東亞ST自建AI尋藥平台，韓國藥廠把演算法拉進研發核心

藥物研發最昂貴的失敗，常常不是發生在臨床後期，而是更早以前：靶點選錯、分子性質不佳，或候選物走到動物與人體試驗才暴露不可彌補的缺陷。韓國製藥公司Dong-A ST傳出將建置AI藥物探索平台，並以今年推出第一版為目標，正反映藥廠對這段早期風險的重新盤算。

根據《首爾經濟日報》報導，Dong-A ST正推動內部AI尋藥平台開發，目標是在今年先完成初版。由於目前公開資訊有限，外界尚無法確認平台涵蓋的疾病領域、演算法架構、訓練資料來源，或是否已與特定管線相連；因此，這則消息更像是一個研發基礎建設的起點，而非一項可立即評估成敗的新藥成果。

所謂AI藥物探索，實際上並不是單一技術。它可能用於分析疾病靶點、預測蛋白質與小分子的結合、篩選化合物庫、優化藥物動力學特徵，或提早排除具毒性風險的結構。對藥廠而言，真正有價值的不是漂亮的模型展示，而是能否在既有實驗流程中減少無效嘗試，讓化學、生物與臨床團隊更快做出取捨。

這也是Dong-A ST自建平台較具訊號意義的地方。近年許多製藥公司選擇與AI新創合作，把部分靶點發現或分子設計外包給專門平台；但若藥廠投入內部系統，表示它可能希望把專有資料、管線經驗與決策邏輯沉澱在公司內，而不只是購買一次性的模型服務。這種做法成本較高，卻可能在長期形成更貼近自身研發策略的工具。

不過，AI在尋藥中的限制也很清楚。模型能從資料中學到規律，卻同樣會受到資料偏差、實驗品質與生物系統複雜性的制約。即使電腦預測出高分候選物，仍須經過濕實驗、動物研究與臨床試驗驗證；若沒有公開的回溯測試、實驗命中率或管線推進案例，平台本身很難被視為已被證明的研發能力。

對韓國生技產業而言，這則消息也放在更寬的醫療AI與製藥AI升溫背景下。AI已從影像判讀、報告生成逐步走向藥物研發前端，但兩者面對的驗證問題並不相同：醫療器材AI需要處理臨床安全與醫師責任，尋藥AI則要證明它能在漫長研發鏈中創造可重複、可轉化的效率。

因此，Dong-A ST今年若如期推出第一版平台，關鍵不會只是「平台上線」本身，而是它是否能被接入具體研發專案，並在靶點選擇、化合物優化或候選藥提名上留下可衡量的紀錄。AI尋藥的敘事已經很多，下一階段真正稀缺的，仍是能經得起實驗與時間檢驗的證據。