根據統計，平均一種新藥上市需耗費將近 15 年時間，加上 16 億美元的花費。為了開發出一種新藥，研究者必須測試成千上萬種化合物，不但需要決定哪些分子會彼此結合，還需要測定這些結合的程度有多強。傳統上他們要使用試誤法（試估一個近似的結果，然後設法修正其誤差）以及排除法來分析上千種自然或合成的化合物，而這已經算是簡單的部分。然而僅僅發現化合物可有效對抗疾病是不夠的，還必須在三階段臨床試驗表現良好，並通過監察機構許可。
不過這樣龐雜的情況也有扭轉的可能。一間位於舊金山的新創公司 Atomwise 設計了一套名為 AtomNet 的系統，這套系統的目的在於將藥物開發的初始階段精簡化，接手前述提到的繁重工作，他們利用深度學習預測分子結合的模擬情形，就像 AI 學會如何辨認圖像。且軟體還會藉由辨識模式教導自己有關分子連結的一切。
AtomNet 的厲害之處可不僅如此，還記得高中時期學的 3D 模型嗎？利用塑膠棒和保麗龍球表示分子的鍵結，此軟體也利用類似的數位 3D 模型，綜合有關結構的資訊去預測分子的生物活性。
顯然「快」這個形容詞還低估了 AtomNet 的能力。若用傳統方法要花上數天才能分析完 100 萬種化合物，靠著 AtomNet 在一天之內就可以完成。當然它也不是如此完美無缺，若真是如此，可能就要換科學家煩惱了。因為它無法發明新藥，甚至無法證明分子只要能結合就可以創造出有效的藥物。它能做的就只是預測分子對抗疾病的可能性有多高，然後科學家再利用預測結果將上千種化合物的範圍縮小至數十種，甚至更小，這樣一來他們就可以更專注於成功率更高的分子上。
也許有人會懷疑這套軟體仍處於開發階段，上述的功能都只是理論。事實上，AtomNet 已經協助開發出兩種新藥分別對抗伊波拉病毒和多發性硬化症，證明了它驚人的實力。對抗後者的藥物已經在英國製藥公司獲得許可，而伊波拉病毒的藥物則提交給同行審查的期刊，以便進行更多分析。
AtomNet 固然是一項極具潛力的科技，它能使藥物開發變得極為快速與簡便，但我們不得不注意的是，未來的方向將會致力於預防醫療，而不僅是「對症下藥」。兩者的差異在於，前者將焦點放在監控身體健康並採取必要措施預防人類得病，這樣的醫療方式可謂前景興盛。最近，致力於贊助和舉辦公共競賽以推動技術創新的 XPRIZE 基金會，贊助 250 萬美元給強化居家醫療和個人化醫療裝置的研發，顯示預防醫療的普及性逐漸增加。但這並不代表傳統的診斷方式不應進步，50 年後甚至 100 年後人們仍會生病，依然有藥物治療的需求。AtomNet 只是藥物開發的先驅，相信之後就會有更多人工智慧科技跟上它的腳步，解決更艱鉅的挑戰。
（首圖來源：Flickr/e-Magine Art CC BY 2.0）