前是做抗體的，所以比較多是著墨在這塊，而且跟細胞和基因治療相比，我認爲用 SDL 開發抗體較為容易，除了量產這塊一樣要克服的瓶頸較多，但在初期開發上是可行的，也的確已經有不少公司在做。

不過，沒想到加拿大基金(CPP)那麼看好 Insitro，竟然還領投，我該為我未來的退休金擔心嘛？😂

其實還有更多的想法，但因為跟下一篇比較有關，所以就放在下一篇吧！



☕️ 如果你喜歡這篇內容，歡迎賞一杯咖啡。😊

合作邀約: nonproscience@gmail.com
📍 文稿：科普文、公司文、產業文等等
📍 諮詢：實驗設計、加拿大研究所、生科產業

超營養海豹奶 — 多樣化的乳寡醣

所有哺乳動物的乳汁都有一套基本的營養組合：脂肪、蛋白質和醣類（碳水化合物）。

不過，雖然成分都大同小異，但是各個成分依小北鼻的生存需求而演化成不同的比例，例如人類的母乳屬於低脂肪(~3-5%)、低蛋白質和高醣類，這個比例比較適合哺乳期較長，需要持續穩定供應能量的靈長類。

而冠海豹(Hooded Seal)的北鼻因為生活在環境較惡劣的北大西洋和北極海域，牠們需要趕快長大，哺乳期只有四天。為了在這麼短的時間內讓北鼻趕快獨立生活，牠們的乳汁超級營養，是目前已知脂肪含量最高的，超過 60%。在這四天裡，冠海豹北鼻每天能喝下約 7.5 公斤的超高脂乳汁。斷奶時，牠們的體重幾乎增加一倍，而這些脂肪會迅速轉化為一層厚厚的脂肪層(blubber)，讓牠們可以在冰冷海洋中保暖。

除了冠海豹，大西洋灰海豹北鼻的哺乳期也相對短，只有 17 天，牠們必須在不到三個禮拜內快速建立消化系統和免疫系統，以抵禦北大西洋環境壓力。

和海豹的成長策略形成鮮明對比的是黑犀牛(Black Rhino)，牠們的乳汁非常清淡，脂肪含量只有約 0.2%，因為繁殖週期非常緩慢，懷孕期超過一年，而哺乳期更是長達近兩年，所以雖然很稀，但是可以喝兩年。😂

乳寡糖的重要性

母乳中另一個重要的成分是乳寡糖(Milk Oligosaccharides, MOs)，是一種帶有 3-10 個短單醣鏈的乳糖，單醣(monosaccharides)包括葡萄糖、半乳糖(galactose)、岩藻糖(fucose)和唾液酸(sialic acids)。這些乳寡糖因為褐藻醣基化(fucosylation)、唾液酸基化(sialylation)和硫酸化(sulfation)等等修飾，結構很多樣，也帶有不同的功能，可以和不同物種的病原體、免疫細胞和共生微生物進行不同的交互作用。

目前泛哺乳動物的乳寡糖有超過 650 種已知結構，之前的研究已鑑定出超過 200 種獨特的人類乳寡糖結構，其中最大的是由 18 個單醣組成。

海豹北鼻可以快速成長、快速變胖，以及建立免疫系統，才可以為嚴酷海洋生活做好萬全準備。

但是，牠們從出生到斷奶的準備時間的短則只有 4 天，較長的也只有 17 天，除了母奶中的脂肪外，母乳中還有什麼秘方可以幫牠們在短時間內達成目標？

結構複雜的大西洋灰海豹乳寡糖

瑞典哥德堡大學(University of Gothenburg)和查爾摩斯理工大學(Chalmers University of Technology)的研究團隊認為海豹奶應該有什麼特殊配方，才能有此功效，因此對大西洋灰海豹奶進行分析。

研究團隊從蘇格蘭海岸的五隻野生大西洋灰海豹(Halichoerus grypus)媽媽身上採集了母乳，採集時間橫跨整個哺乳期，也就是平均約 17天左右，包括產後第 2, 7, 13, 17/18/19 天，總共 20 個母乳樣本。

