在當前全球生物醫學研發的前沿圖景中，人工智慧 (Artificial Intelligence, AI) 已從早期的輔助工具，轉變為驅動藥物發現 (Drug Discovery) 範式轉型的核心引擎。在 BIO Asia-Taiwan 2026 人工智慧與醫學創新論壇中，來自國際計算化學領務企業、自動化實驗室專家與新創生技團隊共同探討了計算科學如何與濕實驗 (Wet Lab) 深度融合。正如國家衛生研究院 (NHRI) 院長司徒惠康 (Huey-Kang Sytwu) 博士在開幕致詞時指出：「AI 在數據分析、知識發現、健康預測和藥物治療方面具有巨大潛力。」
與會專家一致強調，AI 的核心使命並非盲目追求分子生成的數量，而是透過物理學模型與自動化數據反饋，實現精準且可重複的藥物設計優化。傳統藥物研發長期受制於乾濕實驗之間的斷層，計算團隊預測的分子結構往往因合成難度過高或理化性質不佳，在進入實驗室驗證時遭受高淘汰率。為突破此一瓶頸，現代智慧藥物開發平台正加速整合物理計算化學 (Physics-based Computational Chemistry)、生成式人工智慧以及高通量自動化實驗室。透過建立閉環數據反饋機制，研發團隊得以在分子設計的極早期即同時優化活性、選擇性與成藥性，顯著提升藥物開發的成功率與效率。
融合物理計算模型，精準預測分子態
在計算藥物設計領域，單純依賴統計學或數據驅動的機器學習模型常在面對全新蛋白靶點時遭遇外推能力不足的限制。身為計算化學專家的薛丁格 (Schrödinger) 治療學研發總裁及策略長 Karen Akinsanya 博士強調，將基礎物理學原理與人工智慧相結合是突破此限制的關鍵。她進一步指出：「物理學為 AI 模型提供必要的真實數據訓練集，能更準確地預測腦滲透性、溶解度及脫靶結合等藥物特性，進而克服了現有實驗數據有限的挑戰。」
透過導入基於物理學的分子動力學 (Molecular Dynamics, MD) 模擬與自由能微擾 (Free Energy Perturbation, FEP) 計算，研究人員能在原子尺度上極為精準地預測小分子配體與受體蛋白質之間的結合親和力 (Binding Affinity) 及構象變化。這種基於物理學的模型不依賴龐大的已知生物數據庫，而是根據量子力學與熱力學基本定律進行第一性原理 (First Principles) 計算。這使得團隊在面對全新無已知小分子配體的「難以成藥」(Undruggable) 靶點時，仍能做出高度可靠的活性預測。將 FEP 計算與 AI 生成演算法深度整合後，演算法能在數百萬個虛擬生成的分子中，快速篩選出具備最高結合熱力學穩定性的候選結構，將乾實驗的預測準確度提升至接近實驗測定的水準。
自動實驗數據反饋，加速化學結構優化
計算模型的預測能力再強，仍需透過真實的生物學與化學實驗進行最終驗證。晶泰科技 (XtalPi) 企業與業務發展副總裁暨策略執行長蔡政倢 (Kevin Tsai)，詳細介紹高通量自動化實驗室 (Automated Laboratories) 在數據驅動藥物開發中的策略價值。他在探討 AI 與自動化時提到：「我們正建立一個『為 AI 服務的數據，為科學服務的 AI』的閉環系統，其中 AI 負責思考與引導，將繁瑣的實驗工作從人力轉移到 AI 代理和機器人。」
透過導入自動化液體處理機器人、封閉式合成站與線上質譜分析系統，自動化實驗室能在完全無人值守的情況下，進行高通量的化學合成與生物活性測定，並將實驗結果實時反饋至 AI 演算法系統。這種「計算設計－自動合成－實驗測試－數據反饋」的閉環迭代 (Closed-loop Iteration) 模式，將傳統藥物化學中以週為單位的設計優化週期大幅縮短至以天為單位。自動化實驗室產出的數據具備極高的批次一致性與標準化品質，有效消除了人工操作帶來的實驗誤差，為 AI 模型提供了高溫度的優質訓練集。透過持續的數據反饋，AI 生成模型能迅速修正對分子活性與理化性質的預測偏差，實現候選分子的快速收斂與優化。
避免盲目生成數量，宜多聚焦臨床可行性
在生成式 AI 熱潮下，許多藥物開發團隊曾近乎盲目追求在短期內生成數百萬個新穎分子結構。然而，智能基因（InFocus Therapeutics）創辦人兼執行長方曉薇 (Emily Fang) 博士等產業領袖指出，分子的數量絕不等於品質(或質量)。她說道：「藥物開發是一個學習問題，而不是一個篩選問題。AI 的真正價值在於影響並改善實驗中的決策，以避免陷入療效與安全性的陷阱。」在藥物開發實務中，一個無法合成或理化性質極差的分子，即使理論活性再高亦無任何臨床價值。
因此，AI 藥物設計的核心在於多目標優化 (Multi-objective Optimization)，平衡活性、合成可行性、代謝穩定性與毒性。她強調，AI 系統必須在分子生成階段即納入合成路線可達性 (Synthetic Accessibility) 與 ADME（吸收、分布、代謝、排泄）理化性質的嚴格過濾機制。透過將逆合成分析 (Retrosynthesis Analysis) 演算法直接嵌入分子設計流程，AI 能確保所產出的候選分子能在現有化學反應體系下高效合成。此外，早期評估分子的心臟毒性與肝臟代謝路徑，能有效過濾掉具備潛在安規風險的分子，確保研發資源集中於最具臨床落地可行性的高品質候選產品。
鏈接跨國產學研，實現智慧研發風範
智慧藥物開發的規模化推廣，需要跨學科人才、軟硬體基礎設施與產業生態系的深度整合。與會專家指出，人工智慧、計算化學與自動化技術的跨界融合，正重塑生技企業的組織架構與人才需求。未來的藥物研發人員不僅需具備傳統藥理學或化學背景，更需具備與計算演算法對話、定義精準數據問題以及解讀複雜模擬結果的「雙領域理解」能力。這也呼應國家衛生研究院院長司徒惠康博士在論壇中提倡的觀點：「領域知識在 AI 藥物發現中具有不可替代的重要性，我們需要能跨越邊界的『雙語人才』。」(編註：又稱 Pi 型人才)
總結而言，BIO Asia-Taiwan 2026 展示計算化學與自動化實驗室深度整合所帶來的藥物研發革命。透過融合物理學計算模型、建立自動化閉環數據反饋、聚焦多目標臨床可行性評估，並鏈接跨國產學研合作平台，智慧藥物開發正顯著提高新藥發現的效率與成功率。隨著計算算力的持續提升與實驗自動化的普及，這一全新典範必將加速更多突破性創新藥物的問世，為全球廣大患者帶來更高的臨床效益。
資料來源：
2026 年亞洲生技大會現場報導。
延伸閱讀：
1. 更多精彩內容，請見英文版文章：
Beyond Serendipity: How AI and Autonomous Cloud Labs Are Revolutionizing Drug Discovery。
2.「2026 年亞洲生技大會」報導專區：中文版；英文版。
