藥物發現科學（Drug Discovery Science）正經歷從經驗主義到數據驅動的典範轉移。以下從方法學創新、計算藥物設計和轉譯科學的角度進行深入探討。
現代命中物發現策略
高通量篩選（HTS）的演進：
傳統 HTS 使用生化測試（enzymatic assay），但近年表型篩選（phenotypic screening）復興。Swinney & Anthony（2011, Nature Reviews Drug Discovery）分析了 1999-2008 年 FDA 批准的 first-in-class 藥物，發現表型篩選發現的藥物佔 37%，高於靶點導向篩選（23%）。表型篩選的優勢在於不需要預先知道靶點，且篩選條件更接近生理環境。然而靶點去卷積（target deconvolution）——確認是哪個靶點被命中——仍是技術瓶頸，CETSA/TPP（Molina et al., 2013, Science）和化學蛋白質體學（ABPP）是主要的靶點鑑定方法。
片段篩選（FBDD）：
Erlanson et al.（2016, Journal of Medicinal Chemistry）綜述了 FBDD 的方法學。片段（MW 150-300, ~Rule of 3）結合力弱（Kd ~mM），需要高靈敏度的檢測方法：X-ray 共晶體學（最直接）、SPR（Surface Plasmon Resonance）、NMR（STD-NMR, WaterLOGSY）和 DSF（Differential Scanning Fluorimetry）。成功案例：Vemurafenib（BRAF V600E 抑制劑，黑色素瘤）即由 FBDD 路線開發。
DNA-encoded chemical library（DEL）：
每個化合物附上獨特的 DNA 標籤作為身份碼，允許在單一實驗中篩選數十億個分子（Brenner & Lerner, 1992, PNAS 提出概念；Goodnow et al., 2017, Nature Reviews Drug Discovery 綜述）。篩選後用 NGS 讀取 DNA 標籤鑑定命中物。
計算與 AI 驅動的藥物設計
- 基於結構的藥物設計（SBDD）：
AlphaFold2 使蛋白質結構預測成為常規，但直接用於藥物設計仍有限制——AlphaFold 預測的側鏈構象精度和結合口袋的動態資訊不足。Corso et al.（2023）的 DiffDock 使用擴散生成模型預測蛋白質-配體結合姿態（docking pose），在部分基準測試中優於傳統方法。
- 生成式分子設計（Generative Molecular Design）：
使用深度生成模型設計全新分子：
- VAE（Variational Autoencoder）：Gómez-Bombarelli et al.（2018, ACS Central Science）首次展示在連續潛在空間中優化分子性質
- GAN 和 Reinforcement Learning：Olivecrona et al.（2017, Journal of Cheminformatics）使用 RL 引導 RNN 生成符合目標性質的分子
- Diffusion Models：受影像生成啟發，Hoogeboom et al.（2022）的 E(3)-equivariant diffusion model 直接在 3D 空間生成分子
- Insilico Medicine 案例：Ren et al.（2024, Nature Biotechnology）報告了 AI 設計的抗纖維化藥物 INS018_055 從靶點鑑定到 Phase I 完成僅約 30 個月
- ADMET 預測：
機器學習模型預測分子的藥物代謝動力學性質。Fang et al.（2023, Nature Machine Intelligence）的 Uni-Mol 分子預訓練模型在多項 ADMET benchmark 上達到 SOTA。
藥物化學的結構-活性關係（SAR）
先導物優化是藥物化學的核心實踐。Meanwell（2011, Chemical Research in Toxicology）系統討論了常用的策略：
- 生物電子等排（bioisosteric replacement）：用具有相似電子和空間特徵的基團替換原有基團以改善 ADMET
- 分子形狀和三維複雜度（molecular complexity）：Lovering et al.（2009, JMC）發現增加 sp³ 碳比例（Fsp3）和手性中心數量可提高臨床成功率
- 共價抑制劑策略：Lonsdale & Ward（2018, Chemical Society Reviews）綜述了靶向共價抑制劑的設計——從 "taboo" 到 FDA 批准的 breakthrough（osimertinib, sotorasib）
轉譯鴻溝與失敗分析
臨床試驗的高失敗率（Phase II ~70%, Phase III ~50%）是藥物發現最大的挑戰。Harrison（2016, Nature Reviews Drug Discovery）的失敗原因分析顯示療效不足佔 ~52%，安全性問題佔 ~24%。提高成功率的策略包括：選擇有人類遺傳學驗證的靶點、使用 patient-derived organoids 進行臨床前效能測試、以及 biomarker-driven 的患者分層（precision medicine approach）。