接著，他們用質譜分析(Mass Spec)結合 AI 模型，解析其中 240 種醣類的結構，分析其在哺乳期間的動態變化。

分析結果發現，海豹奶的複雜性遠超過人類母乳。研究團隊在海豹奶中鑑定出 332 種獨特的寡醣分子，與人類母乳中約 250 種相比，其數量多出約 33%，而在經結構分析過的 240 種寡醣中，有 166 種(69%)的結構是之前沒看過的。

另外，有些乳寡糖的大小也前所未見，目前已知人類母乳中最大的寡糖是 18 個單醣，但是他們發現有的海豹奶的乳寡糖竟然有 28 個單醣組成那麼大。

海豹奶乳寡糖被修飾的比例也很高，有約 50% 被岩藻糖基化(fucosylated)，40% 為唾液酸岩藻糖基化(sialofucosylated)，這種高比例的岩藻糖基化特徵與人類母乳相似。

硫酸化是海豹母乳寡醣中一種非常普遍的修飾，研究團隊共發現 53 種獨特的硫酸化結構，其中 48 種是新發現的，使灰海豹成為已知擁有最多硫酸化母乳寡醣的物種。

乳寡糖的功能

海豹奶中這些結構複雜的乳寡醣，幫海豹寶寶提供各種的保護與支持。

• 岩藻糖基化(Fucosylation)：這類結構常被鑑定為有效的受體誘餌(decoy receptors)，在人乳和大西洋灰海豹乳汁中都非常豐富。在乳類生物學中受體誘餌是指乳汁中的寡糖利用其與宿主細胞表面聚醣相似的結構，吸引病原體與之結合，防止它們附著在寶寶的腸道上引發感染。
• 巨大寡糖(Giant MOs)：這些分子有複雜的分支結構，能多價呈現(multivalent presentation)多個結合位點，例如如唾液酸或岩藻糖基，使它們變成可溶性受體誘餌。
• 硫酸鹽化(Sulfation)：能增強受體誘餌的效力

除此之外，乳寡醣也是益生菌的優質食物，有助於在寶寶的腸道中建立最初的健康微生物群落。

海豹奶會隨時間變化

有趣的是海豹奶的成分比例是會隨著寶寶的成長而調整的，他們發現雖然海豹的哺乳期只有約 17 天，但隨著海豹寶寶的成長，乳汁中的成分和乳寡醣組成在不同時間點會有所變化，其整體多樣性會越變越高。

根據採集時間，可以大致分為三個時段：

1. 早期奶水 (Early): 產後約第 2-5 天可被檢測到，乳汁中含有乳糖(lactose)、唾液酸乳糖(sialyllactose)與岩藻糖基乳糖 (fucosyllactose)為主，不過在隨後的幾天內，濃度會迅速下降。

2. 穩定奶水 (Stable): 主要的乳寡醣特徵為 Type-2 H-抗原和 LacdiNAc，這些結構可以提供免疫調節和抵抗病原體的功能。

3. 晚期奶水 (Late): 乳寡醣的整體多樣性增加，富含 Lewis Y 抗原和硫酸化寡醣(sulfated MOs)。



這些醣類的功能包括：

• 抵抗病原體與抗生物膜
• 調節腸道微生態
• 免疫調節與抗發炎
• 促進胃腸道的發育，並能降低腸道滲透性。

▍海豹奶寡醣可以用來幹嘛？

由於這些海豹乳寡醣有抵抗病原體等功能，未來也許可以添加到嬰兒配方奶粉中，以更接近母乳的功能，增強嬰兒的免疫系統。除此之外，它的抗生物膜特性或許也可用來替代抗生素或是合並使用，避免促進細菌的抗藥性。

另外就是大家最愛(?)的保健食品，可能有些保健食品公司會想要拿來當維持腸胃道健康的產品。😂



☕️ 如果你喜歡這篇內容，歡迎賞一杯咖啡。😊

合作邀約: nonproscience@gmail.com
📍 文稿：科普文、公司文、產業文等等
📍 諮詢：實驗設計、加拿大研究所、生科產業



Article:

Seal milk more refined than breast milk | University of Gothenburg


Publications:

C Jin, J Lundstrøm, CR Cori et al. Seal milk oligosaccharides rival human milk complexity and exhibit functional dynamics during lactation. Nat Commun (2025) DOI: 10.1038/s41467-025-66075-2

