深度文獻研究 · Literature Review

用 AI 加速藥物開發:
從新藥設計到臨床上路的證據與缺口

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。

資料來源:PubMed(NCBI) 收錄文獻:18 篇(2022–2026) 研究年份:2026
01 · 問題

為什麼是現在?

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。

成本

新藥開發均價可達 約 25 億美元,是推動 AI 節流的主要動因。

時程

從分子設計到臨上路,常需 10–15 年,_patent_ 到期壓力推快節奏。

成材率

超過 九成 候選藥在臨床階段折戟,異質性與抗藥性是主兇。

AI 的角色

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。


02 · 六大面向

AI 落在藥物開發的哪個環節

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。

★ 最成熟 · 強證據

新藥物設計

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。

PMID 42929580 · 42511472 · 42734505
★ 最成熟 · 強證據

抗體與蛋白質工程

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。

PMID 42623408 · 42453397
強證據 · 已見轉換

藥物重定位

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。

PMID 42901891 · 42873192 · 42734502
中–強證據 · 監管關切

毒性與 ADMET 預測

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。

PMID 42832660 · 41763192
中證據

靶點發現與生物標記

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。

PMID 40285358 · 42712955 · 42086809
中等證據

藥物遞送與製劑

奈米醫學、微流控整合 AI,优化递送載體與處方設計。

PMID 42934944 · 42796160 · 42769491

03 · 證據地圖

各面向的證據強度總覽

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

04 · 分歧與爭議

能算出來,但未必做得到

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:

幻覺與不合理分子— AI 模型常輸出化學上講不通的結構,需要後處理濾網。
訓練數據偏誤— 多依賴永生化細胞株,無法真實反映病人腫瘤的異質性。
分佈外掉血— 模型在訓練分佈之外表現驟降,泛化能力存疑。
閉環驗證稀缺— 真正經「體外 → 病人來源移植模型 → 前瞻臨床」驗證者仍少數。
臨床上批准的 AI 藥尚未出現— 無論是合成藥還是植源藥,完全 AI 驅動批准案例仍空白。

05 · 前沿

從「數據驅動」走向「自治式 AI」

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。

PMID 42905768 · Briefings in Bioinformatics, 2026

06 · 缺口

下一步該往哪走

  • 建立實驗閉環以病人來源模型與前瞻臨床驗證,取代純粹基準 benchmark。
  • 改善數據偏差與再現性導入多樣化腫瘤代表性與跨機構資料。
  • 填補可解釋性與監管空門為自治式 AI 倫理、治理、合規建立框架。
  • 多組學整合轉錄組、知識圖、基礎模型成為新興設計語彙。

附錄

完整引用清單

  1. Latent Style-Based Quantum Wasserstein GAN for Drug Design. J Chem Inf Model, 2026. PMID 42929580
  2. Machine Learning in Amyloidogenic Polypeptide Research: From Sequence Prediction to Drug Discovery. ACS Omega, 2026. PMID 42923435
  3. Can autonomous Agentic-AI systems accelerate drug discovery and development in the next decade? Brief Bioinform, 2026. PMID 42905768
  4. Artificial intelligence-enabled deep clinical phenotyping in heart disease. PMID 42903401
  5. Learning chemical-induced gene expression perturbations with WAVE. PMID 42901891
  6. Identification of YES1 Inhibitors From Approved Drugs Using a Multivariate. PMID 42873192
  7. Causality-integrated graph learning for multi-endpoint toxicity prediction. PMID 42832660
  8. Targeting BCL-2 through Deep Learning-Based Drug Repurposing. PMID 42734502
  9. Multi-objective-conditioned-return-blocks decision transformer for de novo drug design. Bioinformatics, 2026. PMID 42734505
  10. AET5: A transcriptome-guided molecular generation framework. PLoS Comput Biol, 2026. PMID 42721204
  11. Graph neural networks for multi-scale gene-drug interaction modeling in cancer. Front Oncol, 2026. PMID 42712955
  12. Closing the Translational Gap: Closed-Loop AI Discovery Frameworks for Cancer Therapeutics. Cancer Med, 2026. PMID 42623408
  13. Multi-Property De Novo Drug Design Using Deep Learning Knowledge Distillation & Reinforcement Learning. IJMS, 2026. PMID 42511472
  14. Integrating Artificial Intelligence Into Drug Discovery From Medicinal Plants. Chem Biol Drug Design, 2026. PMID 42535626
  15. Artificial intelligence in biologic drug discovery: A review of methodological evolution. Acta Pharm Sin B, 2026. PMID 42453397
  16. AI-driven drug discovery using transformer-based molecular representation. PMID 42227560
  17. A Scalable Sign-Aware Multi-Omics Knowledge Graph Foundation Model. PMID 42182201
  18. Deep learning in GPCR drug discovery: benchmarking the path to accuracy. 2023. PMID 40285358
  19. A review on machine learning approaches and trends in drug discovery. 2022. PMID 41763192
1 / 8
← → 翻頁(預設) · F 全螢幕放映