How AI helps scientists design the next generation of medicines（AI 如何幫助科學家設計下一代藥物）

來源： MIT Technology Review Insights（與 AstraZeneca 合作） 原文日期： 2026-07-23

中文摘要

本文探討 AI 如何重塑生物製藥的研發流程。AstraZeneca 的 Puja Sapra 說明其採用「build-measure-learn」循環：AI 計算生成候選分子，科學家只對排名最高的分子進行實驗室測試，大幅縮短迭代周期。McKinsey 估計生成式 AI 可將藥物發現時間縮短多達 50%。AstraZeneca 正在劍橋 Kendall Square 建設「未來實驗室」，整合 AI、機器人自動化和數據管道形成封閉式發現系統。終極目標是「de novo design」——AI 從零開始生成全新的蛋白質序列。

關鍵洞察

AI 正在將藥物發現從「高通量篩選」轉向「智能生成+精準驗證」

數據是關鍵護城河（data moad）——AstraZeneca 擁有專有的多模態數據集

最難的問題是安全性預測（safety prediction）——正在用虛擬臨床試驗（advanced cell systems + organ models）解決

未來的方向是 agentic AI 系統，能同時生成分子候選並預測其功效和安全性

人類科學家仍處於核心位置：提供監督、判斷和戰略方向

原文關鍵句（英文保留）

> "Drugging the undruggable is becoming a reality. These technologies will eventually enable us to develop medicines against targets once thought impossible to reach."

> "Engineers are designing systems that generate, validate, and learn at speed... The problems are genuinely hard: multimodal data fusion, closed-loop optimization, uncertainty quantification, and interpretability at the point of clinical decision-making."

對 CJ 哥的價值

(1) AI 在垂直產業（製藥）的具體應用案例——可作為顧問報告中產業 AI 轉型的實證；(2) 人才策略面向：AstraZeneca 的團隊構成（數據科學家、自動化專家、AI 工程師）可作為企業 AI 人才建構的參考；(3) 「build-measure-learn」循環對任何產業的 AI 轉型都有普遍參考價值；(4) 安全性預測（在真實世界測試前先用虛擬環境驗證）的概念可推廣到其他高風險 AI 應用場景。