漢他病毒 (Hantavirus) - 新世界 vs. 舊世界

漢他病毒最早是 1976 年時在南韓發現的，之後於 1978 年在韓國漢灘江(Hantaan River)附近分離出來，所以那株病毒叫漢灘病毒(Hantaan virus)，這個病毒屬則被命名為漢他病毒屬。

在病毒被辨識出來之前，有記錄的第一次大規模疫情是 1951 年韓戰期間有超過 3000 位聯合國士兵感染韓國出血熱(Korean hemorrhagic fever, KHF)，又稱流行性出血熱(epidemic hemorrhagic fever, EHF)。1976 年時，韓國首爾大學的李鎬汪(이호왕)教授和美國 CDC 合作，從老鼠漢灘江附近的赤背條鼠(Apodemus agrarius coreae)的肺組織分離出具感染性的病毒株。

1980 年代時發現，亞洲都會區中類似症狀的病例是由溝鼠(Rattus norvegicus)傳播的漢城病毒(SEOV)所引起，而歐洲的流行性腎病(nephropathia epidemica, NE)則被發現是由普馬拉病毒(PUUV)所引起，其宿主為堤岸田鼠(bank vole, Myodes glareolus)。全球每年可能有高達 15 萬起類似病例，其中超過一半發生在中國。

1982 年時，WHO 將這類具有相似臨床症狀的疾病統一定名為腎症候群出血熱(Haemorrhagic fever with renal syndrome, HFRS)。

在 1993 年之前，都沒分什麼新世界、舊世界。直到 1993 年五月，美國爆發漢他病毒肺症候群(HPS, hantavirus pulmonary syndrome)疫情，或稱漢他病毒心肺症候群(HCPS, hantavirus cardiopulmonary syndrome)。拜分子生物學進步所賜，科學家在短短數週內就鑑定出病原體為無名病毒(SNV, Sin Nombre virus)，為新世界病毒第一次爆發的疫情，自此分成舊世界和新世界兩種漢他病毒。

病毒結構

▫️ 病毒分類：Bunyavirales (布尼亞病毒目), Hantaviridae (漢他病毒科), Orthohantavirus (正漢他病毒屬), 超過 38 種病毒株，通常依地區和臨床症狀分為新世界(New World)和舊世界(Old World)。

• 新世界：主要分佈在美洲，代表種為 Sin Nombre orthohantavirus (SNV, 無名病毒，主要宿主為鹿鼠)、Andes orthohantavirus (ANDV, 安地斯病毒)。
• 舊世界：主要分佈在歐亞，代表種為 Hantaan orthohantavirus (HTNV, 漢灘病毒)、Puumala orthohantavirus (PUUV, 普馬拉病毒)、Seoul orthohantavirus (SEOV, 首爾病毒)。

▫️ 病毒大小：Enveloped, 80 - 120 nmm, 多形性(Pleomorphic)或球形；套膜上佈滿了由 Gn 和 Gc 醣蛋白組成的刺突 (Spikes)，排列成網格狀。

🧬 基因體：(-)ssRNA, segmented, 12 kb; 分為 S (N protein, ~1.7kb), M (GPC, ~1.7kb), L (RdRp, ~6.5kb)三個節段 (Tripartite)

▫️ 病毒蛋白

• N (Nucleoprotein)：核殼蛋白，病毒顆粒中最多的蛋白，包覆和保護各個 RNA 片段組成三個 RNP (ribonucleoprotein)。
• Gn, Gc (Glycoproteins)：膜表面的醣蛋白(glycoproteins)轉譯後會被蛋白酶切割成 Gn 和 Gc，負責附著宿主細胞及膜融合。
• L (polymerase)：RdRP (RNA-dependent RNA polymerase), helicase 和 endoribonuclease，負責病毒複製與轉錄。

🧪 存活力：在宿主體外存活時間不長，在室溫下的乾燥排泄物中可存活 2 - 3 天，在潮濕、陰暗的環境中可存活較久，可以超過 10 天。因具套膜而對脂溶劑敏感，10% 漂白水、70% 酒精、Lysol 等清潔劑皆可迅速滅活病毒。

症狀 & 傳播途徑

❄️ 盛行季節：全年皆有風險，只要有齧齒類動物存在。常見於春季和初夏，因為人們開始清理閒置的度假小屋、倉庫或穀倉，容易揚起帶有病毒的灰塵；或是齧齒類動物因氣候回暖開始活躍。

