AI研藥卡於數據缺口 牛津學者倡開放基建

AlphaFold的對照

Deane指出，蛋白質結構預測過去數年取得重大進展，但同類突破尚未在小分子藥物發現中出現，因為後者面對的問題遠較單一結構預測複雜。

藥物發現涉及結構與活性之間的關係，目標並非單一，而是包含多個互相影響的維度，令AI難以直接移植蛋白質結構預測領域的成功經驗。

數據質量成瓶頸

受訪者認為，現階段限制結構型AI藥物發現的因素，已不是缺乏更複雜的模型，而是缺乏數量充足、分布合理且標準化的大規模實驗數據。

現有數據尤其缺少結合親和力、動力學，以及細胞環境下的多維活性資料，整體來源分散、噪聲大、可重複性低，難以支撐可靠的模型訓練。

OpenBind的定位

Deane同時是OpenBind項目的聯合負責人。該項目旨在建立開放、協作、以實驗驅動的蛋白質與小分子結合數據基礎，為下一輪技術突破鋪路。

文章的判斷是，大規模、標準化且開放共享的數據，將是決定AI能否在藥物發現取得類似突破的關鍵因素，也是行業下一步投入的重點方向。