一個數字震驚了所有人：30.6%。
這不是某場選舉的得票率，也不是新藥臨床試驗的成功率。這是 Deep Origin 這家成立不過三年的舊金山新創，在針對癌症免疫治療關鍵酵素 CD73 進行虛擬篩選時，所繳出的「命中率」成績單。
對比傳統機器學習方法大約落在 0.3% 左右的表現，這個數字直接差了兩個數量級——換句話說，是將近一百倍的差距。
但真正讓製藥業界豎起耳朵的，不是這個數字本身，而是 Deep Origin 達到這個數字的方法：不純靠 AI，也不死守物理模型，而是讓兩者「結婚」。
表象：AI 製藥的繁榮與瓶頸
過去幾年，AI 藥物發現公司如雨後春筍般冒出，募資金額動輒數億美元。輝達、微軟、Google 等科技巨頭也紛紛押注，彷彿 AI 即將讓新藥研發從「十年十億美元」的苦工，變成「幾個月幾百萬美元」的流水線作業。
但真實情況沒那麼美好。
一個赤裸裸的事實是：純 AI 方法在面對「陌生化合物」時，表現往往崩盤式下滑。Deep Origin 共同創辦人兼執行長 Michael Antonov 點出了關鍵：「真正重要的是，模型在『沒有人已經解決』的靶點上如何表現。」
換句話說，如果一個 AI 模型只是把已知藥物拿出來「複習考」，分數再高也沒有意義。製藥業真正渴望的，是能找出「全新化學結構」的探勘能力——而這正是當前多數深度學習模型的死穴。
「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，道出了整個領域的尷尬。四十年的技術累積，換來的卻是「好看但不實用」的尷尬處境。
真相：用物理模型幫 AI「裝上煞車」
Deep Origin 的做法，說穿了就是一套「分工合作」的邏輯。
他們的核心平台由兩個產品構成：DODock 與 DOScore。前者是分子對接引擎，後者負責估算結合親和力。前者先以擴散模型提出候選構型，再透過基於 Vina 風格能量函數的物理搜尋進行精修。白話文就是：AI 負責「天馬行空地提議」，物理模型負責「務實地審查」。
這個設計背後有一個深刻的洞察：機器學習在「記憶」既有資料上表現出色，但在需要「泛化」到全新情境時，往往缺乏可解釋性。而物理第一性原理——那些不會因為數據多寡而改變的熱力學定律——恰好可以補上這個缺口。
Deep Origin 甚至刻意用近乎「零洩漏」的嚴苛條件來測試自己：排除序列相似度超過 30% 的蛋白質，排除 Tanimoto 相似度超過 0.4 的配體。這等於強迫模型去面對「完全沒見過」的靶點，不給它任何投機取巧的空間。
「這不是為了讓數字好看，而是為了測試系統在高難度情境下，是否仍能產生可轉化到實驗室的結果。」Antonov 的這番話，某種程度上也是在回應業界長期以來對 AI 製藥「過度樂觀」的質疑。
各方角力：技術路線之爭與資本的選擇
Deep Origin 並不是唯一一家想解決這個問題的公司。當前全球至少有數十家 AI 製藥新創，走的是不同的技術路線：
- 純深度學習派：認為只要有足夠數據，神經網路就能學會一切。代表公司如 Insilico Medicine。
- 生成式 AI 派：用擴散模型或 Transformer 直接「生成」新分子。代表公司如 Generate Biomedicines。
- 物理模擬派：堅持從分子動力學出發，認為 AI 只是輔助工具。代表公司如 Schrödinger。
Deep Origin 選擇的是第三條路——「混合式」。這個選擇背後有現實的商業考量：純 AI 路線在陌生靶點上的不穩定性，讓藥廠客戶難以信任；而純物理路線的計算成本又高得嚇人，難以大規模篩選。
資本已經用腳投票。Deep Origin 成立於 2022 年，至今已募得 8,200 萬美元。這個數字在當前生技募資寒冬中，顯得格外醒目。
但話說回來，8,200 萬美元在製藥業不過是一期臨床試驗的零頭。真正考驗還在後頭：這些「命中」的分子，進了動物實驗和人體試驗之後，還能留下幾個？
從產業面來看，Deep Origin 的最大貢獻不在於「30.6%」這個數字，而在於它證明了物理模型不是過時的舊科技，而是可以與 AI 互補的關鍵拼圖。製藥業過去幾年過度迷信「數據驅動」，卻忽略了生物學本質上就是一個物理系統。這種「AI 提議、物理驗證」的架構，很可能在未來三到五年內成為藥物發現的業界標準。但前提是——Deep Origin 必須先證明這套方法在濕實驗室之外，能通過臨床試驗的殘酷考驗。
