AI 把藥物設計的第一個問題往前推：蛋白質該打哪裡

在藥物發現裡，最早也最容易被低估的問題，往往不是分子要怎麼設計，而是蛋白質身上究竟哪一段值得被碰觸。若選到的位置在細胞膜內側、被醣基化或其他修飾遮蔽，或雖有漂亮口袋卻在生物環境中不可達，後續再精巧的抗體、胜肽或小分子設計，都可能建立在錯誤起點上。

一篇 6 月 1 日登上 arXiv 的預印本提出 Site4Drug，一種用於預測藥物可結合蛋白質區域的 AI agent。研究團隊把它定位為「具模態意識」的選址系統：它不只列出候選靶點，還會排序蛋白質上的可介入區域，附上限制條件、證據摘要、風險標記與可追溯的決策紀錄。

這個設定瞄準的是 AI 藥物發現流程中相當上游的一步。許多生成式模型可以提出抗體、胜肽或小分子候選物，但若使用者一開始就必須指定藥物形式，系統可能太早鎖定錯誤策略。Site4Drug 的設計則試圖從同一組生物物理與序列證據出發，判斷某個區域較適合抗體或胜肽類結合，還是較可能支援小分子口袋。

根據摘要，Site4Drug 納入的線索包括蛋白質拓樸、疏水性、轉譯後修飾傾向、雙硫鍵、結構域脈絡與胺基酸序列。這些資訊對膜蛋白尤其重要，因為膜蛋白常同時面臨細胞內外方向、膜穿越區、醣基化與表面暴露程度等限制；一個在結構模型上看似合理的位置，未必真能被藥物接近。

它的另一個重點是「可稽核」。在實驗與藥物開發環境裡，研究者不只需要一個排名結果，也需要知道模型為何排除某些區域、為何偏向某種藥物模態，以及哪些判斷依賴推測而非直接證據。若這類紀錄能穩定產出，將有助於人類專家檢查 AI 建議，而不是只能接受一個難以追問的分數。

不過，這篇論文目前是 arXiv 預印本，並註明已被 ICML 2026「生成式與代理式 AI for Biology」工作坊接受；公開摘要沒有提供臨床案例、濕實驗驗證或大規模前瞻性測試結果。因此，現階段較適合把 Site4Drug 視為一種方法框架：它提出如何把選靶點的多種證據放進同一個可檢查流程，而不是證明它已能可靠提升候選藥物成功率。

真正的考驗會在後面。若要進入藥物研發實務，這類系統必須在已知靶點、失敗案例與不同蛋白家族中反覆比較，確認它能避開生物上不可達或開發風險過高的位置；若被用於影響重大投資或臨床前決策，也需要更清楚的版本控管、資料來源紀錄與責任邊界。AI 可以讓早期判斷更有條理，但在藥物發現裡，條理仍必須接受實驗的檢驗。