事件總覽：一家成立僅四年的舊金山新創Deep Origin，宣佈其AI結合物理模擬的藥物發現平台，在針對癌症免疫靶點CD73的測試中拿下31%命中率，號稱是純機器學習方法的百倍表現。從2022年創立到現在，這群物理學家與AI科學家試圖解決的，正是虛擬篩選四十年來「算得出、做不出」的尷尬難題。
AI到底能不能真的幫我們找出新藥？這問題在製藥界吵了好幾年。每次看到那種「AI預測準確率高達九成」的新聞稿，實驗室裡的化學家大概都只是苦笑——因為一旦碰上全新化合物，那些漂亮的數字往往直接失靈。
Deep Origin最近公布的成果，倒是給了這個老問題一個不太一樣的答案。這家總部位於舊金山的新創，在針對癌症免疫治療相關酵素CD73的測試中，宣稱命中率達到30.6%，大約是傳統機器學習方法的100倍。但真正讓產業界豎起耳朵的，不是這個數字本身，而是他們怎麼做到的。
📅 2022年：從物理定律出發，而不是從數據出發
Deep Origin成立那年，生成式AI才剛剛開始席捲全球。但共同創辦人兼執行長Michael Antonov和首席科學長Garegin Papoian走了一條不太一樣的路——他們不打算讓AI憑空「幻想」分子結構，而是讓AI在物理定律的框架裡做事。這個選擇，後來被證明是關鍵。
在此之前，多數深度學習式的共摺疊模型仰賴大量已知蛋白質結構與小分子結合物數據。問題在於，一旦面對資料庫裡沒出現過的全新化合物，預測準確率就像自由落體一樣往下掉。Deep Origin團隊很清楚，如果他們的平台只能解決「已經被解決過」的問題，那在製藥產業裡根本沒有立足之地。
📅 2023年：雙重過濾，逼模型面對真實世界
這一年，Deep Origin內部做了一個有點「自虐」的決定。他們設計了一套嚴格的雙重相似度過濾機制：排除序列相似度達30%以上的蛋白質，並排除Tanimoto相似度超過0.4的配體。換句話說，他們刻意不讓模型去碰那些「有考古題可抄」的案例。
這種近乎「零洩漏」的測試方式，在業界並非常態。多數研究團隊為了讓數字好看，會不自覺地讓測試資料與訓練資料產生某種程度的重疊。Deep Origin選擇反其道而行——他們想知道的是，當系統面對真正陌生、沒有人解決過的靶點時，到底還能不能產出實驗室裡真的做得出來的分子。
📅 2024年：800億化合物庫中的實戰驗證
Deep Origin在超過800億個化合物的合成庫上進行濕實驗驗證，重點鎖定CD73、IRAK4、Factor XIa與IL-17A四個與癌症、免疫相關的關鍵靶點。結果顯示，他們找到的命中分子展現出高度骨架新穎性——與已知結合物相比，ECFP4 Tanimoto相似度僅落在0.22至0.27之間。白話文的意思是：這些不是既有藥物的微調版本，而是真正全新的化學結構。
這其實是整個故事裡最值得注意的一點。我們看過太多AI藥物發現平台號稱「命中」，結果仔細一看，所謂的命中分子跟已知藥物只差一個甲基。那種東西在專利佈局上毫無意義，在治療效果上也很難有突破性進展。但Deep Origin這次拿出來的，是骨架層級的新穎性。
📅 2025年：30.6%命中率的背後意義
針對CD73這個與癌症生長抑制相關的靶點，Deep Origin宣稱命中率達30.6%。Michael Antonov對媒體說了一句話，精準地打中了產業痛點：「真正重要的不是模型在已知靶點上的表現，而是它在『沒有人已經解決』的靶點上如何表現。」
這句話背後藏著一個殘酷的事實：過去四十年來，虛擬篩選雖然被廣泛使用，卻很少真正催生出實際藥物。Garegin Papoian直言不諱地指出這一點——虛擬篩選的歷史很長，但實質產出始終卡在準確率的瓶頸上。Deep Origin的論述是：AI很會找模式，物理模型很會守底線，把兩者綁在一起，才能讓虛擬篩選從「算好看的數字」變成「進實驗室的候選分子」。
至今影響與未來展望
Deep Origin的案例告訴我們一件事：AI在藥物發現上的真正價值，不在於它多會「猜」，而在於它多會「理解」。純粹靠資料硬學的模型，永遠會在邊界案例上露出馬腳——而藥物開發的關鍵，恰恰就在那些沒人走過的邊界上。
話說回來，31%的命中率在早期藥物發現階段確實是相當漂亮的數字，但從命中到臨床，還有漫漫長路。化合物的細胞活性、動物實驗的藥代動力學特性、人體試驗的安全性與療效——每一關都是新的考驗。Deep Origin的技術能不能在這些後續階段同樣展現優勢，才是真正的考驗。
編輯觀點：從產業面來看，Deep Origin的突破不在於「AI打敗物理」或「物理打敗AI」，而在於他們終於讓這兩個領域停止吵架、開始合作。過去五年，我們看到太多AI藥物公司拿著漂亮的in silico數據募資，結果進了實驗室就原形畢露。Deep Origin刻意用最嚴格的測試條件逼自己交出成績單，這個態度值得肯定。不過，投資人接下來會問的是：這套平台的泛化能力能不能從四個靶點擴大到四百個？而這，需要時間來證明。
如果你也在關注AI如何真正改變製藥產業的遊戲規則，接下來的觀察重點不是「命中率又提高了多少百分比」，而是這些AI生成的分子到了人體試驗階段還能剩多少。Deep Origin開了一條新路，但這條路能走多遠，我們繼續看下去。
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藥物發現平台和傳統方法最大的不同是什麼？
最大差異在於它結合了AI與物理模擬。傳統純AI模型在面對全新化合物時準確率會大幅下滑，而Deep Origin讓AI負責提出分子構型，再用基於物理第一性原理的模型進行驗證與最佳化，確保預測結果在真實世界中仍有參考價值。
30.6%的命中率在藥物發現領域算高嗎？
算相當高。Deep Origin宣稱這個數字約為純機器學習方法的100倍，而且他們的測試條件採用嚴格的雙重相似度過濾，排除與已知數據相似的蛋白質和配體，因此這個命中率更接近「從零開始面對新靶點」的真實情境。
Deep Origin的技術什麼時候能真正產出新藥？
目前仍在早期藥物發現階段。從命中分子到進入人體臨床試驗，還需要經過細胞實驗、動物實驗等層層驗證，通常需要數年時間。建議密切關注後續的濕實驗與臨床前數據公布。
什麼是骨架新穎性？為什麼它很重要？
骨架新穎性指的是分子的核心化學結構是否與已知藥物不同。Deep Origin找到的分子與已知結合物相似度僅0.22至0.27，代表它們是真正全新的結構。這在專利佈局和突破性療效上具有重要戰略意義。
※ 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。