症狀

依病毒種類分為漢他病毒肺症候群(Hantavirus pulmonary syndrome, HPS)和腎症候群出血熱 (HFRS)，舊世界主要症狀為腎症候群出血熱，新世界為漢他病毒肺症候群。

漢他病毒肺症候群(HPS)

HPS 又稱漢他病毒心肺症候群(HCPS, hantavirus cardiopulmonary syndrome)，主要為北美新世界病毒引起的症狀，包括 Sin Nombre 病毒。

• 早期 (疲勞期, 1-3天)：發燒、劇烈肌肉痠痛 (特別是大腿、臀部、背部等大肌群)、頭痛、噁心、嘔吐。
• 晚期 (心肺期，發病後 4-10 天)：咳嗽、呼吸急促、感覺像肺部被勒緊或溺水。肺部微血管通透性增加導致嚴重肺水腫，致死率高，約 35-40%。

腎症候群出血熱 (HFRS)

主要為歐亞的舊世界病毒引起的症狀，包括漢灘病毒。症狀為突發高燒、皮下出血、血壓降低、嚴重腎功能衰竭造成的少尿。

傳播途徑

主要是經由吸入被受感染齧齒類動物的尿液、糞便或唾液污染的灰塵。除此之外，如果觸摸受污染的物體後再觸摸口鼻也可能被感染。絕大多數漢他病毒不會人傳人，不過南美洲的 Andes virus (安地斯病毒) 曾有極少數人傳人案例報告。

安第斯病毒(Andes virus, ANDV)最早發現於 1995 年三、四月時，阿根廷西南部 El Bolson 附近的家族群聚中出現 HPS 病例，其臨床表現類似北美的 Sin Nombre virus，但是病毒的基因序列和舊世界或北美病毒不同，確認為全新病毒株，並被命名為安地斯病毒(Andes virus)。

之後於 1996 年年底，該地區又爆發一次規模較大的疫情，總共有 20 人確診為安地斯病毒感染，**致死率高達 50%。**由於部分病例並沒有接觸到嚙齒動物，只接觸過確診患者，因此懷疑其人傳人的可能性。

接著，2018 年時發生了截自目前為止記錄中最大規模的人傳人安第斯病毒疫情，共有 32 位確診，11 人死亡，致死率 32.4%。帶原者在11 月時參加了一個約 100 人的生日派對時已發燒，雖然只呆了約 90 分鐘，但感染了 5 名近距離接觸者，之後在透過家庭、葬禮等社交場合傳給其他人。

在那之後，2025 年自今，阿根廷持續有安地斯病毒確診案例的通報，目前已累積有 101 個案例，光是今年就有 42 例，為近年最大規模，死亡率約 31 - 39%，不過大多數是鼠傳人。

2021 年的系統性回顧論文認為目前的證據不足以證明安地斯病毒為人傳人，因為之前人傳人的疫情中，並沒有確認除了帶原者外，其他人並沒有明確未接觸過嚙齒類動物的證據，尤其是在疫區，更需要未接觸過的對照組。

感染機制

1. 受體結合：病毒醣蛋白(Gn/Gc)和宿主細胞表面的 Integrins 結合以進入血管內皮細胞（特別是肺部或腎臟）和肺泡巨噬細胞。 2. 發病：病毒本身通常不直接殺死細胞，而是引發強烈的免疫反應，例如細胞激素風暴(cytokine storm)，會導致血管內皮細胞間隙變大，引發嚴重的微血管滲漏(vascular leakage)，造成肺水腫(HPS)或腎衰竭／出血(HFRS)。

💊 治療藥物：目前無無核准的抗病毒藥物，病發後以支持性療法(supportive care)為主，包括插管(Intubation)以維持呼吸，在極重症呼吸衰竭時，需用葉克膜(ECMO)支持心肺功能，直到病毒消退。

目前臨床文獻有提到的抗病毒藥物為 Ribavirin，但只有在 HFRS 早期施用有效，但在用在 HPS 則效果不彰。

💉 疫苗：

• 北美／歐洲：目前還沒有 FDA 核准上市的疫苗
• 亞洲：針對舊世界型病毒，中國和韓國有使用滅活疫苗可供使用，例如 Hantavax，但對新世界病毒無效。

資料來源：Health Canada, US CDC, WHO, ICTV, ViralZone

References:

CDC | An Unusual Hantavirus Outbreak in Southern Argentina: Person-to-Person Transmission?

