AI 一次生成 5 萬個蛋白設計，研發瓶頸轉向實驗驗證

AI 蛋白設計正在把藥物研發最稀缺的資源，從「想出候選分子」改成「證明候選分子真的有效」。 一項 2025 年發表於《Nature》的研究顯示，研究團隊可針對單一目標，以 RFdiffusion 產生約 1 萬至 5 萬個設計，再用 ProteinMPNN 與 AlphaFold 篩到數十個候選進入實驗。UCLA 在 2026 年 8 月重新介紹共同作者 Jason Zhang 的研究時，又揭露他的實驗平台可在一次實驗中測試 2 萬個設計蛋白。

這項成果仍屬於研究工具與平台的概念驗證。現有證據顯示，生成式模型能替過去難以處理的無序蛋白設計高親和力結合蛋白，部分候選也在細胞中展現作用。從這裡到動物試驗、毒理、製造與人體療效，仍有一長段路。真正的產業訊號，是數位候選的供給開始超過實驗驗證能力。

兩個時間點，不能混成同一項新突破

2026 年 8 月 11 日，UCLA California NanoSystems Institute 刊出一篇 Jason Zhang 專訪。Zhang 在 2025 年加入 UCLA，此前是 University of Washington David Baker 實驗室的博士後研究員。他在專訪中描述一條高通量流程：AI 產生蛋白與胺基酸序列，研究團隊把序列反向轉譯成 DNA、在濕實驗室表達蛋白，再於一次實驗中測試 2 萬個設計是否能與目標結合。

引發討論的核心研究，則早在 2025 年 7 月 30 日發表。論文題為〈Diffusing protein binders to intrinsically disordered proteins〉，Zhang 是共同作者之一，通訊作者為 David Baker。這項工作並非 UCLA 在 2026 年才完成的新實驗，2 萬個候選也未全部直接進入同一項臨床研究。

把新聞日期、論文日期與平台能力分開，才能看清真正進展：2025 年研究驗證了一種設計方法；2026 年專訪說明 Zhang 準備如何把生成、篩選與實驗循環擴大。

AI 把搜尋空間推到 5 萬，實驗只接住數十個

這套流程從目標的胺基酸序列出發，不依賴固定的蛋白三維結構。RFdiffusion 同時探索目標與結合蛋白可能採取的構形，ProteinMPNN 為生成骨架設計序列，AlphaFold2 再依預測結構與交互作用品質過濾。

論文方法說明，每個目標大約先產生 1 萬至 5 萬個計算設計。通過結構與交互作用篩選後，典型批次只留下 48 至 96 個候選接受實驗測試。不同目標的實際數量並不完全相同：研究團隊最初測了 96 個 amylin 設計、95 個 C-peptide 設計、95 個 VP48 設計，以及 48 個 prion protein 設計。

這張漏斗揭示 AI 蛋白設計的關鍵經濟問題。數位生成的邊際成本與速度快速下降，但 DNA 合成、蛋白表達、純化、結合測量、細胞試驗與後續疾病模型無法等比例加速。模型越會生成，實驗室越容易成為排隊最久的一站。

無序蛋白為何長期被視為「難以成藥」

傳統結構導向藥物設計，通常需要一個相對穩定的凹槽，讓小分子或結合蛋白精準嵌入。內在無序蛋白（IDP）與內在無序區域（IDR）沒有單一固定形狀，而是在多種構形間變動，因此很難預先指定一個可用的結合口袋。

《Nature》論文指出，IDP 與含 IDR 的結構蛋白合計約占人類蛋白質體 60%。這不代表 60% 都是可成藥標的，也不能直接換算成「六成藥物市場」。它只說明無序特徵十分常見，而現有設計工具對這片生物空間的覆蓋不足。

RFdiffusion 的做法，是讓模型從序列出發，同時取樣目標與結合蛋白的多種構形。最後生成的結合蛋白像一個預先設計的夾具，抓住無序目標的特定片段與特定構形。研究因此取得針對 amylin、C-peptide、VP48、植物 BRCA1 無序區，以及 G3BP1、IL-2RG、prion protein 等目標的結合蛋白，解離常數落在約 3 至 100 nM 的領先案例顯示出高親和力。

研究證明了什麼，又還沒證明什麼

這項研究的證據已超出電腦模擬。螢光影像顯示，多個設計蛋白可在細胞中與各自目標結合。G3BP1 結合蛋白能干擾細胞內壓力顆粒形成；amylin 結合蛋白則能抑制類澱粉纖維形成、拆解既有纖維、協助把 amylin 導向溶小體，並提高質譜檢測靈敏度。部分設計模型也由晶體結構驗證。

但證據邊界同樣重要。論文沒有證明這些蛋白已成為核准藥物，也沒有提供人體療效。對多數疾病應用，研究還沒回答體內分布、免疫反應、毒性、劑量、長期穩定性、大規模製造，以及是否能在動物與人體中改善臨床結果。

