---
title: "藥物靶點預測（Drug-Target Interaction Prediction）"
slug: drug-target-interaction-prediction
language: zh-TW
source: https://aiterms.tw/terms/drug-target-interaction-prediction
updated_at: 2026-07-04
tags: [機器學習, 深度學習, AI應用, 神經網路, source:arxiv]
ipas_term: false
---

# 藥物靶點預測（Drug-Target Interaction Prediction）

藥物靶點預測是利用機器學習預測候選藥物分子與生物靶點蛋白質之間的結合力，加速新藥研發並降低實驗成本。

## 完整說明

藥物靶點預測是一種結合人工智慧的生物資訊學技術，用於評估化學小分子藥物與蛋白質靶點之間的結合親和力。這項技術能夠縮減新藥開發初期高通量篩選所需的時間與資源。常見應用包括新藥發現、舊藥新用、預測藥物副作用以及個體化醫療的標靶設計。

## 常見問題

### 藥物靶點預測需要輸入什麼樣的資料？

進行藥物靶點預測主要需要兩大類的輸入數據。第一類是化合物的資訊，通常是小分子藥物的化學結構，這可以透過二維的簡化分子線性輸入規範或三維的分子圖來表示。第二類是生物靶點的資訊，通常是蛋白質的胺基酸序列。先進的深度學習模型能夠將這些一維的文字序列或二維的圖形結構轉化為高維度的數學向量。部分模型也會額外整合蛋白質的三維結構數據、基因表現資料或是已知藥物的副作用網路，以提供更豐富的背景知識，進而提升模型預測交互作用或結合親和力的準確度。

### 這項技術可以完全取代實驗室裡的生物實驗嗎？

藥物靶點預測技術無法完全取代傳統的實驗室生物實驗。這項技術的核心價值在於其作為一個高效的虛擬篩選工具，能夠在實際進行昂貴且耗時的物理合成與生物學測試之前，從數以百萬計的化合物庫中挑選出最具潛力的候選分子。雖然人工智慧模型能大幅縮減需要測試的化合物數量，並提高實驗的命中率，但模型預測的結果仍屬於計算機模擬的範疇。藥物在活體細胞或人體複雜生理環境中的實際表現、毒性反應以及代謝過程，最終都必須依賴嚴格的體外細胞實驗、動物模型實驗以及後續的臨床試驗來進行確認與驗證。

### 目前的預測模型主要面臨哪些挑戰與限制？

目前藥物靶點預測領域面臨著幾項關鍵的挑戰。首先是數據的稀疏性與偏差問題，許多新發現的疾病靶點缺乏足夠的已知相互作用數據來訓練模型，導致模型在預測這些罕見或新穎靶點時表現不佳。其次是模型的可解釋性不足，特別是基於深度神經網路的模型，往往難以清晰解釋為何判斷某個分子會與特定靶點結合，這限制了化學家根據預測結果優化分子結構的能力。此外，多數模型僅考慮靜態的結構特徵，忽略了蛋白質在生理環境中動態的構象變化與溶劑效應，這也是未來提升預測精準度需要克服的重要技術瓶頸。

---

來源：https://aiterms.tw/terms/drug-target-interaction-prediction
快查頁：https://aiterms.tw/terms/drug-target-interaction-prediction
最後更新：2026/07/04
深度解說：https://aiterms.tw/learning/what-is-drug-target-interaction-prediction