JH Kuhn, CS Schmaljohn. A Brief History of Bunyaviral Family Hantaviridae. Diseases (2023) DOI: 10.3390/diseases11010038

CB Jonsson, LTM Figueiredo, O Vapalahti. A Global Perspective on Hantavirus Ecology, Epidemiology, and Disease. Clin Microbiol Rev (2010) DOI: 10.1128/cmr.00062-09



☕️ 如果你喜歡這篇內容，歡迎賞一杯咖啡。😊

合作邀約: nonproscience@gmail.com
📍 文稿：科普文、公司文、產業文等等
📍 諮詢：實驗設計、加拿大研究所、生科產業

自駕實驗室 (1/3)：生科趨勢 SDL — AI + 自動化機器人

會寫這個主題是因為看到 Nature 的這篇，本來只是想簡單介紹一下，沒想到邊找資料邊寫，不小心就越寫越多。😂

因為有點太長，大概會分成三篇：

1. 介紹 SDL 的進程 + 目前幾個大型的 SDL 研究中心
2. 生技公司、藥廠自建 SDL（用在生物製劑上的 SDL）
3. 趨勢：自主實驗室的商業模式

Automation of Science

AI 世代的來臨，不只軟體工程漸漸被 AI 取代，生醫和藥物開發方面也有開始有這個趨勢。

自主實驗室這個詞，也越來越常被提起，或是出現在新聞上。

自主實驗室，Autonomous lab，又稱自駕實驗室 Self-Driving Lab。

Self-driving 的概念興起於 2000 年代後期，強調其閉路循環(closed-loop)，也就是 DMTA (Design-Make-Test-Analyze) 循環：AI 建立假說、設計實驗 + 自動化機器人執行和測試 + 傳回給 AI 進行數據分析和評估最佳化條件，然後設計和進入下一輪實驗。

不過，說到自主實驗室，就要提起 Automation of Science 的先驅，同時是英國劍橋大學和瑞典 Chalmers Institute of Technology 的教授 Dr. Ross King。

Adam (2009)

史上第一個自主實驗室是 Ross King 在 2009 年時，和亞伯里斯威斯大學(Aberystwyth University)研究團隊合作的亞當 Adam，除了是向聖經中的亞當致敬，也是向 18 世紀極力提倡工業機械化的經濟學家亞當・斯密（Adam Smith）致敬。

亞當主要是應用於基因組學，利用酵母菌(S. cerevisiae)作為模型生物，自動推論並找出酵母菌中 10% 到 15% 未知功能的基因，以及識別孤兒酶(orphan enzymes)。

💡 孤兒酶(Orphan Enzyme)是什麼？

已知其功能的酶，例如它催化哪一個代謝反應，但不知道是哪一個基因負責編碼這個酶。這些基因很多原本被標註為未知功能(unknown function)或功能標註錯誤。

Adam 的工作是把「功能未知的基因」與「已知但缺少基因的酶」配對起來。

Adam 做了什麼？

1. 從現有生物資料庫和邏輯模型中，自動產生假設：哪一個未知功能的基因可能編碼某個孤兒酶？
2. 針對 13 個孤兒酶產生了 20 個假設並設計實驗
3. 執行實驗、分析數據，並迭代優化。

結果：成功發現並驗證了多個孤兒酶的基因，其中最重要的一個是負責離氨酸(lysine)生成的酵素 2A2OA (2-aminoadipate:2-oxoglutarate amino transferase)

Eve (2015 ➔ 2018)

2015 年，他和瑞典哥德堡(Gothenburg)的查默斯理工大學(Chalmers University of Technology)的研究團隊合作，將亞當進化成夏娃 Eve，可以將早期藥物設計的流程自動化。

發表在 2018 年的研究顯示，夏娃篩選了約 1,600 種化學物質，針對其結構和活性的關聯性建模，用以預測哪些物質值得測試，並設計和執行實驗來驗證，結果發現常見的抗菌化合物三氯沙(triclosan)可以抑制瘧原蟲(Plasmodium falciparum)在肝臟休眠期時，用來存活的酵素 DHFR (Dihydrofolate reductase)。

