ProFound 以 AI 描繪「暗基因組」
ProFound 以 AI 描繪「暗基因組」
Profound Therapeutics 執行長 John Lepore 說明如何透過核糖體層級的蛋白質體分析與 AI,描繪出數千個過去隱而未見的蛋白質,並據此找出經基因驗證、同類首創的標的,應用於腫瘤抗體藥物複合體、子癇前症與神經科學,成為與 GSK、Pfizer、Novartis 合作的基礎。
AI 伴隨問答
針對這篇報導有疑問?可直接點選快捷問題或向 AI 追問背景脈絡與技術細節:
Podcast 專家音訊節目
收錄於 888news Podcast 智庫專區,包含精華摘要與上市公司即時行情
Profound Therapeutics 執行長 John Lepore 主張,人類基因體計畫(Human Genome Project)收錄的約 2 萬個蛋白質,只是基因體實際編碼內容的一小部分;而新辨識出的其餘部分,是一大批經過基因驗證、足以支撐首創型(first-in-class)藥物的靶點池。本集大部分內容談的是 Profound 如何找出並排序這些蛋白質、以新穎腫瘤抗原為基礎的腫瘤學計畫,以及與 GSK、Pfizer、Novartis 以遺傳學為主軸的合作。相較之下,蓋茲基金會的子癲前症補助與 AI 討論所佔篇幅,都遠不如標題「以 AI 描繪暗基因體」所暗示的那麼多。
Lepore 是心血管領域的醫師科學家,加入 Profound 之前曾在 GSK 主持研究與早期臨床開發;Profound 隸屬於 Flagship Pioneering 的創投育成體系。主持人 Sam Fazeli 是 Bloomberg Intelligence 的製藥與生技分析師。讀者讀完應能掌握 Profound 的技術方法、其靶點排序邏輯、具體交易及其治療領域,以及 Lepore 直言不諱的觀點:人類遺傳學只能提高臨床成功的機率,並不能保證成功。
基因體編碼的蛋白質,比資料庫裡的 2 萬個多出數萬個
Lepore 的核心論點是:人類基因體計畫的蛋白質目錄受限於當時的規則與工具,而非生物學本身。他表示,約 2 萬個已知蛋白質中,大約只有 600 個成功開發出藥物;若未被充分重視的蛋白質數量相當甚至更多,那麼可望新增的藥物「少說數百、甚至數千」——他也明確表示,Profound 尚未實現這個潛力。
他把這個落差歸因於三條嚴格的註釋規則:蛋白質至少要有 100 個胺基酸(這條規則會把經加工處理的胰島素排除在外);必須具有標準的起始與終止密碼子(但轉譯其實可以在其他位置起始與結束);必須與已知蛋白質顯示同源性。Profound 的方法把這三條全部放寬。其平臺以專有技術在核糖體層次檢視轉譯事件——捕捉正在轉譯中的 RNA——再以質譜確認蛋白質。Lepore 表示,這套流程已在超過 500 種人類細胞型別與組織上以工業級規模執行,公司正「漸近地」逼近涵蓋其中多數、甚至全部。
他不愛用「暗蛋白體」(dark proteome)這個標籤:「它們並沒有違反自然法則、生物學、物理學或任何其他定律。它們只是我們原本不知道存在的蛋白質。」這些新蛋白質通常較小——多數在 100 個胺基酸以內——但其他方面與已知蛋白質相似:有些是跨膜蛋白,有些帶有訊號胜肽、暗示會分泌到細胞外,有些是訊息傳遞分子,有些在細胞內作用。它們在靈長類中高度保守,在齧齒類中的保守程度則低於已知的 2 萬個蛋白質;Lepore 認為這代表它們是演化上相對晚近才出現的。這在實務上很重要:靈長類的保守性讓毒性試驗得以進行,而齧齒類保守性較弱,則削弱了傳統的齧齒類疾病模型。
Profound 從腫瘤學切入,因為 ADC 與 T 細胞銜接器要的是表面表現位置,而非生物學功能
