關鍵數字：30.6% 的篩選命中率，對比傳統機器學習模型僅約 0.3% 的水準——差距足足有 100 倍。這不是實驗室裡精心調校出來的漂亮數據，而是在刻意「刁難」AI 的極端條件下跑出來的結果。

舊金山新創 Deep Origin 最近丟出這顆震撼彈，宣告自家結合 AI 與物理模擬的藥物發現平台，在針對癌症免疫治療關鍵酵素 CD73 的測試中，繳出了一張近乎不可思議的成績單。說真的，在藥物研發領域，30% 的命中率是什麼概念？多數業界高通量篩選能落在 0.1% 到 1% 就已經值得開香檳了。

這家公司成立不過四年，總部就在舊金山，已經募到 8,200 萬美元。但比募資數字更有意思的，是他們解決問題的邏輯。

📊 數據總覽：四個靶點、八百億化合物、一張成績單

Deep Origin 這次公布的濕實驗驗證結果，背後是超過 800 億個化合物的合成庫篩選，重點聚焦在四個治療靶點：CD73、IRAK4、Factor XIa、IL-17A。CD73 跟癌症生長抑制有關，IRAK4 涉及免疫發炎反應，Factor XIa 是抗凝血途徑的熱門標的，IL-17A 則是自體免疫疾病的老面孔。

數字背後藏著另一個關鍵訊息：這些命中分子的化學結構，跟已知藥物或結合物幾乎完全不重疊。ECFP4 Tanimoto 相似度落在 0.22 到 0.27 之間——業界通常把 0.3 以下視為「高度新穎」。換句話說，Deep Origin 找到的不是既有藥物的微調版本，而是貨真價實的全新骨架。

物理學家看不下去AI在陌生化合物面前失智

為什麼純 AI 方法會在某些場景翻車？Deep Origin 共同創辦人兼首席科學長 Garegin Papoian 點出了一個從業者心照不宣的痛點：虛擬篩選技術已經用了 超過 40 年，但真正催生出實際上市藥物的案例，屈指可數。

問題出在資料。深度學習模型再厲害，本質上還是依賴訓練資料的分布。當一個全新化合物——或者一個在既有晶體結構資料庫裡幾乎沒出現過的新靶點——被丟進模型時，純 AI 的預測準確率往往像自由落體一樣下滑。這就是業界所謂的「泛化能力」瓶頸。

Deep Origin 的解法很老派，但也很聰明。他們把 AI 跟物理第一性原理綁在一起，做成一個兩段式的混合引擎：

• DODock：先用擴散模型快速生成大量候選分子構型，再用基於 Vina 風格能量函數的物理搜尋進行精修。機器學習負責「提議」，物理模型負責「驗算」。
• DOScore：專門評估超大化學空間裡的熱力學結合親和力，用物理法則來估算分子跟靶點之間的真正結合力。

這個設計的核心邏輯很直白：讓 AI 做它擅長的事——在廣闊的化學空間裡快速產出可能性；讓物理模型做 AI 不擅長的事——在沒有足夠訓練數據的邊界條件下，維持可解釋性和預測穩定度。

編輯觀點：Deep Origin 的這場「物理回歸」實驗，其實戳破了藥物研發 AI 圈近年來一個不太健康的迷思——資料量夠大就能解決一切。從產業面來看，這種 hybrid 架構的價值不在於單點命中率破紀錄，而在於它提供了一條「在未知靶點上仍然可信」的篩選路徑。這對臺灣正在起步的智慧醫療和新藥開發來說，有很具體的啟示：與其盲目追趕模型規模，不如回頭想想物理學能幫我們補足什麼。說真的，當大家都在拚誰的模型參數更多的時候，願意回歸基本面去問「這個分子跟蛋白質到底怎麼黏在一起」的人，反而可能走得最遠。

「零洩漏」測試：一場刻意刁難自己的考試

讀到這裡你可能會想：這些數據該不會是在「作弊」條件下跑出來的吧？畢竟過去不少 AI 藥物發現的漂亮數字，回頭看都有資料洩漏（data leakage）的問題——訓練資料裡早就藏了跟測試目標相似的結構，模型當然猜得準。

