制藥與臨床 AI 的里程碑式融合
在一個明確標誌著人工智慧（Artificial Intelligence, AI）加速融入制藥價值鏈的舉措中，默克（Merck，在美國及加拿大以外地區稱為 MSD）與 Mayo Clinic 宣布了一項策略性研發合作。這項於 2026 年 2 月 18 日揭曉的合作夥伴關係，代表了對傳統藥物研發模式的重大突破，旨在利用海量的多模態（Multimodal）臨床數據集來驅動下一代 AI 算法。
此次合作標誌著 Mayo Clinic 首次與全球生物制藥公司建立如此規模的聯盟，預示著醫療系統在如何將其數據資產貨幣化並利用於更廣泛的科學進步方面發生了轉變。透過將 默克 的 AI 賦能「虛擬細胞（Virtual Cell）」技術與 Mayo Clinic Platform 的強大架構相結合，雙方旨在突破傳統標靶識別（Target Identification）的局限性。該計畫初期將聚焦於三個高需求的治療領域：炎症性腸病（Inflammatory Bowel Disease, IBD）、異位性皮膚炎（Atopic Dermatitis）以及多發性硬化症（Multiple Sclerosis），希望能透過先進的分析技術揭開這些病症複雜的生物學基礎。
對於行業觀察者而言，這項合作不僅僅是一項數據共享協議，更是精準醫療（Precision Medicine）的一種結構性演進。它凸顯了一個日益增長的趨勢，即「實驗室」正日益虛擬化，且臨床成功的概率在分子進入試管之前就已經被計算出來。
解碼 Mayo Clinic Platform_Orchestrate
此次合作的核心是 Mayo Clinic Platform_Orchestrate 計畫的部署。與通常涉及去識別化記錄靜態傳輸的標準數據授權交易不同，Orchestrate 計畫提供了一個動態、安全的共同開發環境。這種架構允許默克存取 Mayo Clinic 龐大的臨床洞察庫，而數據無需離開安全的雲端環境，在解決隱私疑慮的同時，最大限度地發揮計算效能。
該平台憑藉其數據的深度與多樣性脫穎而出。它超越了簡單的電子健康紀錄（Electronic Health Records, EHR），涵蓋了「多模態」景觀。這包括非結構化的臨床筆記、放射影像、基因組定序以及實驗室結果。當這些豐富的數據織錦被輸入機器學習模型時，研究人員能夠比以往更完整地構建疾病進展的剖面。
多模態數據的力量
多模態數據的整合是這一策略的關鍵。在傳統研發中，研究人員可能會孤立地觀察某個基因標記。在這種新框架下，AI 模型可以同時分析患者的基因標記、MRI 掃描中可見的結構變化，以及臨床筆記中記錄的縱向進展。
這種整體視角對於訓練「虛擬細胞」模型至關重要——這是默克正在開發的細胞生物學過程的數位孿生（Digital Twins）。這些模型模擬細胞對各種刺激和疾病狀態的反應，允許科學家在電腦模擬（In Silico）中對潛在的藥物標靶進行「壓力測試」。透過針對來自 Mayo Clinic 的真實世界臨床數據驗證這些虛擬模型，默克旨在大幅降低早期研發階段的偽陽性率，確保只有最具潛力的候選藥物進入物理試驗。
策略重點領域：針對複雜慢性疾病
該合作明確定義了其初始範圍，針對三種因其異質性（Heterogeneity）而歷來挑戰藥物開發者的慢性疾病。
治療重點領域：
- 胃腸病學： 特別是炎症性腸病（IBD），患者對治療的反應差異極大，且作用機制通常是多方面的。
- 皮膚病學： 異位性皮膚炎，一種由複雜的免疫系統相互作用驅動的疾病，在不同患者群體中存在顯著差異。