最快的驗證途徑是癌症,因為抗體藥物複合體(ADC)與 T 細胞銜接器(TCE)需要知道蛋白質表現在哪裡,而不是它做什麼。只要蛋白質位於細胞表面、在腫瘤中高度富集、在健康組織中幾乎不存在,標靶分子就能殺死癌細胞,無須深入理解其生物學。Lepore 表示,Profound 有數個進展相對成熟的計畫,正針對「任何文獻都未曾描述」、競爭對手的搜尋引擎也找不到的新穎抗原開發 ADC 與 TCE。
Fazeli 在 ESMO 會場提出質疑,指出 B7H3、TROP2 等既有抗原周圍早已擠滿競爭者,並舉 CDH17 在正常腸道也有表現等副作用為例。Lepore 承認這點,並把界線劃得很清楚:真正被當作藥物靶點 pursued 過的癌症抗原只有大約 10 到 15 個,多數公司只是針對這同一組抗原不斷迭代不同的藥物模態。Profound 的貢獻在於開拓新的抗原空間,挑選腫瘤與健康組織表現差異大得多的抗原,並可借鏡前人的毒性經驗。談到抗體開發的可行性時,他措辭謹慎:「如果我說這很容易,我的團隊大概不會太高興」——試劑與免疫組織化學檢測等技術工作,難度與既有抗原相當。
遺傳學是排序的篩選器,而 GWAS 變異往往落在尚未被描述的蛋白質上
在心血管、代謝、免疫與神經相關的計畫上,Profound 以人類遺傳學作為排序依據。Lepore 引用文獻——其中不少出自他本人任職的 GSK 團隊及其前身——指出具遺傳學關聯的靶點,臨床試驗出現正面結果的機率大約高出 2 到 10 倍;這只是提高機率,並非保證。Fazeli 提到近期一項 Lp(a) 心血管試驗失敗時,Lepore 直接把這個但書套用上去,表示這個領域沒有人會把遺傳關聯當成百分之百的預測指標。
更新穎的論點則關於 GWAS 變異本身。多數變異落在無法確定對應哪個蛋白質的 DNA 片段中,學界過去多以 trans 遠端調控的故事來解釋。Lepore 表示,Profound 正系統性檢視 GWAS 變異,並在許多案例中於變異所在位置找到一個開放閱讀框,編碼的正是其新描述的蛋白質之一。這就形成一批經過基因驗證的靶點,足以解釋長久以來已知的 GWAS 訊號。這套以遺傳學為主軸的邏輯,支撐了以下已公開的合作案:
| 合作夥伴 | 治療領域 | 合作基礎 |
|---|---|---|
| GSK | COPD 與 IPF | 以遺傳學為主的靶點探索 |
| Pfizer | 肥胖 | 以遺傳學為主的靶點探索 |
| Novartis | 心血管疾病 | 以遺傳學為主的靶點探索 |
Lepore 表示還會有更多這類合作。談到智慧財產,他說明三層防護:第一,針對辨識與定性這些蛋白質的整套複雜方法——涵蓋實驗、機器學習與電腦運算——建立強固的專利佈局;第二,對蛋白質身分保密;第三,就分子申請物質組成專利,某些情況下甚至以新蛋白質本身作為藥物來申請,類似胰島素或升糖素的做法。
蓋茲基金會的補助鎖定子癲前症:一個實驗設計格外乾淨的疾病
蓋茲基金會於 2026 年 8 月下旬宣佈,提供 Profound 3,500 萬美元,將其平臺、資料集與演算法應用於子癲前症與子癇症。Lepore 表示,這項合作始於基金會 AI-Enabled Cures Group 負責人 Skip Virgin,兩人很快就把題目定在子癲前症,原因有三:病人族群定義精確(妊娠後期的婦女)、疾病定義明確(符合特定標準的高血壓),以及相關組織——胎盤——在每個病例中基本上都是現成捐贈而來的。計畫是比較有無子癲前症婦女的胎盤組織,找出表現有差異的蛋白質(包括擴增後的蛋白體),從中發掘藥物靶點與生物標記。另一項交付成果,是一個以子癲前症生物學訓練而成的 AI 代理,供基金會日後使用。
Lepore 也透露了一段私人經歷:他妻子生第一胎女兒時罹患子癲前症,而他身為心血管醫師,對於唯一能做的處置就是提早分娩深感挫折。至於女性健康為何落後,他提出多重原因——藥物靶點不明確;在孕婦身上開發藥物,考量到母體與胎兒風險而令人卻步;以及市場分析很可能讓投資人打退堂鼓——並指出科學理解的深化,正是如今改變盤算的關鍵因素。他也提到子宮內膜異位症是另一個感興趣的領域。
