2025 年 11 月 3 日，Variational AI 執行長 Handol Kim 在 TRPMA 專題演講「AI for drug discovery is not the future: it is the now」中主張，在藥物化學這個資料昂貴且成長緩慢的領域，傳統以資料驅動的擴表策略走不遠；真正的突破，來自演算法與方法學的創新。他語重心長地說，如果現在還不迎頭趕上，幾年後定會被這快速發展的領域淘汰。
他說道，Variational AI 2019 年創立於溫哥華，團隊核心由跨 AI 與數理背景的博士組成，定位為「純平台公司」，與新藥商與藥廠協作，而非自建藥物產品線。地緣上，他也毫不避諱地替家鄉行銷一番：「不誇張，卑詩省是加拿大生醫最成熟的重鎮，溫哥華就是重中之重。」
走進 Enki，一窺小分子新藥的「Prompt」設計革命
他端出的主角是生成式 AI 平台 Enki。若把影像生成的「文字提示」換成藥物世界的「目標產品概況（TPP）」——分子量、LogP、TPSA、溶解度、目標/脫靶活性、PK 與 Tox 門檻等——模型便能在「設計階段」直接創造同時符合多參數的候選分子。
Kim 形容：「我們不再用文字描述黑短髮女孩騎紅色腳踏車，而是用 TPP 描述分子要具備的條件；Enki 便依此生成多樣且一致達標的分子。」在此框架下，Enki 不是篩選，而是「創造」；它先以大量的實驗與計算樣本進行前置預訓練，涵蓋數百個治療靶點，接著以 TPP 作為引，透過生成器與優化器完成結構新穎且可製造的化學設計結構。
這種路線之所以有其存在的必要，起因於面對廣袤化學空間的殘酷現實。人類可探索的類藥分子規模約為 10 的 60 次方，而即便第一代 AI 把虛擬庫擴增到 10 的 10 次方，覆蓋率仍近乎 0%；無論再怎麼把庫放大，仍像在路燈下找鑰匙，探尋空間有限。Kim 更直言：「資料量有限且幾乎固定，因此在此前提下，唯一能讓模型持續變好的是演算法。」，換句話說，當資料不可能指數增長的情況下，靠「更好的演算法」才是可能的可行之道。
新藥開發數據稀缺的時代，「從篩選到創造」的演算法給出一條出路
在不少化學 AI 專案裡，模型一旦離開「相似性」舒適圈，誤差便急遽上升，導致創造性受限、骨架跳躍困難、FTO 侷促。Enki 的路數是從基礎模型先吸收跨標靶的標的、並包含跨屬性的「廣度」，再把任務定義往前挪移到設計階段：用戶以 TPP 設定好多方面的需求條件，系統將可以一次生成一批彼此「多元樣但同時符合使用者要求」的化合物，再進一步在 MPO（效力、選擇性、ADME、Tox）上進行協同優化。這種方法等於把 DMTA 迭代的許多次嘗試的成本，預先吸收在評估模型的階段中。
Kim 也分享在過去的商業洽談中，他以相當務實的方式提出建議。他不鼓勵客戶把少量、零碎的 SAR 當成祕密武器：「多數生技在單一系列裡也就幾百個點，幫不上忙；除非你手上是新穎的靶點且手握獨特資料，否則我們通常不依賴客戶資料進行訓練。」這也是為什麼 Variational AI 以「預訓練基礎模型，加上必要時的小幅微調」為主打，並能善用外插法，讓生成結果不被單一資料集所侷限。當然，若遇到團隊擁有獨有且高品質的新靶點資料，Enki 也能在專案內利用客戶的數據集進行客製化微調，但資料權屬仍完全歸屬於原客戶。
Enki 以實際合成分子訓練，破解「畫得出做不出」困境
透過目前執行的成果最具有說服力。Kim 展示出的一組指標：在不倚賴客戶資料的前提下，Enki 生成的一批分子中，超過 56% 在生化與細胞試驗中達到 IC50/EC50 < 1 μM；常見在單循環（one cycle）內就拿到單位數 nM 效力，且具選擇性、PK 與 Tox 同步達標，而且「可合成且新穎」。
