- EV 藥物的開發困境
儘管EV藥物展示出巨大的應用潛力，但在臨床應用之前，仍需克服一些挑戰，包括：
a. EV 的異質性 (Heterogenecity)：異質性不僅包括 EV 的大小不同，還包括它們裡面包含的成分以及表面標誌物 (Surface target) 的分佈不同，即使是來自同一來源的 EV 也可能有不同個性，除此之外，在分離 EV 時那些與 EV 一同分離出來的其他細胞結構可能降低 EV 的純度與品質，進而影響治療的有效性。
b. 製造與純化：EV的分離和純化是一大挑戰，需要高度精確的技術來確保獲得純度高、活性良好的EV。目前的分離方法如超高速離心 (Ultracentrifugation) 或層析法 (Chromatography) 等，不僅成本高昂，而且效率相對較低。
c. 濃度量化與標準化：缺乏有效的量化方法來準確測定 EV 的濃度和載荷量，以及在不同實驗室之間缺乏標準化的操作流程。
d. 安全性和毒性評估：關於EV藥物的長期安全性和可能的毒性效應，仍需進行大量的研究。尤其是當這些EV來源於異體細胞時，其免疫原性和可能引發的免疫反應皆須納入考量。
e. 載體容量：如何提高 EV 的容量，確保能夠遞送足夠量的藥物到目標組織或細胞。
f. 靶向性和遞送效率：如何提高EV藥物的靶向性和細胞內遞送效率，以確保藥物能夠精確達到疾病部位，並在目標細胞內釋放有效成分，是目前研究的另一大挑戰。
g. 對表面蛋白了解不夠：對於特定的 EV 表面蛋白組成的了解仍有限，目前只有一些通用的表面蛋白被識別出來，但是這些表面蛋白如何影響 EV 的遞送和治療效果尚不清楚。
因此在設計用於 EV 藥物時，必須全方面的考慮 EV 的表現型、分離方式、什麼方式給藥、藥動及藥效，除此之外，EV 的儲存條件和穩定性也會影響治療效果，如何避免重複的凍融循環導致的囊泡或膜損壞、囊泡碎裂、聚集等，以及在 4℃、-20℃ 和 -80℃ 不同溫度下儲存的總時間皆是需要深入研究的課題。
- AI 如何幫助 EV 藥物開發
近年來有越來越多關於生成式 AI 以及深度學習應用在藥物開發上的案例， EV 藥物也不例外，下表是三種 AI 算法類型 (監督式、半監督式及非監督式學習）與藥物開發應用的整理表格：
實際的例子有：
a. Ramos 等人利用蛋白質結構預測平台如 iTasser 和 ClusPro，發現 CD81 與 CD44 之間的相互作用，並透過轉錄組學和蛋白質組體學研究這些交互作用如何影響 EV 的功能，為精準治療提供了新見解。
b. Yuyao 等人運用深度學習演算法 AggMapNet，成功地在複雜介質中分類 EV，並以此來診斷乳腺癌，展示了 AI 在提高 EV 藥物遞送系統診斷精準度方面的潛力。
- AI 提高 EV 藥物的靶向性
EV 藥物遞送系統面臨到的其中一個挑戰是如何提高靶向性，因為 EV 能夠被幾乎所有類型的細胞和組織吸收，進而影響藥物遞送的效率。但是目前針對 EV 靶向性所進行的生物工程改良都有可能影響 EV 原生的性質，以及影響其形成的蛋白質冠 (Protein Corona) （蛋白質冠已知與 EV 在細胞中的定位相關）。
而引入 AI 能夠改善這個問題，AI 可以幫助我們建構新的靶向配體 (ligand) （就是在 EV 上表現能夠被特定細胞辨認接收的蛋白質配體），並且不會影響 EV 的表面性質，增加 EV 藥物的靶向性，AI 還能夠基於特定患者的遺傳組成、環境因素與醫療史提供最有效的治療方法，這種個人化的方法可以提高治療成效並減少不良反應，進而開發出高度定制化和個人化的治療方案。
資料來源：
Towards artificial intelligence-enabled extracellular vesicle precision drug delivery Minimal information for studies of extracellular vesicles (MISEV2023): From basic to advanced approaches
Extracellular Vesicles: New Classification and Tumor Immunosuppression