神經領域是最大的未開發空間,而疾病名稱只是 19 世紀對不同分子實體的描述
Lepore 稱神經領域是巨大的機會,但在阿茲海默症、帕金森氏症、思覺失調症與 ALS 上,真正具標靶性、有效又安全的藥物少之又少。他主張這個領域的疾病分類只是描述性的歷史遺留——「它們字面上就是 19 世紀的東西」——每一個被命名的疾病,其實都是一群分子機制各異、卻共享相同臨床表現的實體。更進步的科學應能讓公司拆解這些實體,把藥物對應到特定機制。
他表示,Profound 已找到數十個與帕金森氏症有遺傳關聯的蛋白質,全都前所未見,經質譜確認、表現在相關腦區,部分甚至在帕金森氏症病腦與健康腦之間有差異表現。他把這形容為補上帕金森氏症三到五條既有成熟致病路徑中缺失的拼圖。Fazeli 問到保護性表型的問題——有些人腦中有類澱粉斑塊,卻終身未失智——Lepore 表示同樣的開放式基因與表型分析也適用,答案未必落在已知的 2 萬個蛋白質之中。他謹慎地肯定投入 tau 等已知機制的公司,強調 Profound 的貢獻是額外一組同樣具遺傳驗證的靶點,而非取代既有路線。
AI 是藥物開發流程中的賦能工具,而 Profound 的單一資料湖是其結構性優勢
Lepore 認為,AI 並不是另一套獨立的解鎖流程,而是既有藥物開發流程的賦能工具;企業要成功,關鍵在於把 AI 整合進來,而不是把它當成獨立單位來運作。懂藥物開發的人仍然必須知道該問模型什麼問題、如何解讀輸出、如何反覆迭代。他說,AI 的獨特價值在於看出人類翻遍資料也難以察覺的關聯、路徑、互動作用與風險——而且資料集越大、整理得越好,效果越佳。
這正是 Profound 自認勝過大型藥廠之處。Lepore 指出,大型藥廠是併購而來的集團,旗下研究據點各自獨立,即使資料確實存在,要把數十年的資料整合進同一個可搜尋的地方也極其困難。Profound 則是從零開始、由下而上打造單一資料湖,容納實驗資料、電腦模擬(in silico)資料與蛋白體資料。其 AI 模型同時包含已知的 2 萬個蛋白質與新資料集,因此既能推斷新蛋白質的功能,也能透過網路互動作用回過頭來闡明已知蛋白質的生物學。
「事實根本不是這樣。它是既有藥物開發流程的賦能工具。」——Lepore 談 AI
Lepore 的商業邏輯建立在首創型藥物,而非療效的邊際改善
被問到小型公司如何在給付緊縮的環境中競爭時,Lepore 主張,在已知靶點上做邊際改善——他雙手比出約一英尺的距離——或許在統計與臨床上都有意義,但那是另一種生意,與開拓全新生物學截然不同。他說,Profound 的奢侈之處在於不必追求 20% 的利潤率,可以選擇做法明顯不同、潛在影響巨大的靶點。他表示,合作夥伴看到的也正是這一點:一條通往新領域的路,無論在商業上或對病人而言都是首創型。他也承認,即使已有好藥,產業仍背負著沉重的疾病負擔——無反應者、無法耐受者、療效流失者——這正是這個領域始終廣大的原因。
值得觀察的重點
本集未解的張力,在於 Lepore 的信心與臨床證據的缺席之間。Profound 有新穎抗原與早期分子,但未公開 IND 時程;Lepore 只說腫瘤學計畫「進展相當快」,並邀主持人待首個 IND 送件後再來錄一集。Fazeli 提出的 Lp(a) 失敗案例,正是 Lepore 自己也接受的的反例:遺傳關聯只把勝算提高 2 到 10 倍,僅此而已,而擴增蛋白體中的靶點尚未在人體中驗證。有兩件事值得追蹤:GWAS 變異的發現,能否站得住腳、成為系統性的驗證靶點來源;以及蓋茲合作能否產出一個進入開發階段的子癲前症靶點——那將是這個平臺在腫瘤學之外、藥廠贊助研究之外,一次罕見的考驗。