生技產業 · global
AI製藥投資翻倍,大藥廠要求把承諾換成驗證
從一萬種化合物的分析經驗,到上億筆病歷的疾病篩選,藥廠主管勾勒出AI的實際位置:它能加快研究,卻還不能替代人體療效與安全性的證明。
設計出一個看似有希望的分子,與讓它成為病人能使用的藥,之間仍隔著漫長的驗證。當AI藥物發現吸引的資金快速增加,多家大型藥廠主管最近公開提醒:運算速度可以改變研究節奏,人體生物學的複雜性,卻不會因此消失。
Chosunbiz於11月10日刊出的報導,以及Mint於11月4日轉載的《華爾街日報》報導,都呈現了這種投資熱度與研發現實之間的落差。兩者引述麥肯錫數據指出,2025年全球創投與私募股權投入AI藥物發現的金額達84億美元,較兩年前約40億美元增加逾一倍。資金加速流入,也讓業界更迫切追問:更快產生候選藥物,能否換來更多成功的療法?
Vertex執行董事長Jeff Leiden提出了一個具體例子。據《華爾街日報》報導,約50家AI公司曾分析Vertex包含一萬種化合物的資料集,但依他的說法,沒有一家因此產生真正可用的藥物。不過,報導未交代各公司的任務、評估時間與成功標準;這段企業經驗不能直接當作整個領域的失敗率,卻揭示了資料分析與藥物開發成果之間的距離。
這道距離也包括安全性。候選分子除了作用於預定標的,還可能影響其他蛋白質或生理路徑,產生難以預料的副作用。AstraZeneca執行長Pascal Soriot與Regeneron科學長George Yancopoulos的共同提醒是:疾病機制仍有許多未知,不能僅憑模型進步,就推論癌症將被治癒,或研發年限會大幅縮短。這些說法反映的是研發主管的判斷,並非比較AI與傳統方法的新臨床研究。
較清楚的用途,出現在縮小研究範圍與協助決策。《華爾街日報》報導,Bayer團隊利用AI在數日內分析一億筆病患紀錄,依遺傳標記與病史,為其基因編輯技術選出五項優先研究的疾病。這項工作展示了整理大量資料的效率;但疾病排序本身尚未證明技術能安全送達目標組織,也未證明病人會獲得治療效益。
背景脈絡
AI製藥的評估問題,正從模型能否挑出分子,延伸到它是否改善整條研發流程。辨識可能的標的、調整候選分子、協助尋找合適受試者,都有實際用途;但每一項用途需要的證據不同。模型預測表現良好,不能直接視為臨床成功率提高,單一公司的經驗也不足以替所有平台下結論。
因此,這波藥廠主管的表態,為持續升溫的投資提出了更具體的驗收要求:研究團隊能否在可比較的條件下,證明AI減少無效實驗、改善候選藥物品質,並讓這些優勢延續到人體試驗?目前報導提供了企業經驗與應用案例,尚缺乏一致的對照資料。從研究助手走向可靠的製藥能力,關鍵仍是可重複、可檢驗的成果。