Eve 運作流程：

1. 初步 in silico 篩選：AI 從涵蓋已核准的 Johns Hopkins Clinical Compound Library 中用 ML 模型快速預測哪些最可能有活性。
2. 執行實驗：把 AI 選出的化合物加入細胞培養盤，培養瘧疾寄生蟲，然後用自動化儀器測量真實的抑制效果。
3. AI 學習：將實驗結果傳回 AI 系統，AI 根據結果分析哪些化合物的結構或性質與活性有關。
4. 最佳化：使用 Bayesian Optimization 等演算法，根據分析結果來預測哪些還沒測試過的化合物最可能有效，然後自動安排下一輪實驗。
5. 迭代優化：重複 2–4 步進行「測試 → 學習 → 預測 → 下一輪測試」，直到找到活性最強、最有潛力的候選物。

Genesis (開發中)

2019 年時，Ross King 收到瑞典 WASP (Wallenberg AI, Autonomous Systems and Software Programme) 的邀請，被任命為 Wallenberg Chair，正式啟動第三代的 Genesis 開發計劃，目標是讓它成為 L4 自主實驗室，完成後可以全面自動化酵母(Saccharomyces cerevisiae)系統生物學(systems biology)研究，每天自組啟動和執行 1000 個實驗。

• Adam：第一個可提出並驗證假設的 SDL。
• Eve：從純科學發現轉向產業應用，以最佳化(optimization)為主，能大幅提升效率，可用藥物篩選。
• Genesis：體積是 Eve 的五分之一，目標是可自主生成假設、設計實驗、執行並分析結果，建構基因、蛋白質與小分子交互作用的系統生物學模型。King 希望用它證明在特定領域，機器科學家能比人類更快、更便宜完成研究。

Dr. King Ross website: Automation of Science

Self-Driving Lab (SDLs)

上面提到 Ross King 團隊的目標是把 Genesis 打造為 L4 自主實驗室，什麼是 L4？

Beal et al 在 2020 年的時候，在 Mol Syst Biol 發表了一篇文章，提出 SDL 的分級，他將 SDL 分成 L0-5 六級，L0 完全就是工人實驗室，隨著級數升高，工人智慧的佔比變少，人工智慧的佔比升高。

2026 年的時候，Ginkgo Bioworks 的創辦人兼 CEO Jason Kelly 提出了產業版的 LoLA (Levels of Laboratory Autonomy)。



目前稱得上自主實驗室，有達到 L3 包括 Ginkgo Nebula + GPT-5, A-Lab, Genesis 和 LabGenius EVA 等等。

文章連結：Levels of autonomy in synthetic biology engineering

Ginkgo Bioworks | A new way to do science

Berkeley Lab: A-Lab

A-Lab 是美國 Lawrence Berkeley National Laboratory 開發的自主實驗室平台，於 2023 年開始運作，主要用在加速無機材料(inorganic materials)的合成與開發。

A-Lab 整合了以下幾個元素形成完整的 closed-loop 系統：

• AI 規劃端：先從 Materials Project 和 Google DeepMind 的計算資料裡挑選出預測為穩定的新材料，以及從文獻中學習合成方式。AI 能為每個目標化合物提出多達 5 種合成路線，並透過主動學演算法持續優化。
• 機器人執行端：硬體包含 3 個工作站可自動合成和分析。
• 數據分析 & 迭代：AI 即時解讀結果，判斷是否成功合成目標物，並決定下一步實驗。

整個過程高度自動化，無需人類介入，為全球第一個用無機化學粉末為原料的全自主固態合成 SDL。

研究團隊於 2023 年在 Nature 期刊正式發表，目標是縮小「預測」和「實際合成」之間的差距，且 AI 和機器人能 24/7 自主完成從設計、實驗、分析到迭代優化的完整循環，被視為材料開發加速 10-100 倍的範例。

實驗結果：

• 在 17 天連續自主運行 中，A-Lab 共執行 353 次實驗，每天執行約 21 個實驗。
• 從 57 個目標化合物中成功合成 36 個，成功率為 63%，涵蓋多種氧化物、磷酸鹽等無機晶體。

