第 60 章
肥胖與糖尿病 — 19
但這並未阻止他們對他汀類藥物的熱情。邁克爾·布朗（Michael Brown）和約瑟夫·高德斯坦（Joseph Goldstein）因其對低密度脂蛋白受體（LDL受體）的研究而獲得諾貝爾獎，該研究促成了他汀類藥物的發展。他們曾撰文《心臟病發作：隨世紀消逝？》，預測他汀類藥物「很可能在下個世紀初終結冠心病作為主要公共衛生問題」。近三十年後，雖然確實取得了一定進展，但心臟病仍是頭號死因，美國每年仍有超過八十萬宗心臟病發作。
他汀類藥物與GLP-1類藥物的另一相似之處，是隨著領域發展，藥物效力不斷提升及其影響。對於他汀類藥物，從最初上市的他汀到十五年後出現的更強效藥物如瑞舒伐他汀（Crestor），其降低LDL的效果顯著不同。在低效力他汀時代，並無跡象顯示這些藥物會誘發2型糖尿病。2012年，我在《紐約時報》撰寫評論文章，指出美國食品藥品監督管理局（FDA）新承認的強效他汀藥物，服用每日20毫克瑞舒伐他汀者中約有1/167人會有2型糖尿病風險。雖然這是低絕對風險（0.6%），但服用強效他汀的人數眾多。此後多項研究進一步證實，強效他汀確實存在小但明確的2型糖尿病風險，可能因胰島素敏感性受損所致。我強調，若可能，必須避免2型糖尿病——我們絕不希望治療本身引發此病。重點是，他汀類藥物上市多年後，隨著劑量和效力提升，才逐漸認識到這一風險。對GLP-1藥物而言，是否會出現未知、意外的副作用（「未知數」），尤其是對長期服用更強效製劑如三重受體激動劑的人，仍需多年時間來釐清。
本章開頭提出以下問題：為何我們讓二十年時間流逝，才認識到GLP-1藥物的真正潛力？如果在2000年代初已有人工智能，我們能否問GPT-4如何製造一種長半衰期的肽類藥物，模仿這種天然存在的促腸泌素，並探討其潛在用途？
人工智能在生命科學領域最具深遠影響的成就，是能從單一線性氨基酸序列預測蛋白質宇宙（三億多種蛋白質）的三維結構。這項成就由Google DeepMind三十位科學家團隊領導的Demis Hassabis和John Jumper完成，稱為AlphaFold2。該技術從使用卷積神經網絡的深度學習躍升至變壓器模型，蛋白質結構預測準確度從59%提升至92%，中位誤差從6.6埃降至1.5埃（0.15納米）。原子直徑約為2至3埃，意味著該技術可在原子層面預測蛋白質結構。變壓器模型由Google團隊於2017年發現，與以往深度學習模型截然不同。它不需像循環神經網絡那樣前後查看句中每個詞，而能一次性理解整句語境。隨著數十萬本書籍、維基百科及大量網絡內容的輸入，這催生了大型語言模型，如ChatGPT和GPT-4。