AI 藥物篩選能回答什麼：從候選排序到可驗證的化學假說

藥物發現不缺候選分子，缺的是可被實驗承受的優先順序。AI 與結構導向篩選能把蛋白結構、既有活性、分子描述子及物理模擬組成排序流程；MCE 的 AI-driven Drug Screening 也把分子對接、深度學習、分子動力學與後續合成串接在同一服務框架。排名仍只是模型對輸入資料的條件式判斷。它不等同於真實活性，更不能直接回答選擇性、細胞可及性或可開發性。

排名之前，先檢查推論鏈

結構基礎流程從受體準備就開始累積假設。質子化狀態、缺失殘基、金屬離子、輔因子、口袋含水量及蛋白構型都可能重排 docking 結果。資料庫中的結構不是天然的唯一答案；研究者需要說明它代表哪一種生物狀態，以及替代構型是否也應納入。

機器學習模型會從已知配體與活性資料學習規則。PDBbind、ChEMBL、RCSB PDB 等資料庫提供大量資訊，也混合了不同 assay、單位、化學系列與資料品質。偏差會被學進模型。若獨立測試資料與待篩選化學空間相距太遠，漂亮的內部指標仍可能對專案沒有預測力。

分子動力學能檢查候選姿勢在特定力場、溶劑與時間尺度下是否維持，但「穩定」不是親和力的同義詞。更不是細胞效力。模擬可排除部分不合理構型，也可能因初始條件與採樣不足漏掉真正可行的狀態，這項限制應和結果一起交付。

運算結果必須接到實驗。生化 assay、細胞 assay、反篩選與可合成性評估決定候選清單能否轉成知識；陽性和陰性資料都應回饋下一輪模型。沒有預先保留驗證容量時，數百個高分分子只會把瓶頸從計算端移到實驗端。

原廠規格

模型分數不等於實驗活性

一個分子排在前 1%，只表示它在特定資料、特徵與評分函數下得到較高順位。模型可能忽略蛋白構形變化、溶解度、聚集、細胞膜通透性或 assay interference；不同工具的分數也未必能直接比較。排名適合縮小候選範圍，不是活性的替代測量。

驗證可從生化 assay 開始，加入陽性、陰性、無酵素與干擾控制，再以正交方法確認結合或功能。進入細胞前應檢查溶解度、cytotoxicity 與非特異效應。模型輸出若不能被一組明確實驗推翻，就還不是可檢驗的化學假說。

哪些問題適合導入 AI 與虛擬篩選

已知三維結構的標的

當結合口袋與關鍵殘基具有合理證據時，可用結構導向篩選探索不同化學骨架。應保留已知活性與誘餌分子作為方法校準，並檢查排名是否能回收已知配體。

已有活性系列的先導優化

模型可協助整理構效關係、預測取代基方向並優先合成資訊增益較高的分子。此階段不宜只追求預測活性，也要同時考慮選擇性、溶解度、代謝與合成路徑。

超大型分子庫的優先排序

當實驗無法直接覆蓋整個分子庫時，分層式篩選可先用快速模型縮小範圍，再用高成本方法重新評分。每一層都應保留化學多樣性，避免最終只得到高度相似的候選。

缺乏直接命中的早期探索

配體資料稀少時，可整合蛋白結構、同源資訊與物理模擬建立初始假說，但不確定性會較高。此時少量且設計良好的實驗結果，比單純擴大計算規模更能改善下一輪決策。

提高結果可解釋性的實務檢核

1. 先定義決策問題：說明要找新骨架、提高親和力、改善選擇性或降低特定風險；不同目標需要不同評分與驗證。
2. 審核輸入資料：確認結構版本、活性單位、測量方法、立體化學、鹽型與重複資料處理，避免模型學到資料清理錯誤。
3. 建立可比較基準：使用已知活性、陰性與簡單基線方法，報告回收率、排序表現及適用範圍，而不只展示單一模型分數。
4. 預留實驗驗證容量：在專案初期就決定可測試的化合物數、濃度範圍、正交 assay 與反篩選，讓運算輸出符合實際吞吐量。
5. 保存計算與實驗版本：記錄資料集、操作者、軟體與模型版本、random seed、硬體環境、assay 儀器設定、化合物批號及原始 QC。
6. 管理資料與智慧財產：釐清上傳資料、模型輸出、中間結構、合成化合物及報告的保存、保密、使用權和交付格式。

判斷專案是否準備好進入 AI 篩選

標的與生物終點若仍模糊，模型不會讓問題自動變清楚。比較多個蛋白構型或結合假說，通常比輸出一份過度精確的單一路徑排名更誠實。專案啟動前也要盤點陽性、陰性、結構與 assay 資料，確認單位和量測條件能否直接比較。

成功標準應寫成可測量條件，例如前段候選的實驗命中率、骨架多樣性、選擇性門檻或可合成比例。模型分數不是研究終點。只有當排序改善資源配置，或增加可被正交 assay 驗證的命中，它才產生實際價值。

陰性結果也要留下。它們可能暴露結構假設、適用域或 assay 的盲點，並決定下一輪該換資料、換模型或換實驗。灃德可依標的、分子庫、既有資料、驗證能力與交付需求協助整理專案詢問內容。