癌症免疫治療藥物研發迎來關鍵突破。AI製藥新創Deep Origin近日公布一組令人眼睛一亮的數據：在針對與癌症生長抑制相關的CD73酵素的測試中，其AI藥物發現框架的命中率高達30.6%，是傳統機器學習方法的約100倍。這不是單純的演算法調校，而是把物理學的第一性原理硬生生拉進AI模型裡，補足了純機器學習在面對全新化合物時經常失準的痛點。
當AI遇上陌生化合物：命中率為何雪崩式下滑？
AI製藥這幾年熱得發燙，但產業裡的人心裡有數：多數深度學習模型在熟悉的資料上表現亮眼，一旦遇到沒有晶體結構資訊或已知小分子結合物的全新靶點，預測準確度就像自由落體。Deep Origin的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。」這句話點出了AI製藥長期以來的核心焦慮——我們究竟是在解決問題，還是在背答案？
Deep Origin的解法不是另起爐灶，而是走了一條混合路徑。他們的平台由兩大引擎構成：DODock負責分子對接，先以擴散模型生成候選構型，再透過基於Vina風格能量函數的物理搜尋進行精修；DOScore則負責估算超大化學空間中的熱力學結合親和力。白話文來說，就是讓機器學習負責「猜」跟「排序」，讓物理模型負責「驗算」跟「解釋」——用物理定律幫AI的直覺把關。
「零洩漏」測試：殘酷但真實的考驗
這套系統的含金量，不在於它對已知藥物的辨識力，而在於它對陌生靶點的探測能力。為了驗證這點，Deep Origin的團隊設計了一套堪稱嚴苛的雙重過濾機制：排除序列相似度超過30%的蛋白質，以及Tanimoto相似度超過0.4的配體。這種近乎「零洩漏」的測試方式，等於強迫模型在幾乎沒有參考資料的情況下上場應戰。
結果出爐，團隊針對CD73、IRAK4、Factor XIa與IL-17A四個靶點，在超過800億個化合物的合成庫上進行濕實驗驗證。其中CD73的命中率達到30.6%，而這些命中分子的化學骨架與已知結合物相比，ECFP4 Tanimoto相似度僅落在0.22到0.27之間。這串數字背後的意思是：AI找到的不是既有藥物的微調版本，而是貨真價實的新化學結構。對製藥產業來說，這才是真正有商業價值的突破。
【編輯觀點】從產業面來看，Deep Origin這套「AI＋物理模擬」的混合架構，其實反映了製藥業對純數據驅動路線的集體焦慮。過去幾年，我們看到太多AI預測模型在公開資料集上刷出驚人分數，進了實驗室卻踢到鐵板。Deep Origin的貢獻不在於某個單一靶點的命中率，而在於他們用物理模型為AI的可信度加了保險，讓虛擬篩選不再是漂亮的學術展示。對台灣生技產業來說，這是一個值得關注的信號：當國際大廠開始把物理模擬拉回製藥主戰場，我們既有的運算能量和半導體製程優勢，或許能找到新的著力點。
虛擬篩選40年：為什麼始終叫好不叫座？
Deep Origin的共同創辦人兼首席科學長Garegin Papoian點出了一個殘酷的事實：虛擬篩選已經被使用了超過40年，卻很少真正催生出實際藥物。這句話背後藏著製藥業的集體挫折——電腦模擬算得再漂亮，進了濕實驗室就失靈，這樣的故事在產業裡從來不缺。
Deep Origin的企圖心在於用物理第一性原理補足資料驅動模型的限制。當AI在沒有既有晶體結構或已知小分子結合物的情況下，仍能對新生物靶點進行虛擬篩選，這就從根本上改變了藥物發現的遊戲規則。與其說他們在優化既有流程，不如說他們在重新定義「可信預測」的標準。
這家2022年成立於舊金山的新創，至今已募得8,200萬美元的資金。以製藥業的標準來看，這樣的募資規模不算驚人，但結合物理與機器學習的技術路線，確實讓他們在擁擠的AI製藥賽道中走出了差異化。
製藥業的下一步：從「算得漂亮」到「做得出來」
說真的，AI製藥領域從來不缺漂亮的簡報和亮眼的數據，真正稀缺的是能通過實驗室考驗的預測結果。Deep Origin這次公布的成果，最值得關注的不是30.6%這個數字本身，而是他們用物理模型解決了一個產業級的信任問題。
當然，從虛擬篩選到臨床藥物之間，還有毒理試驗、人體試驗、法規審查等重重關卡。但至少，Deep Origin證明了AI在面對全新靶點時，確實有可能給出值得帶進實驗室的答案。對那些投入大量資源在AI製藥的藥廠來說，這或許是重新檢視技術路線的契機——你的模型在陌生的化合物面前，還站得住腳嗎？
生技製藥領域的技術迭代正在加速，無論你是從業人員、投資人，還是關心醫療發展的讀者，這項突破都值得你持續追蹤後續的臨床驗證進展。
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藥物發現平台跟其他AI製藥公司有什麼不同？
最大的差異在於他們結合了AI與物理模擬。多數AI製藥公司純粹用深度學習預測分子結合，但Deep Origin讓機器學習負責提出候選構型，再透過物理模型進行驗算與精修，用物理第一性原理補足純AI方法在面對全新化合物時準確度下滑的問題。
CD73是什麼？為什麼這個靶點很重要？
CD73是一種與癌症免疫治療相關的酵素，參與腫瘤微環境中的免疫抑制機制。抑制CD73被視為提升免疫系統對抗癌細胞的重要策略之一，多家藥廠都在這個靶點上積極布局。
命中率30.6%在藥物發現領域算高嗎？
以虛擬篩選的標準來說，這個數字相當亮眼。傳統機器學習方法在同一測試條件下的命中率約0.3%，Deep Origin的表現大約是它們的100倍。更重要的是，他們在「零洩漏」的嚴格條件下測試，更能反映模型在真實未知靶點上的表現。
Deep Origin總部位於哪裡？已經募到多少資金？
Deep Origin成立於2022年，總部位於美國舊金山，截至目前已募得8,200萬美元的資金。
AI結合物理模擬的藥物發現技術何時能真正應用到臨床？
從目前的虛擬篩選成果到實際藥物上市，通常需要數年時間，還需經過毒理試驗、臨床試驗與法規審查等階段。不過這項技術已經證實能在實驗室中產出有活性的候選分子，是從「算得漂亮」邁向「做得出來」的關鍵一步。
※ 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。
About the Author
