一句話總結：新創 Deep Origin 結合 AI 與物理模擬，在癌症免疫相關酵素 CD73 上測得 30.6% 的命中率，宣稱是純機器學習方法的 100 倍，且找到的化學結構前所未見。
核心要點
- 混合架構是關鍵：Deep Origin 的平台由 DODock（分子對接引擎）與 DOScore（親和力估算）組成。AI 負責提出候選構型，物理模型負責後端驗證，用「第一性原理」補足數據不足的短板。
- 嚴格測試才有說服力：團隊刻意排除序列相似度 30% 以上的蛋白質，以及 Tanimoto 相似度超過 0.4 的已知配體。這種「零洩漏」設定，比業界多數基準測試更能反映真實世界的陌生靶點情境。
- 四個靶點、全新骨架：針對 CD73、IRAK4、Factor XIa 與 IL-17A 進行的濕實驗驗證，命中分子的 ECFP4 相似度僅 0.22 至 0.27，代表找到的是「全新化學實體」，而非老藥修修臉。
- CD73 命中率 30.6%：這個與癌症生長抑制相關的酵素，向來是免疫治療的熱門靶點。Deep Origin 宣稱其表現約為一般 AI 方法的 100 倍——差距來自物理模擬提供的泛化能力。
- 虛擬篩選 40 年的痛點：共同創辦人 Garegin Papoian 點出殘酷現實——虛擬篩選很少真正產出藥物。Deep Origin 的企圖，正是用物理+機器學習突破這道 40 年來沒人跨過的高牆。
- 8200 萬美元押注未來：這家 2022 年成立於舊金山的新創，已經用這筆資金證明一件事：在 AI 製藥的賽道上，純粹的數據驅動可能已經走到瓶頸，下一步是物理與 AI 的深度融合。
AI 做藥的盲腸，物理模擬來救
AI 藥物發現這幾年很熱，但有一個沒人敢大聲說的痛點：面對全新化合物，模型準確率常常直接崩盤。為什麼？因為機器學習本質上是「從已知推未知」——訓練資料裡沒見過的分子，模型就只能瞎猜。Deep Origin 的做法很聰明，他們不跟這個先天限制硬槓，而是把物理模擬拉進來當靠山。DODock 先用擴散模型生出一堆候選姿勢，再用基於 Vina 能量函數的物理搜尋去跑最佳化。白話文就是：AI 負責「天馬行空」，物理負責「腳踏實地」。這個組合拳，讓系統在完全沒有晶體結構參考的情況下，照樣能對新靶點進行虛擬篩選。
30.6% 命中率背後的殘酷測試
很多公司公布的命中率數據，老實說看看就好。為什麼？因為測試條件太「友善」——用的蛋白質和配體跟訓練資料長得很像，分數自然漂亮。Deep Origin 這次玩真的。他們用雙重相似度過濾：蛋白質序列相似度超過 30% 的直接剔除，配體 Tanimoto 相似度超過 0.4 的也不要。這等於逼模型去面對它「這輩子沒見過」的陌生靶點。在這種條件下針對 CD73 測出 30.6% 的命中率，確實值得多看一眼。執行長 Michael Antonov 說得直接：「真正重要的，是模型在『沒有人已經解決』的靶點上表現如何。」這句話打到 AI 製藥的核心問題——實驗室裡的漂亮數字，進了人體常常是另外一回事。
全新骨架才是真本事
命中率漂亮是一回事，找到的分子有沒有商業價值又是另一回事。很多 AI 篩出來的「候選藥物」，說穿了只是既有藥物的微小變體——專利繞不過、效果差不多、天花板很明顯。Deep Origin 公布的數據顯示，他們找到的命中分子，與已知結合物的 ECFP4 Tanimoto 相似度僅 0.22 到 0.27。這個數字代表什麼？代表這些分子的化學骨架幾乎是全新的，不是老藥改個官能基就交差。對藥廠來說，這才是真正有意義的突破——新的化學空間，意味著新的專利、新的機制、新的機會。
40 年的魔咒，這次不一樣？
首席科學長 Garegin Papoian 講了一句大實話：「虛擬篩選已經用了超過 40 年，卻很少真正催生出實際藥物。」這句話值得所有對 AI 製藥過度樂觀的人冷靜一下。過去幾十年，學界業界用過的計算方法不計其數，真正走到臨床的屈指可數。Deep Origin 的差異化在於，他們不迷信 AI 萬能，也不死守物理計算的傳統框架，而是找到兩者的互補點。這個思路其實不新，但能做到的人很少——因為物理模擬很貴、很慢、很難 scale。Deep Origin 能同時營運 DODock 與 DOScore 兩套引擎，還能在超過 800 億個化合物的規模上做濕實驗驗證，代表他們已經解決了基礎建設的問題。
