從3,000萬張神經元影像到新藥起點：Recursion與Genentech推進首個AI標靶

神經科學藥物最常卡住的地方，往往不是找不到候選分子，而是疾病生物學是否一開始就選對了。Recursion與Genentech如今把一個由大規模神經元資料及AI模型找出的新標靶，推進至共同的小分子早期探索計畫，為這套「先繪製生物學地圖、再提出假說」的方法帶來首個神經科學研發項目。

這張神經元表型地圖建立在大規模細胞製造與全基因體實驗之上。合作團隊以人類誘導性多能幹細胞製造逾一兆個神經元，針對超過17,000個基因進行敲除等擾動，並取得逾3,000萬張細胞影像。專門訓練的基礎模型再比較不同基因擾動造成的高維度表型，尋找與已知神經疾病驅動因素具有生物學關聯、卻尚未被充分探索的基因。

模型排名只是起點。Recursion表示，團隊先檢驗候選標靶是否確實影響預測中的生物路徑，再觀察操控標靶能否改變人類神經元的健康狀態、代謝與電生理功能，最後測試它是否足以改變疾病相關表型。首個標靶通過這三層驗證後，Genentech行使「已驗證標靶」選擇權，將其納入共同研發。

下一步是小分子命中物的產生與驗證。雙方將嘗試設計能調節該標靶的化合物，再逐步優化效力、選擇性與成藥性。這意味計畫已越過單純的計算預測，但距離候選藥物、動物概念驗證乃至人體試驗仍有多個關卡；神經系統藥物還必須處理腦部暴露、長期安全性與臨床終點等難題。

這項進展也反映AI藥物研發評估標準的轉變：資料規模本身並不足以證明價值，關鍵在於模型提出的關係能否經獨立、分層的實驗重現，並最終轉化為可被藥物調控的機制。可重複使用的表型地圖或許能一次產生多個研究假說，但每個標靶仍須接受傳統藥理學與疾病模型的逐項檢驗。

目前最大的資訊缺口，是雙方尚未揭露標靶名稱、具體疾病、實驗效應量或驗證模型，也沒有公開化合物資料。現有說法主要來自Recursion，缺乏同一事件的外部研究報告或同儕審查資料佐證。因此，這是一項具有方法學意義的早期研發里程碑，尚不能視為AI已改善神經疾病藥物的臨床成功率。