Doudna一句「祝你好運」，刺破AI製藥的漂亮曲線

人工智慧在藥物研發中的聲量愈來愈大，彷彿只要模型足夠龐大，疾病就會在螢幕上鬆動。Modern Ghana題為「‘Good luck.’ Jennifer Doudna on AI Drug Discovery Promises」的報導摘要顯示，CRISPR共同開發者、諾貝爾化學獎得主Jennifer Doudna對AI製藥承諾採取明顯保留態度；她那句簡短的「祝你好運」，之所以刺耳，正因它來自一位深知分子生物學如何抵抗簡化敘事的科學家。

AI製藥的具體用途並不空泛。模型可以從蛋白質結構、基因體資料、化合物資料庫與實驗結果中學習，提出可能與標靶結合的小分子、抗體或蛋白質設計，也能協助排序候選藥物、預測毒性線索，或替實驗室縮小篩選範圍。這些能力已經讓早期探索變得更快，尤其是在靶點已知、結構資料充足、可用濕實驗迅速驗證的情境。

但Doudna的提醒指向另一個層次：藥物不是一張漂亮的分子圖，也不是一次高分的模型預測。候選分子必須在真實細胞、動物模型與人體中證明它能抵達正確位置、產生足夠作用、避開不可接受的毒性，並且能被穩定製造。疾病生物學本身也常比資料集更凌亂，同一個標靶在不同病人、不同組織與不同病程中，可能呈現截然不同的效果。

目前這則來源提供的公開資訊相當有限，未見可相互印證的同事件報導，也沒有清楚交代Doudna發言的完整場合、上下文或她針對哪些公司與技術作出評論。因此，較審慎的讀法不是把這句話解讀為否定AI，而是看成對產業話術的校正：AI可以加速提出假說，卻不能替代生物驗證，更不能把臨床風險提前抹平。

**背景脈絡**

近來AI生物科技公司常以「設計即發現」描述平台能力，從抗體、蛋白質到小分子皆然。有些系統已在濕實驗中展現命中率，證明模型不再只是文獻整理工具；然而命中只是第一道門檻。親和力、選擇性、免疫原性、藥物動力學、可製造性與臨床終點，仍會逐步淘汰多數看似聰明的設計。

監管問題也會把AI製藥拉回現實。主管機關真正需要的是可追溯的資料、可重現的實驗、清楚的風險管理，以及能解釋為何某個候選物值得進入人體試驗的證據鏈。AI若能把早期搜尋變得更有方向，將是重要進展；但若被包裝成跳過生物學不確定性的捷徑，Doudna那句冷靜的「祝你好運」，恐怕正是最簡潔的評語。