AI 導向藥物逆向工程：De Novo Drug Design 如何重塑新藥開發

一款新藥從實驗室走到藥局貨架，傳統路徑往往要花上十年以上的時間，中間有極高比例的候選分子會在臨床階段失敗。這個產業長期面對一個結構性痛點：化學分子的可能組合空間極度龐大，研究人員過去只能依賴經驗、篩選資料庫與大量試錯，才能找到形狀剛好吻合目標蛋白的分子。De Novo Drug Design（從零生成藥物設計）試圖反轉這個流程：不是從已知分子庫裡挑選再修改，而是讓AI模型直接根據目標蛋白的結構，從零生成全新的候選分子骨架。這篇文章會拆解這套技術的運作原理、實際應用案例、導入路徑、以及它目前還做不到的事。

一、這項技術到底在解決什麼問題

傳統藥物開發的核心瓶頸在於搜尋空間過於龐大。理論上可合成的小分子化合物數量被普遍認為遠遠超出任何實驗室能夠窮舉測試的範圍。過去的做法是高通量篩選：把現有的化合物資料庫（可能是數百萬筆分子）逐一拿去跟目標蛋白做親和力測試、再從中挑出表現較好的命中分子進行優化。這種方法本質上是在已知的箱子裡找答案、永遠受限於資料庫的廣度。

De Novo Drug Design想解決的就是把搜尋邏輯倒過來。研究人員先用結構生物學方法（例如X光晶體繞射、低溫電子顯微鏡、或是蛋白質結構預測模型）取得目標蛋白的三維結構與結合口袋形狀、再讓生成模型根據這個鎖孔的幾何與化學特徵、直接生成可能吻合的鑰匙分子。這代表搜尋空間不再受限於現有資料庫、而是由模型在連續的化學空間中進行探索與生成。

二、核心運作原理：從結構到分子的三個關鍵環節

這套系統大致可以拆成三個環節。

第一是目標結構解析。沒有精確的蛋白質結構資訊、後續生成就無從對齊。這也是為什麼蛋白質結構預測模型的進展（例如深度學習在結構生物學上的重要突破）會直接帶動整個生成式藥物設計領域往前推進。

第二是分子生成引擎。常見的技術路線包括變分自編碼器、生成對抗網路、以及近年更主流的擴散模型。這些模型會把分子表示成圖形結構或三維點雲、在學習大量已知分子與其性質的關係後、學會在符合化學鍵結規則的前提下生成全新的分子結構。

第三是性質預測與篩選迴路。生成出來的分子不會直接拿去合成、而是先經過一系列計算性質預測、包括結合親和力估計、溶解度、代謝穩定性、毒性風險等多個維度的篩選。只有通過這層篩選的分子才會進入實驗室合成與濕實驗驗證階段。這個迴路通常會反覆進行：模型生成、預測篩選、人類專家審視、再回頭調整生成條件，是一個持續迭代收斂的過程、而不是一次性產出答案、整個團隊需要有耐心面對多輪反覆修正。

三、系統架構圖：資料到候選分子的完整流程

下圖整理了一個典型的De Novo Drug Design系統、從輸入到輸出的資料流動方向。

┌─────────────────┐     ┌──────────────────┐     ┌───────────────────┐
│ 目標蛋白結構輸入  │ ──▶ │  生成模型引擎      │ ──▶ │  候選分子池        │
│ (結構生物學數據)  │     │ (擴散模型/VAE/GAN) │     │ (數千至數萬個結構)  │
└─────────────────┘     └──────────────────┘     └─────────┬─────────┘
                                                            │
                                                            ▼
┌─────────────────┐     ┌──────────────────┐     ┌───────────────────┐
│  濕實驗驗證       │ ◀── │  人類專家審視篩選   │ ◀── │  計算性質預測篩選   │
│ (合成與生物測試)  │     │ (化學合理性把關)    │     │ (親和力/毒性/穩定性) │
└─────────────────┘     └──────────────────┘     └───────────────────┘

這張圖揭示了一個容易被忽略的重點：AI在這個流程裡負責的是擴大候選範圍與初步篩選、最終的合成與驗證仍然完全依賴真實世界的濕實驗。模型產出的是假設、不是答案、這個定位上的差異、往往是外界對這項技術產生過度期待的根源。

四、實際應用案例

生成式分子設計目前最常見的落地場景是在藥物開發的早期階段、也就是先導化合物發現階段。一個典型的工作流程是：研究團隊先針對某個已知與疾病機制相關的蛋白質靶點取得結構資訊、接著用生成模型針對該結合口袋產出大量候選分子、再透過計算篩選把候選數量從數萬個收斂到數十個、最後挑選其中化學合成可行性較高且預測性質較佳的分子、送進實驗室合成與初步活性測試。

值得注意的是這類技術目前的成熟應用集中在縮短早期發現階段的時間、而不是取代整個臨床試驗流程。一款分子即使在生成與篩選階段表現優異、仍然必須經歷臨床前動物試驗與多期人體臨床試驗、這些階段目前無法被生成模型繞過、這也是評估這項技術時最常被誇大或誤解的地方。

