AI 藥物設計爆量，瓶頸移到濕實驗室：DNA 與蛋白質供應商接單變多，新藥會更快上市嗎？
AI 讓候選分子設計變得又快又便宜，驗證工作開始湧向 DNA 與蛋白質供應商。本文對照 Anthropic 實驗與 Twist、GenScript 法說會，看瓶頸怎麼移動，以及臨床試驗為何仍是關卡。
美國時間 10 月 4 日，經營科技投資電子報 Robonomics 的 Freda Duan 在 X 上發表長文，主張 AI 藥物設計正在變成一門「瓶頸生意」。
她的觀察是，AI 讓設計候選分子幾乎不花成本，真正排隊的工作變成在實驗室裡驗證這些設計。
這篇貼文到 10 月 11 日已有超過 70 萬次瀏覽，也引來 UCLA 教授顧全全等研究者回應。
公開資料大致支持她的前半段說法。DNA 合成公司 Twist 與基因蛋白質服務商 GenScript，都在法說會上把 AI 藥物設計列為成長動能之一。
但候選分子變多，不代表新藥會等比例變多。藥物最後仍要通過耗時多年的人體試驗。
我的判斷是，AI 先改變的是實驗室的訂單量，新藥能不能更快上市，要等臨床結果才看得出來。
為什麼 AI 設計越多，濕實驗室越忙？
濕實驗室指的是用真實試劑、細胞與蛋白質做實驗的地方。相對地，只在電腦上運算的研究，常被稱為乾實驗室。
AI 可以在電腦上一次產生成千上萬個候選設計，但每一個設計是否真的有效，仍要合成 DNA、做出蛋白質，再測試它能不能黏住目標。
Anthropic 在 8 月公布的實驗是一個具體例子。Claude 針對 15 個目標蛋白設計了 1,320 個結合蛋白，經實驗確認有 354 個成功結合。
結合蛋白是能抓住特定目標分子的蛋白質，可作為早期藥物研究的候選設計，距離人體試驗仍有多道關卡。
這批設計由 Adaptyv Bio 與 Twist 兩家公司分別製作與測試。依設定不同，成功率在 22% 到 35% 之間，Anthropic 指出這個領域常見的水準約 10% 到 15%。
Anthropic 也說明，這類工作只代表藥物開發的早期階段，後續還要更完整的實驗，確認結合率與結合強度。
這個例子同時說明，一次 AI 設計工作，就能產生上千件需要實體驗證的訂單。
失敗的實驗，也變成訓練資料
Freda Duan 認為，那 966 個未確認結合的設計也有價值，因為它們告訴模型哪些方向行不通。這是她的解讀。Anthropic 原文沒有這樣說，但已公開這次產生的全部實驗與運算資料。
顧全全是 UCLA 教授，也是 AI 新創 Geodesic Intelligence 的創辦人。他回應時描述了類似的循環：電腦設計、實驗室測試、把結果變成訓練資料、改進模型，再重來一次。
他的說法是，濕實驗室會成為學習演算法的一部分。
如果這個循環成立，實驗室接到的就不只是一次性的訂單。模型每改一版，就需要新一批實驗結果。
這正是供應商在法說會上強調的重點。
Twist 與 GenScript 的法說會說了什麼？
Twist 在 8 月公布截至 6 月的季度營收 1.184 億美元，年增 23%。執行長 Emily Leproust 表示，越來越有信心達成 5 月投資人日訂下的目標：2026 財年 AI 藥物設計相關訂單成長一倍以上。
她也說，2027 財年有機會再成長一倍以上。
Twist 的 AI 藥物設計業務仍在擴張初期。法說會上分析師提到，2025 財年 AI 相關訂單約 2,500 萬美元，執行長確認了這個數字。
這是訂單金額，不能當作已入帳營收，也無法直接算出 AI 業務的營收占比。
GenScript 在 8 月的半年報說明會表示，生命科學服務事業營收 3.19 億美元，年增 28.8%，成長動能之一是 AI 藥物設計需求。
GenScript 官網標示，平台每天可驗證 4,000 個以上設計，從序列到數據最快 4 天。管理層也預期，下半年 AI 藥物設計訂單會倍增，這是公司的預測，還不是已發生的結果。
供應鏈確實在動，但這些數字證明的是驗證需求增加，還沒證明藥物成功率提高。
臨床試驗，仍是上市前的關卡
路透社 10 月 7 日報導，全球製藥業每年花約 1,400 億美元在人體臨床試驗，但只有大約 12% 的候選藥物最後獲得核准。
同一篇報導引述麥肯錫資料指出，AI 藥物研發投資在 2025 年達到 84 億美元，是 2023 年的兩倍多，但資金多集中在分子設計，較少投入臨床驗證這類主要瓶頸。
也有 AI 公司開始做「虛擬臨床試驗」，用模型模擬病患對藥物的反應。路透社提到，哥本哈根新創 BioinvestGPT 事前預測六項重大試驗，對了五項。但它也曾看好 Novartis 一款心血管藥物，後期試驗卻沒有達標。
BioinvestGPT 也預測武田製藥一款藥物的試驗會失敗。武田研發主管 Andy Plump 對路透社表示，他認為 AI 還做不到確定的試驗預測。
Freda Duan 自己也承認，臨床試驗是對她論點最大的反駁。如果 AI 設計的藥物在第二、三期試驗的失敗率和傳統藥物一樣，這套故事就站不住。
常見問題
濕實驗室和乾實驗室差在哪裡？
濕實驗室用真實的細胞、試劑與蛋白質做實驗。乾實驗室主要靠電腦模擬與資料分析，AI 設計多半屬於這一端。
AI 設計的藥物已經比較容易成功了嗎？
目前還不知道。Anthropic 的實驗只確認蛋白質能結合目標，要看到 AI 藥物在人體試驗的成功率，仍需要多年的臨床結果。
這代表該買 DNA 合成或蛋白質服務公司的股票嗎？
本文不構成投資建議。法說會的訂單目標屬於公司預測，訂單也不等於營收，個股風險請自行評估或諮詢專業人士。
結語
AI 讓設計分子變便宜，把排隊的位置移到了實驗台與合成機前面。這股需求已經反映在供應商的訂單裡，但新藥是否真的更快、更容易上市，最後要由臨床試驗回答。
延伸閱讀：Claude 會設計蛋白質了？14／15 個目標成功，命中率最高 35.1%，但離新藥仍有多遠？
延伸閱讀：SynthID Bio 為 AI 蛋白質設計留下水印：知道來源，與確認安全是不同工作
