以 PubMed/NCBI 為主、迭代式開放取用文獻回顧,橫跨新藥設計、藥物重定位、毒性預測、靶點發現、藥物遞送與自治式 AI 六大面向,檢視「AI 究竟能多快、多準地推進藥物開發」。所有主張均可回溯到具體 PMID。
一顆新藥從實驗室到病床,平均耗時 10–15 年、成本可達 25 億美元,且九成以上候選藥在臨床階段失敗。傳統「濕實驗室」流程昂貴、緩慢、成材率低。
新藥開發均價可達 約 25 億美元,是推動 AI 節流的主要動因。
從分子設計到臨上路,常需 10–15 年,_patent_ 到期壓力推快節奏。
超過 九成 候選藥在臨床階段折戟,異質性與抗藥性是主兇。
把藥物開發從「依賴偶然與手做實驗」轉為 數據驅動的工程紀律。
研究顯示,AI 已貫穿從靶點到遞送的完整鏈,但越接近臨床、越靠近真實生物系統,證據越弱、爭議越大。這是一道由「計算」通往「實驗閉環」的斜坡。
生成式模型(量子 GAN、決策變压器、知識蒸餡)可從頭造 molecule,在 DRD2、JNK3 等目標成功率達 98%+,兼顧多樣性。
cdrGPT 以 GPT-2 從 5 萬序列篩出 313 個高信心抗體,AlphaFold3 驗證 RMSD 僅 1.33 Å。
WAVE 由結構+細胞基線預測基因表達譜,在肺腺癌發現候選藥並推進舊藥新用。
因果整合式圖學習做多終點毒性預測,機器學習 ADMET 成 leads 優化的標準配備。
深度學習用於 GPCR 靶點評估、圖神經網絡做基因-藥尺度建模與抗藥性分析。
奈米醫學、微流控整合 AI,优化递送載體與處方設計。
| 子面向 | 證據強度 | 代表文獻 |
|---|---|---|
| 新藥物生成設計 | 強 | 42929580 · 42511472 |
| 抗體 / 蛋白質工程 | 強 | 42623408 · 42453397 |
| 藥物重定位 | 強 | 42901891 · 42873192 |
| 毒性 / ADMET | 中–強 | 42832660 · 41763192 |
| 靶點 / 生物標記 | 中 | 40285358 · 42712955 |
| 藥物遞送 | 中 | 42934944 · 42796160 |
| 臨床轉化 / 閉環 | 中–弱 | 42623408 · 42903401 |
計算 benchmarks 亮眼與臨床現實之間存在落差。以下是文獻反复指出的張力:
下一代 Agentic-AI 不止預測,還能自主推理、決策與自學習,貫穿供應鏈、製造、早期發現、流程開發與監管情報。
它能縮短開發時程、增強營運韌性,但也同時帶來四大必須先解決的挑戰:人才整合、倫理責任、治理架構、監管合規。這決定了自治式 AI 能否真正規模化落地。