深層影響：骨架新穎性才是真正突破
Deep Origin 公布的另一組數據，可能比命中率更值得關注。
在針對 CD73、IRAK4、Factor XIa 與 IL-17A 等四個靶點的篩選中，團隊發現命中分子的 ECFP4 Tanimoto 相似度僅落在 0.22 至 0.27 之間。這個數值代表什麼？代表這些分子與已知藥物或結合物相比，化學結構的相似度極低——也就是說，它們是貨真價實的「全新骨架」，不是老藥的微調版本。
這對製藥業來說意義重大。因為大多數「改款藥物」往往面臨專利迴避困難、抗藥性快速出現、或藥效提升有限的問題。而全新骨架的化合物，不僅有機會取得全新的專利保護，更可能開啟新的作用機制——尤其是在癌症免疫治療這個競爭激烈的領域。
以這次測試的 CD73 為例，這個酵素在腫瘤微環境中扮演免疫抑制的關鍵角色。過去幾年，包括 AstraZeneca、BMS 在內的大型藥廠都投入了大量資源開發 CD73 抑制劑，但多數候選藥物在臨床階段的表現不如預期。Deep Origin 找到的這些「全新骨架」分子，是否有機會繞過既有藥物的瓶頸？這是接下來業界會睜大眼睛觀察的重點。
不過，一個必須提醒的事實是：Deep Origin 公布的數據來自「濕實驗驗證」，也就是在試管中驗證分子確實能與靶點結合。這距離「動物實驗有效」還有一段路，距離「人體試驗成功」更是漫漫長路。
未解之問：當 AI 找到分子之後，然後呢？
Deep Origin 的技術突破了「找出命中分子」的瓶頸，但製藥業的挑戰從來不在起點，而在終點。
一個新藥從靶點確認到真正上市，平均需要十年。其中最主要的時間和金錢都耗費在臨床前毒理測試、人體一期安全性試驗、二期療效驗證、三期大規模確效——這些環節，Deep Origin 的 AI 目前都幫不上忙。
更根本的問題是：當 AI 能夠在八百億個化合物中快速篩選出候選分子時，藥廠的研發流程反而可能出現新的瓶頸——濕實驗室的驗證能量跟不上虛擬篩選的速度。Deep Origin 在超過 800 億個化合物的合成庫上進行測試，這個規模已經超越了地球上任何一家藥廠的實體化合物庫。但「找到」跟「製成藥」之間，還隔著一座名為「藥物動力學」和「毒理學」的萬里長城。
Antonov 說「真正重要的是在沒有人解決過的靶點上的表現」，這句話很漂亮，但製藥業的老將們會補上一句：「真正重要的是在沒有人解決過的靶點上，做出來的藥是安全且有效的。」
Deep Origin 打開了一扇門，但門後的路還很長。這條路上，需要的不只是 AI 和物理學家，還需要毒理學家、藥理學家、臨床醫師——以及，最重要的，運氣。
而你現在看到的這個故事，還只寫到第一章。
【給讀者的行動呼籲】
AI 製藥不是科幻小說，它正在發生。但每一次科技突破的背後，都伴隨著過度承諾與現實落差。下次你讀到「AI 發現新藥」的新聞時，不妨問自己三個問題：這個 AI 是在已知藥物上「複習考」，還是真的面對全新靶點？所謂的「命中」是在試管裡、動物身上、還是人體中驗證的？這家公司有沒有公布完整的篩選條件，讓外界可以複製它的結果？養成追問細節的習慣，你就不會被華麗的數字帶著走。
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 藥物發現平台與其他 AI 製藥公司有什麼不同？
最大差異在於「混合式架構」。多數 AI 製藥公司純粹依賴深度學習模型，但 Deep Origin 讓 AI 負責提出候選分子構型，再透過物理模型（熱力學能量函數）進行驗證與精修，以解決純 AI 在面對全新化合物時準確度崩潰的問題。
30.6% 的命中率在藥物發現領域代表什麼意義？
代表在虛擬篩選階段，每篩選 100 個化合物就有約 30 個在濕實驗室中被驗證能與目標靶點結合。傳統機器學習方法在同類測試中命中率僅約 0.3%，兩者差距約百倍。但請注意，這仍是「試管內」的數據，不代表進入動物或人體後同樣有效。
Deep Origin 目前有哪些具體的藥物開發成果？
截至報導發布，Deep Origin 已公布針對 CD73、IRAK4、Factor XIa 與 IL-17A 等四個靶點的濕實驗驗證結果，命中分子展現高度骨架新穎性。但這些分子仍處於早期發現階段，尚未進入臨床試驗。該公司成立於 2022 年，已募得 8,200 萬美元資金。
※ 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。
