舊金山新創 Deep Origin 近期公布一項藥物開發測試結果，在針對與癌症免疫治療相關的 CD73 酵素靶點上，其 AI 藥物發現框架達到接近 31% 的命中率，號稱是傳統機器學習方法的一百倍。這家成立於 2022 年的公司，宣稱透過結合 AI 與物理模擬的混合式設計，在「幾乎沒人解過」的全新生物靶點上展現出高度預測能力，試圖解決純 AI 方法面對陌生化合物時準確度大幅下滑的長期痛點。
不只靠數據硬學：當物理模型成為 AI 的「校正回歸」
Deep Origin 的平台核心由兩項產品構成：DODock 與 DOScore。前者是結合 AI 與物理基礎的分子對接引擎，後者則負責在龐大的化學空間中估算熱力學結合親和力。簡單來說，DODock 先透過擴散模型生成候選分子構型，再用基於 Vina 風格能量函數的物理搜尋流程進行精修。這套設計的關鍵思維在於：讓機器學習負責「提出與排序姿勢」，但把「維持可解釋性」的任務交給物理模型，特別是在需要泛化能力的環節。
話說回來，為什麼要這麼麻煩？許多深度學習式的共摺疊模型，在既有資料上確實能跑出漂亮數字，但一旦遇到全新化合物，表現往往直接崩盤。Deep Origin 首席科學長 Garegin Papoian 就點出一個殘酷現實：虛擬篩選雖然已經用了超過四十年，卻很少真正催生出實際藥物。這正是團隊決定讓物理第一性原理作為「校正回歸」機制的理由——用自然界的物理法則補足數據驅動模型的限制，讓系統即使在缺乏晶體結構或已知小分子結合物的情況下，仍能對新靶點進行虛擬篩選。
「零洩漏」測試下的殘酷考驗：命中率真的能說服業界嗎？
要驗證模型是不是真功夫，測試方法的嚴謹度是關鍵。Deep Origin 這次採用了近乎「零洩漏」的雙重相似度過濾：排除序列相似度達 30% 以上的蛋白質，以及 Tanimoto 相似度超過 0.4 的配體。白話文來說，就是刻意讓模型在「幾乎沒看過類似長相」的靶點與化合物上進行預測，藉此真實反映它面對未知靶點時的實際戰力，而不是依賴那些容易失真的基準分數。
公司在超過八百億個化合物的合成庫上進行濕實驗驗證，重點涵蓋 CD73、IRAK4、Factor XIa 與 IL-17A 等四個靶點。其中針對與癌症生長抑制相關的 CD73，命中率達 30.6%，約為純 AI 方法的一百倍。更讓團隊振奮的是，這些命中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 至 0.27，代表找到的確實是全新的化學結構，而非既有藥物的微小變體。
從產業面來看，Deep Origin 的成果最值得關注的其實不是「31%」這個數字，而是它驗證了一條可行的技術路徑：用物理模型幫 AI 兜底。過去幾年 AI 製藥被詬病最多的就是「漂亮簡報、昂貴實驗、然後沒有然後」，問題往往出在 AI 在陌生化學空間中的預測失準。如果 Deep Origin 的方法真的能規模化，讓虛擬篩選從「輔助工具」升級為「可信賴的篩選利器」，對整個產業的研發效率將是結構性的改變。但坦白說，從實驗室階段的三十幾趴命中率，到真正進入人體臨床、通過法規考驗，還有很長一段路要走。藥廠會不會買單？考驗才剛開始。
敢挑戰「沒人解過」的靶點，才是真本事
Deep Origin 共同創辦人兼執行長 Michael Antonov 說了一句頗值得玩味的話：真正重要的，是模型在「沒有人已經解決」的靶點上如何表現。這其實直接點出了 AI 製藥領域長期以來的「舒適圈」問題——多數模型的訓練數據來自已知的蛋白質與化合物，因此表面上準確率很高，但拿到真正的新靶點上就破功。
Antonov 的說法呼應了 Deep Origin 在測試設計上的「刻意刁難」。公司將測試條件拉高到近乎嚴苛的程度，目的就是觀察系統在高難度情境下是否仍能產出可轉化到實驗室的結果。這種「不挑食」的能耐，對於製藥業來說或許才是真正有價值的突破點。畢竟，業界缺的不是在已知靶點上錦上添花的工具，而是能在全新生物機制上開疆闢土的夥伴。
展望與影響：物理模擬會是 AI 製藥的「必要基礎建設」嗎？
Deep Origin 成立至今僅三年多，已募得 8,200 萬美元，這個募資數字在一定程度上反映了投資人對其技術路線的認可。不過從更宏觀的角度來看，這套「AI 加物理」的混合架構，是否會成為未來藥物發現領域的標準配備，仍取決於兩個關鍵變數：其一，這套方法在不同治療領域、不同類型的靶點上能否複製同樣的命中率；其二，從虛擬命中到臨床前優化之間的轉譯效率有多高。
可以預見的是，純粹依賴數據驅動的 AI 藥物發現模式，在面對真正未被開發的靶點時，將越來越難說服實戰派的藥物化學家。而 Deep Origin 這套用物理第一性原理「兜底」的設計思維，確實提供了一個兼具可解釋性與預測力的折衷方案。對臺灣的生技製藥產業來說，這也帶來一個值得思考的方向：在投入大量資源建置 AI 算力與數據庫的同時，是否也該同步強化物理模擬與計算化學的基礎能力？畢竟，當 AI 在陌生領域開始「亂講話」的時候，能把它拉回正軌的，終究還是物理定律。
當 AI 在藥物發現領域高歌猛進之際，或許我們該問的不是「AI 能取代科學家嗎」，而是「我們有沒有給 AI 裝上一套可靠的物理煞車系統」？Deep Origin 的嘗試給了我們一個值得期待的答案雛形。
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？
最大差異在於混合式架構。多數 AI 製藥公司純粹靠深度學習從既有數據中找規律，但 Deep Origin 在 AI 模型之外結合了物理模擬（分子動力學、熱力學計算），讓物理法則在 AI 預測失準時扮演「校正」角色，特別是在面對全新、未曾見過的化合物時，能維持較高的預測可靠度。
命中率 31% 在藥物發現領域算很厲害嗎？
以虛擬篩選的業界標準來看，能在嚴格「零洩漏」測試條件下達到 30% 以上的濕實驗證實命中率，確實相當罕見。傳統機器學習方法在類似條件下通常只有 0.3% 左右的水準，因此 Deep Origin 宣稱的「百倍提升」並非沒有根據。不過需要留意的是，這是實驗室階段的命中率，不代表這些分子最終都能成為上市藥物。
這項技術什麼時候能實際應用到病人身上？
目前 Deep Origin 的成果仍屬於藥物發現的「早期階段」——也就是從數億個化合物中篩選出有潛力的「候選起點」。從這裡到真正進入人體臨床試驗，通常還需要數年的時間進行藥物化學優化、動物實驗、毒理評估等步驟。建議將此視為技術可行性的重要驗證，而非即將上市的治療方案。相關投資或合作決策建議諮詢專業生技投資顧問。
※ 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。
