三十一趴，聽起來或許不是什麼驚天動地的數字。但如果告訴你，這個數字是當前抗癌藥物虛擬篩選命中率的一般水準，而且比純粹靠大數據訓練出來的AI模型還要強上一百倍，你會不會跟我一樣，突然間對「AI製藥」這四個字重新燃起了一點好奇心？

總部位於舊金山、成立不過兩年多的 Deep Origin，近期拋出了一個讓製藥圈不得不暫停幾秒鐘的消息。他們自行開發的藥物發現框架，在針對癌症免疫治療關鍵酵素 CD73 的測試中，繳出了 30.6% 的命中率。說真的，在一個九成以上候選藥物都會在臨床試驗失敗的行業裡，這個數字確實有資格讓大家多看兩眼。

矛盾點一：為何AI進了陌生領域，就像路痴進了迷宮？

首先我們得先認清一個現實。過去幾年，AI 在藥物發現領域確實喊得震天價響，但許多從事電腦輔助藥物設計的專家心裡有數：深度學習模型在熟悉的資料庫裡可以威風八面，一旦碰上從未見過的化合物或全新蛋白質靶點，預測準確度往往像自由落體般下滑。這不是AI不行，而是它本質上仍是個依賴數據的「歸納高手」，不是「推理大師」。

Deep Origin 的切入點，恰好就卡在這個痛點上。他們認為，既然純數據驅動有極限，那把物理學的第一性原理拉進來當「煞車皮」和「校正器」，總該行了吧？於是他們端出了兩個法寶：DODock 與 DOScore。前者負責分子對接，先讓擴散模型提出候選構型，再用 Vina 風格的能量函數進行物理搜尋與精修；後者則估算超大化學空間中的熱力學結合親和力。

「虛擬篩選已經用了超過四十年，卻很少真正催生出實際藥物。」Deep Origin 共同創辦人兼首席科學長 Garegin Papoian 這句話，其實點出了整個電腦輔助藥物設計界的集體焦慮。問題從來不在於算得不夠快，而在於算得不夠準。

「零洩漏」測試：一場刻意為難自己的期末考

話說回來，要證明自己的方法比別人好，不能光靠嘴巴說。Deep Origin 這次設計的驗證方式，坦白講，算是對自己滿狠的。他們採用了嚴格的雙重相似度過濾：排除序列相似度超過 30% 的蛋白質，同時排除 Tanimoto 相似度超過 0.4 的配體。白話文來說，就是刻意挑那些 AI 最不擅長、最陌生的靶點來考自己，避免模型只是「偷看」了隔壁班的答案。

這種近乎「零洩漏」的測試設計，在業界並非標準常態，但確實更能反映模型在真實世界中的泛化能力。畢竟，藥廠花錢是要你找出沒人找到過的分子，不是讓你去複製貼上已知藥物的結構修飾。

結果呢？Deep Origin 公布在超過 800 億個化合物的合成庫上進行的濕實驗驗證，涵蓋 CD73、IRAK4、Factor XIa 與 IL-17A 四個靶點。其中針對 CD73 的命中率達到 30.6%，而且找到的分子展現出高度骨架新穎性，與已知結合物相比的 ECFP4 Tanimoto 相似度僅約 0.22 到 0.27。意思是，他們找到的是貨真價實的新化學結構，不是老藥改個側鏈就出來招搖撞騙。

物理模擬是「護城河」，還是「拖油瓶」？

然而，從產業面來看，這種結合 AI 與物理模擬的混合式策略，雖然在邏輯上漂亮，但實務上始終面臨一個根本矛盾：物理模擬的計算成本遠高於純 AI 推論，速度與精準度之間的取捨，永遠是製藥界的「天問」。Deep Origin 能在小規模驗證中跑出好成績，不代表它能順利放大到數十億級別的化合物庫篩選，同時還能維持讓藥廠滿意的成本結構。