- 神經病學： 多發性硬化症（MS），一種早期干預至關重要的進展性疾病，且多模態數據（影像 + 臨床病史）對於預測病情進展特別有價值。
透過專注於這些領域，默克與 Mayo Clinic 正在將其 AI 能力應用於那些「一勞永逸」的主打藥物未能滿足所有患者需求的疾病。目標是識別出能導向客製化療法的子群體和特定生物標記——這正是精準醫療的本質。
運作架構與策略效益
為了理解這項合作夥伴關係的運作機制，將各個實體貢獻的特定組件及其整合產生的策略價值進行拆解會很有幫助。
表 1：默克與 Mayo 合作的關鍵組件
| 組件 | 描述 | 策略效益 |
|---|---|---|
| Mayo Clinic Platform_Orchestrate | 一個安全的分布式數據架構，使外部合作夥伴能夠在內部數據上進行計算。 | 允許在不損害隱私的前提下安全存取高價值數據，加速模型訓練。 |
| 多模態數據湖（Multimodal Data Lake） | 包括基因組學、病理學、放射影像以及非結構化臨床筆記。 | 使發現基因型與表現型之間不明顯的關聯成為可能。 |
| 虛擬細胞技術 | 默克專有的 AI 模型，模擬細胞生物學和疾病通路。 | 減少對動物模型和濕實驗室（Wet-lab）實驗進行初步標靶篩選的依賴。 |
| 臨床專業知識 | 直接與 Mayo Clinic 的臨床醫生和研究人員聯繫進行背景驗證。 | 確保 AI 生成的洞察具有臨床相關性且在生物學上是合理的。 |
轉型制藥價值鏈
這項夥伴關係展示了一種在醫療保健領域相對較新的「平台思維（Platform Thinking）」方法。Mayo Clinic Platform 的營運長 Maneesh Goyal 指出，雖然其他行業已經擁抱了共享資源和協作模式，但醫療保健行業歷來受到專有約束的孤島化限制。這筆交易打破了這種模式，創造了一個數據與算法流暢互動的模組化生態系統。
對於默克而言，其影響超出了最初的三個疾病領域。默克董事長兼執行長 Robert M. Davis 強調，整合高質量的臨床數據是提高其計畫「成功機率」的關鍵。在制藥研發這個高風險的領域，將一種藥物推向市場的成本超過 20 億美元且耗時超過十年，即使在標靶識別階段預測準確性只有邊際提升，也能轉化為數十億美元的成本節省和數年的研發時間縮減。
此外，這項合作為「真實世界數據」（Real-World Data, RWD）的利用樹立了先例。它推動行業超越了僅將 RWD 用於上市後監測或監管提交的階段，將其定位為上游研發的主要引擎。
行業影響與未來展望
默克與 Mayo 的聯盟很可能在整個生物制藥領域引發連鎖反應。它迫使其他主要制藥公司通過與大型學術醫療中心合作來鞏固類似的「數據護城河」。我們正在進入一個獲取經過策劃的多模態患者數據，與制藥公司花費數十年建立的化學庫同樣珍貴的時代。
從 AI 的角度來看，這強化了生物學向基礎模型（Foundation Models）的轉變。正如大型語言模型（LLMs）需要海量文本來學習語法和語意，生物基礎模型需要海量、多樣化的數據集來學習疾病的「語言」。Mayo Clinic 的數據提供了訓練這些複雜模型所需的數量和複雜性。
然而，挑戰依然存在。這項事業的成功取決於數據整合的 質量——清理非結構化臨床筆記並將其與結構化基因組數據協調一致是一項非同小可的工程挑戰。此外，將「虛擬細胞」的預測轉化為有效的人體療法，仍然是 AI 尚未完全攻克的科學障礙。
隨著這項合作的推進，業界將密切關注 AI 驅動的精準醫療在理論上的承諾是否能轉化為切實的臨床資產。如果成功，默克-Mayo 模型可能會成為現代藥物研發的標準藍圖。