Deep Origin 這次的做法相對誠實。他們設了兩道嚴格的過濾門檻：

• 排除所有序列相似度超過 30% 的蛋白質
• 排除 Tanimoto 相似度超過 0.4 的配體

白話文來說，就是把「長得像」已知資料的靶點和化合物全部剃除，讓模型在近乎陌生的環境下接受考驗。公司共同創辦人兼執行長 Michael Antonov 說得直接：「真正重要的不是模型在已知靶點上多準，而是在『沒有人已經解決』的靶點上能拿出什麼表現。」

這種近乎「零洩漏」的測試方式，在目前的 AI 藥物研發文獻裡並不算主流——因為太容易拿到難看的數字。但從另一個角度來看，這才是臨床應用會面對的真實場景。

數據告訴我們什麼？

如果把 Deep Origin 這份成果拆開來看，真正值得關注的不是單一數字，而是三個層面的訊號：

第一，混合架構的可行性已被驗證。 DODock 和 DOScore 的兩段式設計證明，AI 跟物理模擬不是二選一的零和遊戲。在面對全新化合物時，物理模型提供的可解釋性，恰恰是黑盒子深度學習最欠缺的一塊拼圖。

第二，骨架新穎性比命中率更關鍵。 0.22 到 0.27 的 Tanimoto 相似度，意味著 Deep Origin 找到的不是 me-too 藥物，而是潛在的 first-in-class 候選分子。對製藥產業來說，後者的商業價值跟前者完全不是同一個量級。

第三，這套方法離真正進到臨床還有一段路，但路線已經明確。 虛擬篩選到濕實驗驗證，再到動物試驗、人體臨床，每一層都是巨大的過濾器。不過話說回來，如果連第一步的命中率都拉不起來，後面也不用談了。

對臺灣的生技產業來說，Deep Origin 這條路線暗示了一個值得追問的方向：當藥物發現的成本和時間瓶頸逐步被 hybrid AI 打開，本地研發團隊有沒有可能跳脫「跟隨式創新」的框架，在全新靶點上建立自己的競爭籌碼？這問題沒有標準答案，但值得每個在做新藥開發的人花一個晚上好好想想。

下一步，就看 Deep Origin 能不能把 CD73 上的這批全新骨架推進到動物試驗階段。如果順利，這套方法論將會從「驚人的實驗室數據」進化成「真正能改變製藥遊戲規則的工具」。

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 Deep Origin 採用 AI 與物理模擬的混合架構。多數 AI 製藥公司純粹依賴深度學習模型，在面對全新化合物時準確度容易下滑；Deep Origin 則用物理第一性原理補足 AI 的泛化弱點，讓系統在沒有已知結合物資料的情況下仍能進行可靠預測。

30.6% 的命中率在藥物研發領域算高嗎？

算非常高。傳統高通量篩選的命中率通常落在 0.1% 到 1% 之間，即使是最先進的深度學習模型，在嚴格「零洩漏」條件下也常常掉到 0.3% 左右。30.6% 意味著每篩選三個化合物就有一個命中，這是產業界極少見的數字。

ECFP4 Tanimoto 相似度 0.22～0.27 代表什麼意思？

代表 Deep Origin 找到的分子結構跟現有藥物高度不相似。Tanimoto 係數越低表示結構差異越大，業界通常把 0.3 以下視為「高度新穎骨架」。0.22～0.27 的區間顯示這些不是既有藥物的微調版本，而是全新的化學結構，具備成為 first-in-class 藥物的潛力。

這套技術什麼時候能真正應用到臨床藥物？

目前仍處於早期藥物發現階段，從虛擬篩選到濕實驗證實，後續還需經過動物試驗、臨床一期到三期等漫長流程。一般預估至少需要 3 到 5 年才有機會進入人體臨床試驗，建議將此視為技術突破而非立即上市的產品。醫療相關資訊請諮詢專業醫藥人士。

※ 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。