從組織分工的角度來看、導入這類技術通常不會取代現有的計算化學或藥物化學團隊、而是在既有團隊之上增加一層生成與篩選的前段工具。實際運作上、計算化學家仍需要針對每一批生成出來的候選分子、結合自己對該疾病領域的專業判斷、決定哪些分子值得投入合成資源、哪些分子雖然計算指標亮眼但化學直覺判斷風險過高。這個人機協作的分工模式、是目前業界普遍採用、也相對務實的做法。

五、導入路徑與標準作業流程

如果一個藥物研發團隊想要導入生成式分子設計能力、大致可以遵循以下步驟。

這套流程的關鍵在於每個階段都要有人類專家把關、而不是把整條管線變成全自動黑箱。計算篩選可以降低人力負擔、但化學合理性與安全性的最終判斷目前仍仰賴領域專家的經驗。

六、一個可直接套用的提示詞範例

對於想用大型語言模型輔助文獻彙整與假設生成的團隊、可以參考以下提示詞架構。這類提示詞適合用於文獻彙整與假設發想、不能取代真正的分子生成模型與濕實驗。

你是一位藥物化學顧問。請根據以下目標蛋白資訊：
[蛋白名稱、已知結合口袋特徵、相關疾病機制]
彙整三類資訊：
一、目前公開文獻中已知對此靶點有效的化合物骨架類型
二、這類骨架常見的代謝穩定性與毒性風險
三、若要設計新一代骨架，有哪些已發表的結構優化方向
請標註每項資訊的不確定程度，並指出哪些屬於你無法確認的推測。

七、實務效益與限制：值不值得投入

從實務角度看、生成式分子設計能帶來的效益主要體現在擴大早期探索的廣度與縮短先導化合物發現的時間、這對研發資源有限的中小型生技公司尤其有吸引力、因為它降低了單純依賴龐大化合物資料庫採購的成本門檻。

但這項技術也有清楚的限制。第一、生成出來的分子合成難度有時偏高、部分結構在計算上看起來合理、實際合成卻非常困難或成本過高。第二、計算性質預測的準確度仍有侵蝕風險、預測結合力佳的分子實際測試結果未必吻合。第三、臨床前與臨床階段的失敗率並未因為早期發現階段加速而顯著降低、這也是業界對AI加速新藥開發說法保持謹慎的原因。任何團隊在評估導入這項技術時、都應該把它定位為擴大假設空間的工具、而不是保證成功率提升的捷徑。

目前全球已經有相當數量的生技公司與大型藥廠的研發部門、把生成式分子設計納入早期研發的標準工具箱、而不再只是實驗性的概念驗證專案。這個領域的參與者大致可以分成三類：第一類是專門以生成式分子設計為核心業務的新創公司、它們通常會自建生成模型平台、再以授權或合作研發的方式跟藥廠對接；第二類是大型藥廠內部成立的計算化學或數位研發團隊、把生成模型當作既有濕實驗管線的前段加速器；第三類是學術研究機構、持續在演算法層面進行基礎研究、例如如何讓生成出來的分子在化學上更容易合成、或是如何提升性質預測的可靠度。這三類參與者之間的分工讓整個領域的進展、不是單靠某一環節的突破、而是演算法、資料、與實驗驗證三方持續疊代的結果。

這個領域也存在幾個常見的誤解值得特別澄清。第一個誤解是以為生成模型可以直接產出已經驗證有效的藥物、實際上模型產出的永遠只是候選假設、必須經過完整的濕實驗與臨床驗證才能確認真正的安全性與療效。第二個誤解是以為這項技術可以大幅縮短整個新藥開發的時程、但目前公開可驗證的進展主要集中在早期發現階段、臨床前與臨床階段的時程並未因此明顯縮短、因為這些階段的瓶頸來自生物學上的不確定性、而不是分子設計能力的不足。第三個誤解是把生成式分子設計等同於完全自動化的研發流程、但實際上每個關鍵節點都仍需要領域專家介入判斷、人類專家的角色是從執行篩選工作、轉變為審視與決策、而不是被取代。理解這些邊界、有助於任何打算投入這個領域的團隊設定合理的預期、把資源放在真正能創造價值的環節上、而不是被過度樂觀的敘事誤導。

結語與下一步

De Novo Drug Design代表的是研發邏輯的根本轉變：從在既有資料庫裡找答案、變成根據目標結構主動生成假設。這個轉變確實在早期發現階段創造了真實價值、但它沒有也不應該被誇大成AI已經解決新藥開發的敘事。對於正在評估這項技術的團隊、務實的下一步是先從單一靶點的小規模試驗開始、把生成模型嵌入既有的篩選管線中作為輔助工具、並持續用濕實驗結果回頭檢驗模型預測的可信度、再逐步擴大應用範圍、同時把組織內部的人機協作流程一併建立起來、才能讓這項技術真正發揮長期價值。