產業資料庫
AI賦能新藥研發：從蛋白質結構預測走向候選藥物設計，驗證能力成為競爭關鍵
- AI賦能生活
- 2026/09/03
2026/09/03－生技醫療－匯智研究團隊
|
人工智慧正在改變新藥研發的早期流程。過去，研究人員需要透過實驗解析蛋白質結構，再從大量化合物中尋找可能與疾病標靶結合的候選分子；如今，AI可協助預測蛋白質結構與分子交互作用、篩選化合物、設計新分子，並分析臨床及真實世界資料。 AlphaFold的發展使AI藥物研發受到高度關注，但從預測一個具有潛力的分子，到證明其安全、有效且可量產，仍需經過濕實驗、動物試驗、臨床試驗及監管審查。AI能大幅擴張早期探索空間，卻不會消除生物學的不確定性。未來產業真正的瓶頸，將由「找不到候選分子」逐步轉向「是否有能力快速驗證候選分子」。 |
目錄
• AlphaFold推動生物研究進入結構預測時代
• AI藥物研發平台由工具走向商業模式
• 價值由加速運算延伸至提高決策品質
• 實驗驗證與監管可信度仍不可取代
• 台灣可從資料、實驗與特定疾病領域切入
AlphaFold改變蛋白質結構研究
蛋白質的三維結構會影響其生物功能，也是辨識藥物標靶及設計分子的重要基礎。Google DeepMind推出的AlphaFold，可根據胺基酸序列預測蛋白質結構；AlphaFold 3的範圍則進一步延伸至蛋白質、DNA、RNA、配體、離子及化學修飾之間的交互作用。
這項突破並不等於AI已經「解決新藥研發」。結構預測提供的是研究起點，研究人員仍須確認疾病機制、標靶有效性、分子選擇性、毒性與人體反應。不過，當部分前期工作可以先在電腦中完成，實驗團隊便能優先驗證較具潛力的假設，降低無效嘗試。
AI藥物平台形成新商業模式
AI藥物研發業者的商業模式，大致可分為自建藥物管線、與藥廠合作，以及提供模型或平台服務。Alphabet旗下Isomorphic Labs將AlphaFold相關能力延伸至藥物設計，結合內部模型進行疾病標靶與候選分子研究。
傳統藥廠也開始將內部研發資料平台化。Eli Lilly於2025年推出TuneLab，向生技公司提供由藥廠資料訓練的AI模型。Lilly表示，相關模型建立在超過10億美元的研究投入之上，顯示大型藥廠正嘗試把專有實驗資料轉化為平台優勢。
這類模式可能改變藥廠與新創公司的合作關係。小型生技公司可取得原本難以負擔的運算及模型能力，大型藥廠則可透過合作取得更多疾病標靶、實驗回饋及潛在授權機會。
AI的價值在於提高決策品質
新藥研發的成本不只來自實驗費用，也來自錯誤專案持續投入多年。AI若能更早排除缺乏成藥性、毒性過高或選擇性不足的分子，其價值便不只是縮短單一步驟，而是改善整個研發組合的資源配置。
生成式模型還能提出過去資料庫中不存在的新分子結構，再利用性質預測模型評估溶解度、穩定性與合成難度。不過，「能夠生成」並不代表「值得製造」，候選分子仍須符合化學可合成性、專利空間、製程放大及臨床需求等條件。
驗證能力與監管可信度不可取代
AI模型高度依賴訓練資料。如果特定族群、疾病或失敗實驗的資料不足，預測結果可能產生偏差。藥廠還必須處理資料來源、模型更新及結果可重現性，以證明AI產生的證據適合特定用途。
美國FDA已提出以使用情境及風險為基礎的AI模型可信度評估框架，要求開發者說明模型用途、風險、資料品質及驗證方式。這說明AI可以支援監管決策，但不能以演算法輸出取代科學證據。
匯智觀點
AI藥物研發的競爭，不會只由模型準確度決定。當演算法逐漸普及，真正稀缺的資源將是高品質實驗資料、疾病領域知識、濕實驗能力與臨床驗證網絡。能讓「模型預測—實驗驗證—資料回饋」快速循環的企業，才可能形成持續改善的研發優勢。
台灣若只從大型基礎模型切入，較難與國際科技公司競爭；但可結合醫療體系、生技研發、臨床試驗與精密製造能力，聚焦癌症、感染症或特定亞洲族群疾病。AI帶來的機會不只是更快找到分子，而是建立以資料與驗證為核心的新型研發服務模式。
