---
title: "藥物發現（Drug Discovery）"
slug: drug-discovery
language: zh-TW
source: https://aiterms.tw/terms/drug-discovery
updated_at: 2026-06-23
tags: [AI應用, 深度學習, 機器學習]
ipas_term: false
---

# 藥物發現（Drug Discovery）

藥物發現是指使用 AI 和機器學習從海量化學分子中識別和優化具有治療潛力的藥物候選物。AI 可以加速分子篩選、性質預測和優化過程，將藥物開發週期從十年縮短為數年。

## 完整說明

藥物發現傳統上是一個耗時且高風險的過程。製藥公司需要篩選數百萬種化合物才能找到一個有潛力的候選藥物，然後進行 10-15 年的臨床試驗。AI 和機器學習在這個過程中發揮了革命性的作用，能夠快速從化學空間中識別有前景的分子，預測分子的藥代動力學和毒理學性質，優化分子結構以改善有效性和安全性。這加速了藥物發現過程，使許多曾被認為難以治療的疾病成為可能。

## 常見問題

### 虛擬篩選的準確性如何？

虛擬篩選的準確性取決於多個因素。分子對接算法通常能以 0.5-2 Å 的均方根偏差預測分子在靶點中的位置（這對於大多數應用已足夠），但預測結合親和力（即分子與靶點的結合強度）的準確性較低。機器學習模型如果在相同靶點或相似靶點的大量實驗數據上訓練，準確性通常更高（相關係數 0.7-0.9）。然而，在完全新穎的靶點或不同的化學空間上，準確性可能顯著降低。因此，虛擬篩選的結果必須通過實驗驗證。

### 生成模型在藥物設計中如何應用？

生成模型如 VAE 和 GAN 可以學習分子的潛在空間表示，然後生成新的、未曾出現過的分子。應用方式有：首先，無條件生成：訓練模型生成一般具有藥物性質的分子；其次，條件生成：訓練模型生成具有特定性質（如高結合親和力、低毒性）的分子；第三，分子優化：從已知的有活性分子開始，在潛在空間中導航，生成相似但性質更優的分子。生成模型的優勢是能夠探索化學空間的新區域，發現傳統方法可能忽略的有潛力的分子。

### 如何評估 AI 藥物發現系統的成功？

評估 AI 藥物發現系統的成功涉及多個指標。首先是篩選效率：相比傳統方法，AI 是否減少了需要測試的分子數量和時間？其次是預測準確性：AI 預測的性質與實驗測量的性質的相關性如何？第三是臨床價值：AI 發現的候選物最終是否進入臨床試驗，是否成為上市藥物？最後是成本效益：總開發成本和時間相比傳統流程是否降低了？企業通常追蹤從靶點識別到臨床候選物的時間和成本，以及 AI 對這些指標的影響。

---

來源：https://aiterms.tw/terms/drug-discovery
快查頁：https://aiterms.tw/terms/drug-discovery
最後更新：2026/06/23
深度解說：https://aiterms.tw/learning/what-is-drug-discovery