新聞連結：Meet the Autonomous Lab of the Future

論文連結：NJ Szymanski, B Rendy, Y Fei, et al. An autonomous laboratory for the accelerated synthesis of inorganic materials. Nature (2023) DOI: 10.1038/s41586-023-06734-w

U of T: Acceleration Consortium

加拿大多倫多大學的 Acceleration Consortium (AC) 由化學系教授 Alán Aspuru-Guzik 帶領，成立於 2021 年，為全球領先的自主實驗室研究與應用中心。

傳統材料開發通常需 20 年、耗資 1 億美元以上，AC 希望透過 SDLs 將時間與成本大幅縮減至 1 年、100 萬美元左右，目標是加速開發永續未來的材料與分子，例如藥物、可生物降解塑膠、再生能源材料等。

新聞：U of T receives $200-million grant to support Acceleration Consortium's ‘self-driving labs’ research

AC 目前在多倫多大學擁有 6 座 SDL (SDL1-6)，和溫哥華的 UBC 合作一座(SDL7)，同時連結全球超過 30 座 SDL。

• SDL1 : Inorganic - 無機材料開發
• SDL2: Organic - 有機小分子開發
• SDL3: Medicinal Chemistry - 用於藥物開發
• SDL4: Polymers - 聚合物材料開發
• SDL5: Formulations - 用於分析混合後的材料結構、功能和測試其應用，橫跨個人護理、醫療保健等領域。
• SDL6: Human organ mimicry - 用於建立次世代人類組織模型和創新療法
• SDL7: Scale-up - 橋接初期的藥物開發和終端的量產。

SDL7 和多倫多大學的其他 6 座 SDL 形成完整的開發鏈，從分子設計到材料合成，最後由 SDL7 完成 scale-up，目的是縮短早期開發到上市的時間，讓新藥物、清潔能源技術等更快進入應用階段。

因此，AC 不只是學術研究單位，它同時也透過新創公司與產業夥伴將 SDL 推向市場。

◻️ 產業合作

AC 目前有超過 60 家合作夥伴，涵蓋產業、政府、非營利組織和新創，其中產業夥伴以化學、製藥、消費品與材料科學領域的大型企業為主。

• BASF：2025 年五月合作建立 SDLs，應用於農業、醫藥、塗料等領域的材料開發和優化，推動農業與化學領域的永續發展與技術創新。
• Unilever：2025 年九月開始共同開發 SDLs，主要用來優化個人護理產品中的 submicron 乳化技術與配方，例如沐浴乳、乳液等。
• Bristol Myers Squibb：合作開發液體混合物分離(liquid-liquid extraction, LLE)自主純化平台，可廣泛應用於製藥、食品、化學加工與環境整治中。

他們也和溫哥華的新創公司 Telescope Innovations 技術整合，已有多座商業 SDL 部署至 Pfizer、韓國製藥協會等，SDL7 的研究成果正快速轉化為產業應用。

網站連結：Explore our core facilities and related labs

U of T: LUMI-lab

也是多倫多大學研究團隊開發的 DMTA 完全閉環的自主化平台，主要用於設計可離子化脂質(ionizable lipids)和脂質奈米粒子(LNPs)，可在超過 2,800 萬個 3D 分子結構上進行大規模訓練。

LUMI-lab 會自主學習，並完成完整的閉路循環，不停的迭代優化：模型預測 → 機器人自動合成 → LNP 配製 → 大規模 in vitro 篩選 → 數據回饋和模型優化。

它的三階段訓練為：

1. 分子預備訓練(self-supervised pretraining)：使用 1,300 萬個分子結構及其 3D 構造，執行預測和對比學習。
2. 脂質預備訓練(continual pretraining with lipid)：針對 1,500 萬個脂質分子庫進行持續預訓練，使其在執行篩選任務前，先深化模型對脂質化學特性的理解。
3. 主動閉路學習(closed-loop active learning)：在 10 個迭代循環中，不斷用新實驗數據迭代優化。

在他們今年發表於 Cell 的研究中，經過 10 個迭代循環後，LUMI-lab 評估了 1,781 種 LNPs，發現超過 50% 的候選 LNP 展現出高 transfection 效力，其中 LUMI-6 LNP 在老鼠模型中的 mRNA transfection 效果比 Moderna 用於新冠疫苗的 SM-102 LNP 要好。