再者，31% 的命中率是指在濕實驗中「有結合活性」的分子比例，離「可以成為藥物」還隔著藥物動力學、毒性、代謝、臨床療效等好幾座大山。換句話說，這比較像是「拿到了一張不錯的入場券」，而不是「已經站上頒獎台」。

編輯觀點：Deep Origin 這次的成果，真正的價值不在於「30.6%」這個數字本身，而在於它證明了物理先驗知識確實能補足純數據模型在泛化能力上的短板。這對整個 AI 製藥產業來說，是一個重要的方向性訊號。不過，話說回來，從「虛擬篩選命中率提升」到「真的有一顆新藥因為這個平台而通過臨床二期」，中間的距離恐怕比舊金山到台北的航程還要遙遠。投資人可以先給掌聲，但要掏出更多錢，恐怕還得看到更後期的數據。

當物理遇上機器學習，製藥業的遊戲規則正在改寫？

如果我們把格局拉高一點來看，Deep Origin 這套策略其實反映了當前 AI 科學一個更深層的趨勢：單純比誰的數據多、誰的模型大，已經不夠看了；下一階段的競爭焦點，是「如何把物理規則、因果關係嵌入機器學習框架」。誰能讓 AI 不只是看出相關性，還能理解背後的物理機制，誰就有機會在藥物發現這個高難度賽道上真正拉開差距。

Deep Origin 共同創辦人兼執行長 Michael Antonov 說得直接：「真正重要的是模型在『沒有人已經解決』的靶點上如何表現。」這句話背後的意思很簡單——大家都在做的靶點，做出來了也不稀奇；真正有價值的，是那些連文獻都找不到幾篇的「孤兒靶點」。

最後，補一個讓人有感的數字：Deep Origin 成立至今已募得 8,200 萬美元。在當前生技投資寒冬的氛圍下，這個募資成績本身就說明了某種市場信號。投資人或許不懂物理模擬的微分方程，但他們看得懂「這群人正在嘗試解決一個困擾業界四十年的老問題」。

至於這個解法最終是曇花一現，還是能真正把虛擬篩選從「論文裡的漂亮數據」推進到「實驗室裡的穩定產出」？坦白說，現在沒有任何人能給出答案。但至少，Deep Origin 讓我們看到了——AI 與物理，不一定是二選一的敵人，有機會成為聯手作戰的隊友。

你覺得呢？當 AI 的歸納能力遇上物理的演繹法則，製藥業的下一顆重磅炸彈，會從這個組合中誕生嗎？還是說，我們又再一次高估了技術的短期影響力？值得繼續看下去。

本文改寫整理自公開新聞來源，原始報導由科技新報發布。

常見問題 FAQ

Deep Origin 的 AI 藥物發現平台和一般 AI 製藥有什麼不同？

最大差異在於 Deep Origin 將物理模擬（分子力學、熱力學計算）嵌入 AI 流程，而非純粹依賴大數據訓練。DODock 先以擴散模型生成候選構型，再透過物理能量函數進行精修，讓模型在面對全新化合物時仍具備可解釋性與泛化能力。

30.6% 的命中率在藥物發現領域算高嗎？

算非常高。傳統高通量篩選的命中率常在 0.01% 到 0.1% 之間，即使是用 AI 虛擬篩選，業界平均也多在個位數百分比。30.6% 代表每篩選三個分子就有一個在濕實驗中驗證出結合活性，確實明顯優於常態。

Deep Origin 的技術離真正上市藥物還有多遠？

距離還很遠。命中率提升僅代表「找到能與靶點結合的分子」的能力增強，後續還須通過藥物動力學、毒性測試、動物實驗、臨床一期到三期等多道關卡。從虛擬篩選命中到實際藥物上市，通常仍需五到十年以上的開發時程。

※ 此篇文章由 AI 改寫或生成，內容僅供參考，可能存在錯誤或不準確之處。