當AI預測有效但不知其所以然：三位頂尖科學家論AI在藥物研發的未來

人工智能在藥物研發中的應用帶來一個重大挑戰：在沒有清晰解釋AI推理過程的情況下，識別有前景的分子。與AI的輕微錯誤（例如聊天機械人推薦不存在的餐廳）不同，醫療應用中的風險要高得多，需要嚴格的驗證。科學家們正在探索如何信任來自Google DeepMind的AlphaFold等系統的預測，這些系統依賴數十年累積的實驗知識來預測蛋白質結構。

諾貝爾獎得主Michael Levitt認為，AI的「黑箱」性質並非獨有，因為生物學本身就包含許多奧秘。他指出，藥物監管機構，例如美國食品藥物管理局，優先考慮藥物安全性和有效性的證據，而非對每個底層機制提供完整解釋。對Levitt而言，關鍵步驟是根據可靠的實驗數據測試AI預測，並確保研究結果可以獨立重現。

榮譽科學家Daniela Rhodes支持這一觀點，她強調醫學往往在完全理解之前就透過實驗取得進展，並以中草藥為例。儘管AI工具，包括使用Nvidia GPU的機器學習，可以加速研究階段，例如識別數百萬個粒子以確定分子結構，但Rhodes強調，AI的輸出，即使是來自AlphaFold的，也「只是非常好的預測」，但「並非絕對真理」。

這表明AI可以顯著幫助識別潛在藥物候選物並加速初步研究。然而，實驗室實驗和全面的臨床試驗仍然至關重要。研究人員仍需確定AI識別的分子在不同人體中的行為方式，特別是考慮到許多藥物在歷史上主要在有限年齡範圍內的男性身上進行測試。