因此，較精準的描述是「平台與研究工具的概念驗證」，尚未等同「AI 解決阿茲海默症、癌症或疼痛」。這些疾病可提供研究方向，但不能替代疾病模型與臨床證據。

下一個護城河是實驗回饋循環

當一個模型能產生數萬個候選，競爭優勢已經超越生成數量。真正難複製的是一條能把設計快速送入實驗、回收失敗原因，再用新資料改進模型的回饋循環。

第一個稀缺資產是高品質的負面資料。成功候選會被論文與資料庫保留，失敗的表達、錯誤折疊、非專一性結合與細胞毒性卻常散落在實驗紀錄中。這些資料最能教模型分辨「看起來合理」與「實際可用」。

第二個稀缺資產是自動化與測量能力。DNA 合成、蛋白表達、純化、親和力測量與細胞成像若無法標準化，2 萬個測試只會製造 2 萬個難以比較的結果。高通量的價值取決於每筆資料是否可追溯、可重現，也能回到下一輪設計。

第三個稀缺資產是疾病與轉譯能力。能與一段蛋白結合，和能在病人體內形成治療效益，是兩種不同的能力。具備疾病模型、臨床合作、製造與法規經驗的團隊，可能比單純擁有生成模型的團隊更能掌握後半段價值。

對製藥與 AI 團隊的決策含義

評估 AI 蛋白設計平台時，不應只問「每週能生成多少序列」。更有用的指標包括：計算篩選後的實驗命中率、每個可重現結合蛋白的總成本、從設計到細胞數據的週期、負面資料覆蓋率，以及領先候選進入動物研究的比例。

對製藥公司而言，最合理的做法，是把生成模型定位為候選發現引擎，而非完整藥物管線。合作契約也應把里程碑放在實驗可重現性、專一性、細胞功能與轉譯證據，而非只按生成序列數量計價。

對 AI 生物新創而言，算力仍然重要，但最昂貴的瓶頸可能在別處。當模型把數位設計變得充裕，實驗產能、資料品質與疾病專業將決定哪些團隊能把漂亮的結構圖變成真正的產品。

常見問題

這項研究是在 2026 年 8 月才發表嗎？

不是。UCLA 在 2026 年 8 月 11 日刊出 Jason Zhang 的專訪，核心研究則於 2025 年 7 月 30 日發表在《Nature》。兩者相關，但不是同一個發表事件。

研究真的一次測試了 2 萬個 AI 蛋白嗎？

2 萬是 Zhang 在 UCLA 專訪中描述的高通量平台能力。2025 年《Nature》論文則寫明每個目標先產生約 1 萬至 5 萬個計算設計，再篩成常見 48 至 96 個的實驗批次。兩個數字代表不同階段與情境。

AI 已經做出可治療阿茲海默症或癌症的新藥嗎？

沒有。研究取得能結合無序蛋白的設計蛋白，並對部分候選完成生化、結構與細胞驗證。動物療效、毒理、製造與人體臨床證據仍未建立。

為什麼無序蛋白難以設計藥物？

因為它們不維持單一穩定三維結構，也常缺少傳統小分子可嵌入的固定口袋。研究的新方法讓模型同時探索目標與結合蛋白的構形，再設計能抓住特定狀態的結合蛋白。

企業評估 AI 蛋白設計平台該看什麼？

優先看實驗命中率、從生成到細胞驗證的週期、每個可重現候選的成本、負面資料品質，以及候選能否跨越動物、毒理與製造里程碑。生成量本身不足以代表研發生產力。

權威引用

• Nature：Diffusing protein binders to intrinsically disordered proteins
• UCLA CNSI：Jason Zhang 談生成式 AI 蛋白設計與高通量實驗
• UCLA Health：Jason Zhang 研究員介紹
• Nature：RFdiffusion 的蛋白結構與功能設計方法

Author Insight

我認為，這類研究最容易被低估的環節，在於「縮小漏斗」的能力。5 萬個設計若只能換來一堆不可重現的結果，算力沒有創造研發資產；若每次失敗都能成為下一輪可用資料，實驗室本身就會變成模型護城河。

術語表

• 內在無序蛋白（IDP）：缺少單一穩定三維結構、會在多種構形間變動的蛋白。
• 內在無序區域（IDR）：存在於蛋白中的動態區段，不一定代表整個蛋白都無序。
• 結合蛋白（binder）：經設計後，能以特定親和力與目標蛋白或區段結合的蛋白。
• 解離常數（K(_d)）：衡量分子結合親和力的指標；在相同條件下，數值越低通常代表結合越緊密。
• 濕實驗（wet lab）：在實體實驗室中進行的 DNA、蛋白、生化、細胞或動物實驗。

With over 20 years of experience in technology, and the startup industry, I am passionate about AI and driving innovation. Keeping the engine running

Loading...