在更具體的案例中，Kim 進一步分享，Enki 曾於一次迭代中處理 1 個 on-target、6 個 off-target 的選擇性課題，並在多屬性同時優化下產生 1.9 nM 量級的分子，同時達到高命中率，並且展現出多個不同的分子架構。
可製造性則是另一個重要指標。許多學界模型面臨「畫得出」但卻「做不出」的窘境。反觀 Enki 的策略是：訓練以實際合成過的分子為主，設計階段強制可合成性門檻，事後再做逆合成與路徑分析，甚至可在提示裡預先限定合成步驟的數量與起始原料成本。
Kim 表示，當客戶把結構丟給 CRO 或自家實驗團隊時，多數都能順利做出想要的分子並進入測試，同時表現出高達 90% 的合成成功率。這種把 CMC 思維嵌入設計前端的做法，也支援在設計時同步限定分子量、氫鍵供受體數、TPSA、溶解度、MDCK、E-flux、CYP、hERG 等多重屬性，真正做到「在設計端進行 MPO」。「我們做的是在很短時間內給你可直接進入 Lead 優化的化合物；你不需要先做 HTS、再慢慢往前推。」Kim 表示。
此外，Enki 的基礎模型已覆蓋約 600 個靶點，從 2024 年以激酶起步，迅速擴展到 GPCR、蛋白酶與離子通道等大類，並持續增加目標數。換算效率上，他更直白地比喻：「100 個 Enki 生成分子 ≈ 100 萬個 HTS 篩選分子的價值」，在成本與時間上都是顯著的等比下降。
按 TPP 計價先收預付款，再依里程碑進行支付，並聚焦臨床前階段
Variational AI 是徹底的「平台公司」：不自建管線、不做生物學，只做生成與優化，與客戶分工扮演「狙擊手」。Kim 的比喻很形象：「我們像狙擊手；請你告訴我該打哪個靶，否則我們可能會打錯。」這樣的公司定位也回應資料與成本的現實：做出泛化能力強、延伸推廣力高的基礎模型，比一家一家為單一靶點去堆資料更有效率。
商業模式上，Kim 仔細解釋從官網網站帳號開立、定義並送出 TPP，按 TPP 計價收取前期費用；Variational AI 生成結構、由客戶合成與測試，若滿意再支付 IP 轉讓費；接著在 DC 提名或非 GLP 毒理等臨床前里程支付下一筆里程款。大型藥廠則另有企業方案。這種「先交付、後授權」的設計，降低了早期決策的沉沒成本，也讓合作門檻更親民。
擴大到區域合作的層次，加拿大—特別是溫哥華—擁有成熟的生醫與 AI 生態，台灣則在 ICT 與工程人才上有深厚底盤。會上亦有來賓提到，加拿大端對在地設立研發據點提供誘因，包括水電補助約 40%、人力與學研合作資源等，對跨境共創是一劑強心針。Kim 也強調從 MOA 與靶點洞察到 TPP 定義，台灣團隊完全可以把握上游策略，再把生成與化學設計交給 Enki 接棒負責，最後回到本地完成合成、測試與 CMC，鋪設出一條跨域分工、快速驗證的跑道。
如果還沒應用 AI 新藥開發，代表你已經落後
Kim 的結語話鋒一轉，既是中肯的建議，也是慎重的提醒。他認為未來十年，「臨床前或臨床開發中的資產，有一半將由 AI 生成；十五到二十年後，這個比例甚至會逼近 99.5%。」而談到對台灣團隊的實務建議，首先他建議把 TPP 說清楚：要的 MW、LogP、TPSA、效力與選擇性窗口、ADME/Tox 門檻與 CMC 可及性，都需要盡可能在設計階段一次到位；其次是把握多參數並行優化的優勢，用模型把不必要的 DMTA 嘗試次數減到最低；最後，把合成與測試的強項本地化，並在成本結構與速度上進行差異化。
他直言：「如果你還沒有把 AI 用在化學新藥開發上，代表你已經落後了。」這場演講所呈現的，不只是新工具的展示，而是一條重構藥物發現單位經濟、把科學往前推進的道路。Enki 的命題簡單樸實：把「篩選→修飾」重塑成「設計→合成」。在化學空間堪比宇宙的浩瀚尺度裡，真正能擴張的不是資料，而是演算法；真正被改寫的，不只是週期與成本，更是從一開始就提高成功率的方式。對想與加拿大生態接軌的台灣團隊而言，相信這是一個夠具體、也夠務實的起手式。