除此之外，當用在 CRISPR-Cas9 進行肺部基因編輯的實驗中，LUMI-6 在上皮細胞的編輯效率達到 20.3%。

這個試驗顯示在只有少量實驗數據的情況下，LUMI-lab 可以透過閉路的模型訓練、主動學習和迭代優化循環，開發出新的 LNP，展現其強大的自主開發能力。

新聞：Self-driving LUMI-lab system combines AI and robotics to advance design and evaluation of lipid nanoparticles for mRNA delivery

論文連結：Y Xu, H Cui, K Pang, et al. LUMI-lab: A foundation model-driven autonomous platform enabling discovery of ionizable lipid designs for mRNA delivery. Cell (2026) DOI: 10.1016/j.cell.2026.01.012

Duke University: SAMPLE platform

SAMPLE（Self-driving Autonomous Machines for Protein Landscape Exploration）平台是由美國威斯康辛大學（現已搬遷至杜克大學）Romero 研究團隊開發的 AI 自主蛋白工程平台。它能自主學習蛋白序列與功能之間的關係、設計新蛋白，並結合自動化實驗室進行測試、分析與迭代優化，每次循環(design → test → learn)約需 9–10 小時。

在他們 2024 年發表於《Nature Chemical Engineering》的研究中，研究團隊將其 SAMPLE 平台和 Strateos Cloud Lab 的自動化硬體設備結合，成功打造出完整的自主實驗室(SDL)，大幅加速蛋白質優化流程。相較於傳統人工方法通常需要 6–12 個月，SAMPLE 在理想連續運作下，20 輪循環理論上只需 1–2 週。（實際規劃下約 2 個月，實際運行約花費 6 個月。）

項目	SAMPLE 自動化平台	人類研究人員（估計）
20 輪循環時間	1–2 週（連續運作） 實際規劃：約 2 個月 實際運行：約 6 個月	6–12 個月
操作成本	約 5,200 美元（20 輪）	高（含人力成本與實驗室雜支）
數據特性	高度可重複、具完整元數據追蹤	易受主觀影響、重複性較低

實驗室網站：Duke | Romero Lab

Gov Investment

SDL 已實際被應用在各個領域，不少政府也投資大量資源在上面。

美國的 DOE 除了推動能源、原料研究上的自主實驗室，例如 PNNL (Pacific Northwest National Laboratory) 的自主實驗室，旗下的 ARPA-E 也在今年四月宣布投入 3,400 萬美元，資助 12 項自主實驗室相關計劃。

加拿大多倫多大學的 Acceleration Consortium 目前校內有六個 SDLs，還有個和 UBC 合作的 SDL7。SDL1-5 是化學實驗室，SDL6 負責人類組織模型，SDL7 則是負責 scale-up。他們在 2023 年的時候，獲得加拿大政府 CFREF (Canada First Research Excellence Fund)高達 2 億加幣（約 1.46 億美元）的研究經費，用來推動 SDL 基礎設施與應用研究，是加拿大聯邦政府有史以來授予單一大學最高額的研究資金。

英國的 ARIA 於今年一月推出 AI Scientist 計畫，共投資 600 萬英鎊在 12 項專案上，用來開發能自主設計、執行、分析實驗的自主實驗室，例如 King’s College London 的研究團隊獲得 50 萬英鎊，用來開發能將農業與食品工業的副產品(Agro-food by-products)轉化為高品質蛋白質的 SDL，用已應對全球飢餓與環境永續的雙重挑戰。

南韓政府也把 SDL 列為國家戰略，目標是在 2030 年前導入 500 座自主實驗室。韓國最大製藥協會(KPBMA)於去年年底向 Telescope Innovations 購買並安裝了韓國第一座藥物開發 SDL，作為全國 AI 驅動 R&D 訓練中心。

新聞：

ARIA - AI Scientists

DOE ARPAE | U.S. Department of Energy Announces $34 Million to Pair Artificial Intelligence with Autonomous Labs to Accelerate Catalyst Development

산업기술 R&D 혁신에 AI 활용…2030년까지 600개 프로젝트 추진


☕️ 如果你喜歡這篇內容，歡迎賞一杯咖啡。😊

合作邀約: nonproscience@gmail.com
📍 文稿：科普文、公司文、產業文等等
📍 諮詢：實驗設計、加拿大研究所、生科產業