怕對疫苗或藥物有不良反應嗎？先在「數位雙胞胎」上試試！

編譯／賴佳昀

從工業到醫療

在工業上，工程師會收集過往的資料，為特定的重要裝置，例如噴射機的引擎，建立一個預測模型，稱為該裝置的「數位雙胞胎」（Digital twin）。這個預測模型可以在裝置發生故障前向工作人員示警，甚至主動做出調整，排除一些小事故；一些更進階的版本，甚至可以從自己的「預測」和「觀測值」之間的差距中學習，提高自己的準確性。

在醫療上也有類似的「數位雙胞胎」。舉例來說：專為第一型糖尿病患者設計的「人造胰臟」（artificial pancreas），結合人體葡萄糖代謝模型、植入病患體內的葡萄糖感測器所收集到的數據，以及一個模擬人體胰島素輸送的演算法，隨時監控病患體內的血糖值，並計算出需要的胰島素劑量，透過植入的胰島素幫浦調整病患血中胰島素含量。

另外像兒童心臟的數位雙胞胎，透過心臟模型和臨床數據，可以提高部分心臟手術的成功率，同時還能評估後續血栓形成的風險。另一套稱為「Archimedes 」的糖尿病模型，更是將這項技術發揚光大，除了預測個別病患的病程外，還能提供診斷、建議的治療方案，並列出各種醫療系統能為病患提供的幫助。

科學家們進一步將心思動到了防疫上頭。過往SARS的治療經驗，投放抗病毒、免疫刺激或類固醇抗發炎藥物是可行的治療方法，但服藥的次數、劑量必須視病患的反應調整，否則輕則無效，重則反而奪去患者的生命。從病患身上觀察到的臨床數據，結合已知的人體生理學、免疫學知識以及AI，若能以電腦程式模擬、預測病毒感染以及隨後引起的免疫反應，勢必能成為人類對抗大流行的強力支援。

多尺度的模擬

如何打造醫療數位雙胞胎？其實依據人類現在對人體的認識，已經可以建構從分子到個體，多層次的子模型。舉例來說：在分子層次，人類巨噬細胞的轉錄體（transcriptomics）數據分析，已經可以建構出不同種類的巨噬細胞中高表現量基因之間的動態互動網路；在細胞層次，醫療影像可以反映免疫反應的發生位置；在組織層次，人們也已經可以模擬肺泡囊（alveolar sac），捕捉免疫反應在時間和空間上的差異。在器官層次，流體力學能夠模擬肺中的氣流，再透過例如吸氣量、大腦血流量等同步數據，以電腦將不同器官的模擬系統整合起來。另外如製藥產業中已經行之有年的生理動力學模型、病毒學家用來模擬病毒擴散、免疫反應、病毒在細胞內複製的模型，都是可利用且已經存在的資源。

類似的子模型可以由個別實驗室單獨發展，但還需要一個強大、有彈性且靈活的架構來整合它們。只要能整合成功，便是一個初具規模的數位雙胞胎。「COVID-19疾病統整計畫及生物網路計算模型」（Computational Modeling in Biology Network ，COMBINE）此刻正不畏艱辛，努力實現這一夢想。

兩大困難

話雖這麼說，但要建立一個可以在不同尺度、不同層面模擬病毒感染以及患者反應的模型，我們仍有很長一段路要走。最主要的因素，是人們對病源在人體內的感染途徑、免疫系統的應對知之甚少。尤其當同一個免疫因子或反應，在感染初期可能可以幫助人體清除病毒，但到了不同部位或過一段時間後，反而成為一種負擔，造成過度發炎。至於治療方案，像是抗病毒藥、抗發炎藥、抗體、免疫刺激藥物（如干擾素、IL-7）等，其中的交互作用錯綜複雜，就更別提投藥的時機與劑量了。

此外，模型的個人化也是一項挑戰。上述方法所建立的模型，還只是我們對人體機械論式的理解，充其量只是個範本，尚需要大量的臨床、細胞與動物實驗以及生理數據，才能讓其更貼近人類生理，甚至是屬於特定病患的專屬模型。這類用數據訓練出來的AI數位雙胞胎，過去常被認為是機械論式數位雙胞胎的替代品，然而兩者應該是相輔相成的：機械論式的模型提供後者訓練的框架與限制，AI模型則讓前者更貼近實際人體。

另一方面，數位雙胞胎是一個相對新興的技術。許多臨床醫生或第一線研究人員的經驗與意見，仍然無法反映在模型的設計上。事實上，大部分的實驗數據是無法用於建立模型的，因為數位雙胞胎從一開始就不是那些研究的主要目標。

就當下的公共衛生危機而言，病毒的感染與治療理所當然地成為數位雙胞胎的首項要務。然而長遠來看，數位雙胞胎也可以擴充其他專為特別疾病設計的模型，為更多疾病（尤其與免疫相關，例如癌症）提供診斷、治療與預後的建議，提高整體醫療照護系統的彈性與適應能力。

編譯來源

• R. Laubenbacher, J. Sluka and J. Glazier, “Using digital twins in viral infection“, Science, vol. 371, no. 6534, pp. 1105-1106, 2021.

(本文由教育部補助「AI報報─AI科普推廣計畫」執行團隊編譯)