AI 新創跳過濕實驗室，用合成數據加速新藥探索

英國政府支持的 Potential Sciences 正用一種不太一樣的方式做藥物探索。它不想高度依賴緩慢又昂貴的濕實驗室實驗，而是要用電腦生成的生化數據來訓練 AI 模型。背後的賭注是：合成資料集能讓模型用比實體測試快得多的速度探索化學空間。 藥物探索長年受制於實驗室工作的成本和難度。實驗耗時、需要專門設備，也不容易規模化。如果模型能從模擬資料學習，研究人員或許能在投入真實驗之前，先篩選出有潛力的化合物。這可能減少需要的實驗數量，加快早期研究。這種做法也反映科學界更廣泛的興趣：用 AI 繞過資料稀少或取得成本高昂的瓶頸。 但風險也很明顯。模擬資料未必能反映真實生物學。用電腦生成範例訓練出來的模型，可能學到看似有說服力、實際拿到生物系統測試卻失敗的模式。這個疑慮在計算生物學存在已久，也是 Potential Sciences 的核心問題。公司必須證明它的合成資料有用到能指引真實驗，而不是只會產生漂亮的預測。 英國政府的支持顯示，政策制定者認為這個想法有潛力，但科學終究要用結果來判。若做法行得通，早期藥物探索的組織方式可能改變：AI 模型負責更多初步探索，實驗室則聚焦在最可信的候選化合物上。若行不通，也可能提醒大家，更快的運算無法完全取代生物現實。這家新創因此同時在測試一種技術方法和一個策略問題：在真實世界驗證之前，藥物探索能有多少部分從實驗台搬到電腦裡。