S6 EP20｜AI 藥物開發系列｜學習蛋白質的文法 ft. 張淳傑博士

2026-08-01

Download 716

AI 能否真正縮短蛋白質藥物的發現流程？本集為《AI 藥物開發系列》的第四集，我們邀請 DeepSeq AI 創辦人 Andrew 張淳傑博士，從生物物理、藥廠研究、新創公司經驗，一路談到如何將自然語言處理的方法應用於蛋白質工程。 Andrew 在密西根大學攻讀生物物理博士，之後進入 Genentech 擔任業界博士後，原本負責以影像技術研究藥物在體內的分布。為了取得能夠辨識特定生物標記的蛋白質，他開始接觸噬菌體展示技術，也注意到一個問題：實驗可以篩選數十億種蛋白質序列，但傳統分析往往只使用最後少數被挑出的候選分子，大量篩選過程中的資訊並未被充分利用。他因此嘗試將噬菌體展示與次世代定序結合，觀察不同蛋白質序列在每一輪篩選中的變化，再借用自然語言處理的概念，分析胺基酸序列中的規律。這個想法的核心，是把蛋白質視為一...

AI 能否真正縮短蛋白質藥物的發現流程？

本集為《AI 藥物開發系列》的第四集，我們邀請 DeepSeq AI 創辦人 Andrew 張淳傑博士，從生物物理、藥廠研究、新創公司經驗，一路談到如何將自然語言處理的方法應用於蛋白質工程。

Andrew 在密西根大學攻讀生物物理博士，之後進入 Genentech 擔任業界博士後，原本負責以影像技術研究藥物在體內的分布。為了取得能夠辨識特定生物標記的蛋白質，他開始接觸噬菌體展示技術，也注意到一個問題：實驗可以篩選數十億種蛋白質序列，但傳統分析往往只使用最後少數被挑出的候選分子，大量篩選過程中的資訊並未被充分利用。

他因此嘗試將噬菌體展示與次世代定序結合，觀察不同蛋白質序列在每一輪篩選中的變化，再借用自然語言處理的概念，分析胺基酸序列中的規律。這個想法的核心，是把蛋白質視為一種具有「文法」的序列：胺基酸如同字母，排列方式與前後關係可能影響蛋白質的穩定性、結合能力與功能。相較於先預測三維結構、再推論功能的傳統路徑，Andrew 探索的是能否直接從大量實驗產生的序列與功能資料，建立兩者之間的預測模型。

到底 Andrew 是怎麼從技術構想到成立公司呢？他如何在多家新創公司累積產品開發、客戶溝通、團隊管理與系統建置的經驗，最後全職投入自己的公司 DeepSeq AI？

本集討論：

＊噬菌體展示如何從大量候選序列中篩選蛋白質

＊早期自然語言處理、詞袋模型與現代蛋白質語言模型的差異

＊AI 蛋白質公司的商業模式、開源與閉源模型，以及技術護城河可能來自哪裡

＊大型藥廠、不同階段新創公司與創業加速器，分別能提供哪些經驗

✨ 生技來一刻感謝國科會與駐波士頓辦事處科技組贊助我們製作節目。我們也歡迎聽眾小額捐款生技來一刻，您的支持能幫助我們製作更優質的節目。

✨ 節目連結、講者Linkedin連結請見留言處！感謝講者提供詳盡的延伸閱讀連結和文章！

🎧 立即收聽 Podcasts 🎧

Apple Podcasts: https://tinyurl.com/y6gwcke4

Spotify: https://tinyurl.com/y6sz5wno

SoundOn: https://tinyurl.com/y32zrmhf

BTBA Podcast 專頁：http://btbatw.org/podcast

🎧 讓我們也一起回顧一下過去相關訪問：

AI 藥物開發系列｜導論 https://tmrbiotechmoments.podbean.com/e/aidd_intro/
AI 藥物開發系列｜Insilico Medicine ft. 林彥竹博士 https://tmrbiotechmoments.podbean.com/e/yen_chu_lin/
AI 藥物開發系列｜AI 蛋白質設計 ft. 葉先偉博士 https://tmrbiotechmoments.podbean.com/e/andy_yeh/