編輯觀點：Deep Origin 的 30.6% 命中率確實亮眼，但我更關注的是他們對「測試條件」的誠實。多數 AI 製藥公司喜歡用寬鬆的基準來美化數據，Deep Origin 反而刻意提高難度——這種態度在目前浮躁的市場裡少見。不過話說回來，從 hit 到 lead 再到臨床，還有漫漫長路。CD73、IRAK4 這些靶點都不是新人，過去不是沒人試過，而是卡在毒性、藥動或抗藥性。物理模擬能解決 binding 的問題，但解決不了人體複雜系統的干擾。這項技術讓早期篩選更可靠，值得肯定；但要說「突破」，還得等真正的候選藥物進入臨床一期再說。
對一般人來說，這代表什麼？
如果你不是製藥業的從業人員，可能會想：「所以呢？跟我有什麼關係？」其實關係很大。癌症免疫治療的藥物開發，過去就像在黑暗中摸石頭過河——成本高、時間長、失敗率超高。這也是為什麼新藥那麼貴的原因之一。如果 AI+物理模擬真的能把早期篩選的準確率提高 100 倍，代表藥廠可以省下大量無效探索的成本。長期來看，這可能壓縮藥品研發的時間與費用，最終反映在藥價上。當然，這是理想狀況。現實是，從實驗室到藥房，中間還有臨床試驗、法規審查、量產等重重關卡。但至少，Deep Origin 讓我們看到一個具體的進展，而不是又一個空洞的 AI 口號。
下一步，看濕實驗怎麼說
Deep Origin 已經公布濕實驗驗證結果，這是好事。但現階段的數據仍以 binding affinity 和結構新穎性為主，距離真正的「候選藥物提名」還有一段路。接下來業界會緊盯幾個指標：這些全新骨架在動物模型裡的毒性表現如何？藥動性質能不能過關？有沒有 off-target 效應？這些問題，物理模擬給不了答案，還是得靠傳統的實驗室工作。但至少，Deep Origin 已經把起跑線往前推了一大步。對投資人來說，8200 萬美元的募資背後，代表有一群人相信這個方向；對病患來說，任何能加速藥物開發的技術都值得期待——前提是，它真的能走到終點。
你的看法呢？你認為 AI 加物理模擬會是製藥業的下一波革命，還是又一個被過度炒作的話題？歡迎在產業交流中繼續追蹤 Deep Origin 的後續數據——接下來的動物實驗結果，才是真正見真章的時刻。
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 藥物發現平台跟其他 AI 製藥公司有什麼不同？
最大差異在於混合架構。多數 AI 製藥公司純粹用深度學習從數據中找規律，Deep Origin 則在 AI 之後加入物理模擬（DODock 與 DOScore），用第一性原理驗證 AI 的預測，特別在面對全新化合物時能維持準確率。
30.6% 的命中率在產業裡算高嗎？
算非常高，尤其考慮到他們的測試條件。多數虛擬篩選在類似條件下的命中率通常在 0.3% 到 1% 之間，Deep Origin 宣稱的 100 倍提升並非沒有根據。但需要注意，這是早期篩選階段的數據，不代表最終藥物開發的成功率。
CD73 是什麼？為什麼它對癌症治療很重要？
CD73 是一種在腫瘤微環境中高度表現的酵素，它會把 AMP 分解成腺苷，而腺苷會抑制免疫細胞的攻擊能力。簡單說，CD73 是腫瘤用來「躲」過免疫系統的關鍵機制之一。抑制 CD73 被視為增強免疫檢查點抑制劑療效的潛在策略。
物理模擬為什麼能提升 AI 藥物發現的準確率？
因為物理模擬（如分子對接、自由能計算）基於量子力學與熱力學原理，不依賴訓練資料。AI 在熟悉的化學空間表現很好，但面對全新結構容易失準；物理模型雖然計算成本高，卻能提供可解釋的結合能估算，兩者互補能顯著提升泛化能力。
Deep Origin 的技術什麼時候能真正產出上市藥物？
從目前的 hit 篩選階段到真正上市，保守估計至少需要 5 到 10 年。這中間還必須通過最佳化、動物實驗、臨床一期到三期、法規審查等階段。Deep Origin 的技術讓早期階段更有效率，但藥物開發的後期風險依然存在，建議持續追蹤其候選藥物進入臨床的進度。
※ 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。
