搜尋意圖： 如果你在找「藥物發現 是什麼」或「藥物發現 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 藥物發現是指使用 AI 和機器學習從海量化學分子中識別和優化具有治療潛力的藥物候選物。AI 可以加速分子篩選、性質預測和優化過程，將藥物開發週期從十年縮短為數年。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
藥物發現是指使用 AI 和機器學習從海量化學分子中識別和優化具有治療潛力的藥物候選物。AI 可以加速分子篩選、性質預測和優化過程，將藥物開發週期從十年縮短為數年。
核心概念
藥物發現中的 AI 應用針對整個藥物開發流程的不同階段：
靶點識別：疾病通常由特定蛋白質異常引起。使用 AI 分析海量的基因組學和蛋白質組學數據，可以識別與疾病相關的蛋白質靶點。例如，通過分析癌症患者的基因突變數據，識別被頻繁激活的癌基因。
虛擬篩選：一旦確定了靶點，下一步是找到能與該靶點結合的分子。傳統的高通量篩選需要物理製造和測試數百萬種化合物。AI 可以進行虛擬篩選：構建靶點蛋白質的三維結構模型，然後使用分子對接演算法或機器學習模型，預測數億種虛擬化合物與靶點的結合親和力，篩選出最有前景的候選物。
分子優化：找到的初始候選物通常需要被優化。AI 可以預測分子修改（如增加某個官能團）對藥效、毒性、代謝等性質的影響，指導化學家進行有針對性的分子設計。
性質預測：藥物在體內的行為由其物理化學性質決定（溶解度、滲透性、代謝穩定性等）。機器學習模型可以基於分子結構預測這些性質，幫助篩除那些不適合作為藥物的分子。
運作原理
藥物發現 AI 系統的關鍵技術包括：
分子表示：計算機需要以數值形式表示分子。常見的方法包括分子指紋（降維表示分子的某些特徵）、圖神經網絡（將分子表示為原子和化學鍵的圖）和自編碼器（學習分子的連續嵌入表示）。
機器學習模型：訓練模型來預測分子的相關性質或與靶點的結合親和力。常用的模型包括隨機森林、梯度提升機（XGBoost）和圖神經網絡。數據來自於歷史實驗數據或公開的化學和生物數據庫。
生成模型：除了篩選現有的分子，AI 還可以生成新的分子。使用生成對抗網絡（GAN）或變分自編碼器（VAE）等生成模型，可以創造具有所需性質的新分子。例如，訓練一個模型來生成與某個靶點高度結合且毒性低的分子。
分子對接：這是確定分子與靶點蛋白質相互作用的方法。方法分為兩類：第一，基於結構的對接，使用靶點蛋白質的已知三維結構；第二，基於配體的方法，基於已知結合分子的特徵來預測新分子的結合能力。
實際應用
考慮開發一種新抗癌藥物的案例：
靶點發現：研究人員分析了 1000 個癌症患者的腫瘤基因組數據，使用機器學習識別了一個在 60% 腫瘤中過度表達的蛋白質 X。初步實驗表明抑制蛋白質 X 可以減緩癌細胞生長。
虛擬篩選：研究人員獲得了蛋白質 X 的結晶結構（通過 X 射線晶體學）。他們使用分子對接軟體和機器學習模型，從包含 5 億個化合物的虛擬庫中篩選。模型預測了前 1000 個最可能與蛋白質 X 結合的化合物。
高通量驗證：研究人員合成了前 1000 個候選物（實驗上可行），並在實驗室進行了高通量篩選，測試它們與蛋白質 X 的實際結合親和力。發現了 50 個具有強結合親和力的化合物（稱為「hits」）。
分子優化：選擇了最有前景的 5 個 hits 進行進一步優化。使用 AI 模型，研究人員預測了對這些分子進行哪些修改可以提高結合親和力同時降低毒性。基於 AI 的建議，化學家合成了 100 多個衍生物。
先導化合物選擇：經過多輪優化，一個分子（稱為「lead compound」）脫穎而出。它具有高度的蛋白質 X 結合親和力、良好的溶解度、高代謝穩定性，並在細胞水準的毒性測試中表現良好。
臨床前開發：該先導化合物進入臨床前開發階段，包括在實驗動物中的藥效和安全性測試。如果表現良好，才會進入人體臨床試驗。
常見誤區
誤區 1：AI 可以自動發現新藥
雖然 AI 大大加速了藥物發現流程，但它不是完全自動的。AI 在篩選、預測和優化中發揮作用，但每一步都需要專家指導：確定哪個靶點、使用哪個篩選標準、如何驗證 AI 的預測等。此外，進入臨床試驗前仍需大量的實驗驗證。
誤區 2：虛擬篩選結果直接可用
AI 虛擬篩選的預測通常需要實驗驗證。模型在訓練數據上的準確性不一定在新分子上保留。虛擬篩選通常用於縮小搜索空間，減少需要實驗測試的分子數，但最有前景的分子仍需在實驗室驗證。
誤區 3：AI 藥物發現成本接近零
儘管 AI 大大降低了藥物發現成本和時間，但仍需要大量的實驗投入。合成和測試候選分子、進行臨床試驗等環節的成本仍然很高。AI 的價值在於提高成功率和加速流程，而不是完全消除成本。
與相關技術的比較
AI 藥物發現 vs. 傳統高通量篩選：傳統方法物理上測試每個候選分子，需要大量的人力和設備。AI 方法在計算機上進行虛擬篩選，成本更低，速度更快，但結果需要驗證。現代製藥通常結合兩者：用 AI 減少候選物數量，然後進行高通量驗證。
AI 藥物發現 vs. 組合化學：組合化學是一種合成大量相似分子變體的技術。AI 補充了這種方法，提供了更智慧的分子設計，而不是盲目地試驗所有組合。
常見問題
虛擬篩選的準確性如何？
虛擬篩選的準確性取決於多個因素。分子對接算法通常能以 0.5-2 Å 的均方根偏差預測分子在靶點中的位置（這對於大多數應用已足夠），但預測結合親和力（即分子與靶點的結合強度）的準確性較低。機器學習模型如果在相同靶點或相似靶點的大量實驗數據上訓練，準確性通常更高（相關係數 0.7-0.9）。然而，在完全新穎的靶點或不同的化學空間上，準確性可能顯著降低。因此，虛擬篩選的結果必須通過實驗驗證。
生成模型在藥物設計中如何應用？
生成模型如 VAE 和 GAN 可以學習分子的潛在空間表示，然後生成新的、未曾出現過的分子。應用方式有：首先，無條件生成：訓練模型生成一般具有藥物性質的分子；其次，條件生成：訓練模型生成具有特定性質（如高結合親和力、低毒性）的分子；第三，分子優化：從已知的有活性分子開始，在潛在空間中導航，生成相似但性質更優的分子。生成模型的優勢是能夠探索化學空間的新區域，發現傳統方法可能忽略的有潛力的分子。
如何評估 AI 藥物發現系統的成功？
評估 AI 藥物發現系統的成功涉及多個指標。首先是篩選效率：相比傳統方法，AI 是否減少了需要測試的分子數量和時間？其次是預測準確性：AI 預測的性質與實驗測量的性質的相關性如何？第三是臨床價值：AI 發現的候選物最終是否進入臨床試驗，是否成為上市藥物？最後是成本效益：總開發成本和時間相比傳統流程是否降低了？企業通常追蹤從靶點識別到臨床候選物的時間和成本，以及 AI 對這些指標的影響。