AI 不只讀懂蛋白質，開始『動手設計』：生成式生物學正把新藥研發變成工程學

過去幾年談 AI 進軍生物領域，最常被提到的是 AlphaFold——它能從一段胺基酸序列，準確預測出蛋白質摺疊後的立體結構，讓困擾生物學界半個世紀的難題一夕之間變得可解。但如果你以為故事到這裡就結束，那就低估了這個領域的速度。2026 年的結構生物學正在跨過一道新的門檻：AI 不再只是「讀懂」既有的蛋白質，而是開始「動手設計」全新的蛋白質，甚至把新藥研發從一門碰運氣的科學，逐步變成一門可規模化的工程學。

從「看得懂」到「設計得出來」

AlphaFold 2 解決的是一個靜態問題：給定序列，預測一個最可能的結構。這已經足以拿下科學界最高榮譽，但真實世界的蛋白質從來不是一尊不動的雕像。它會呼吸、會開合、會在不同構象之間切換——而藥物往往就是抓住某個特定構象才能發揮作用。換句話說，只知道「長什麼樣子」還不夠，你得知道它「會怎麼動」，以及該如何設計一把鑰匙去精準卡住它。

根據近期發表於 Nature 旗下期刊與 PubMed 的綜論，結構生物學正浮現兩條全新前沿：一是預測蛋白質完整的「構象地景」（conformational landscape），二是讓「從零設計高親和力結合蛋白」（de novo binder design）成為日常操作。這兩件事放在五年前都還是博士班等級的長期研究，如今卻正快速變成按流程就能跑的工具。

Photo by Sangharsh Lohakare on Unsplash

為什麼是現在？兩個關鍵技術到位

第一個突破來自對「蛋白質會怎麼動」的模擬。傳統上要看一個蛋白質在不同狀態間如何擺盪，得靠分子動力學（molecular dynamics）模擬，那是出了名的吃運算資源，動輒要燒掉超級電腦數週的機時。微軟研究院提出的 BioEmu 這類生成式模型，改用機器學習去逼近熱力學上的波茲曼分布（Boltzmann-weighted ensembles），據報導能以傳統模擬「零頭般」的成本，快速勾勒出像大腸桿菌腺苷酸激酶這類蛋白質的構象分布。省下的不只是電費，而是把「等結果」的時間尺度從幾週壓到幾小時，讓研究者能真正把它當成日常工具反覆迭代。

第二個突破是設計端。過去要做出一個能精準黏住目標蛋白的「結合蛋白」，實驗成功率低、週期長，比較像手工藝。而 AI 驅動的設計平台，已經能做到結構精度達到次埃（sub-Ångström）等級——也就是誤差小於一個原子的尺度——並且在實驗驗證上維持相當高的成功率。當「設計—合成—驗證」這條迴圈的命中率大幅提升，蛋白質工程就從碰運氣的試錯，變成一門可預期、可放大的工程學科。

Photo by Igor Omilaev on Unsplash

資本已經先聞到味道

技術訊號往往最先反映在資金流向。專攻「生成式生物學」（generative biology）的新創 Generate Biomedicines，就在 2026 年初完成一場約 4.25 億美元的 IPO，主打用機器學習直接「生成」自然界不存在的全新蛋白質。這不是孤例——根據多家產業分析，2026 年製藥業對 AI 生技的投資正明顯向「生成式設計」傾斜，理由很直接：如果 AI 能把候選分子的發現週期從數年壓到數月，任何一家願意早一步押注的藥廠，都可能在專利與臨床時程上取得決定性的領先。

值得注意的是，這波熱潮的敘事已經和早年「AI 選藥」不太一樣。早期多半是用 AI 從既有的化合物庫裡「篩」出可能有效的分子；現在的野心則是「無中生有」——直接設計出一個為特定標靶量身打造、自然界從未出現過的蛋白質。從「篩選」到「創造」，這是質變而非量變。

Photo by Conny Schneider on Unsplash

對產業與一般人的影響

對製藥與生技業來說，最實際的衝擊是研發成本結構的改變。新藥開發長年被「十年、十億美元、九成失敗」的殘酷數字綁架，而失敗最貴的環節，往往是走到後期才發現分子不對。如果 AI 能在最前端就大幅提高候選分子的品質與命中率，等於把昂貴的失敗提前、縮小，這對整個產業的財務模型都是重寫級的影響。多位分析師如今已敢於預期：在 2020 年代後期，我們有機會看到第一批「AI 設計、臨床上真正有用」的藥物問世。

對一般人而言，這件事離生活其實沒有想像中遠。蛋白質設計不只用在製藥，也牽動疫苗、酵素、農業、甚至工業製程用的生物催化劑。當設計蛋白質變得像寫程式一樣可迭代，長遠來看，客製化療法、更快問世的疫苗、更環保的生物製造，都會從「科幻」慢慢挪進「工程排程」。

一點冷靜的觀點

不過，越是熱門的領域，越需要留一分清醒。第一，AI 給出的設計終究是「預測」，真正能不能用，還是得回到濕實驗室裡一支一支試管去驗證——模型再漂亮，也取代不了生物體內那些難以窮盡的複雜互動。第二，「高成功率」是相對於過去而言，並不等於百發百中；把 demo 級的亮眼數字，直接外推成「新藥即將量產」，是這個領域最容易掉進去的陷阱。第三，能設計蛋白質的能力是雙面刃，生物安全與監管如何跟上，會是接下來無法迴避的課題。

但撇開這些必要的保留，方向本身是清楚的：AI 對生物學的滲透，已經從「幫忙看資料」進化到「參與創造」。當一個領域的核心工作從人工試錯轉為可規模化的設計流程，它的進步速度通常會出現階梯式的跳升。AlphaFold 讓我們學會讀懂生命的結構，而接下來這幾年，我們大概會親眼看著 AI 開始學會「書寫」它。這件事的份量，值得每一個關注科技走向的人放進雷達裡持續追蹤。