2026年6月，瑞典查爾姆斯理工大學（Chalmers University of Technology）的研究團隊在《科學進展》（Science Advances）上發表了一項具有深遠影響的成果：一種名為 TITO（Time-Informed Transformer with ODE）的 AI 模型，能夠將分子動力學模擬的速度提升 10,000 倍。從一個新藥分子概念的提出到臨床試驗，傳統上需要超過 10 年的時間和數十億美元的成本，而這項技術的出現，可能從根本上改變這一時間線。
TITO 模型的技術原理
傳統的分子動力學模擬基於牛頓力學的數值積分——計算所有原子之間的相互作用力，然後以飛秒（10⁻¹⁵秒）級別的時間步長逐步推進。這種方法精度高，但計算成本極其昂貴：要模擬一個蛋白質折疊的微秒級過程，需要進行十億次以上的時間步長計算，在超級計算機上也需要數週甚至數月的時間。
TITO 模型採用了一種截然不同的方法。它將分子動態視為一個時間序列預測問題，利用 Transformer 架構學習分子在長時間尺度上的演化模式。與傳統的逐級積分不同，TITO 可以直接預測分子在較大時間間隔後的狀態——從本質上「快進」時間。
模型的關鍵創新在於結合了兩類信息：一是從常規分子動力學模擬中學習的物理規律（通過 ODE——常微分方程——的約束），二是 Transformer 架構從大量訓練數據中學到的分子行為模式。這種混合方法使 TITO 既能保持物理合理性，又能實現前所未有的計算加速。
研究團隊表示，TITO 在測試中準確再現了傳統分子動力學模擬的結果，同時將計算時間從數天或數週縮短到數分鐘至數小時。
對藥物發現流程的深遠影響
藥物發現的早期階段——從靶點識別到先導化合物優化——是耗時最長、成本最高的環節之一。在這個階段，研究人員需要通過實驗和計算方法篩選數千到數百萬個化合物，評估它們與靶點蛋白的結合能力和藥理特性。
TITO 模型的 10,000 倍加速意味著，以前需要超級計算機集群處理數週的分子模擬任務，現在可以在單個 GPU 上幾小時內完成。這帶來了幾個層面的變革：
第一，篩選規模的擴大。研究人員可以在同樣的時間內測試 10,000 倍數量的分子，或對相同的分子庫進行更深入、更長時間的模擬，以更好地理解其長期行為和穩定性。
第二，計算成本的急劇下降。分子動力學模擬是目前藥物發現中最大的計算開銷之一。雲端 GPU 計算成本的大幅降低，將使小型生物技術公司和學術實驗室也能夠進行大規模的計算機輔助藥物設計，而不僅僅是大型製藥公司的專利。
第三，AI 與物理模擬的融合趨勢。TITO 代表的是一種更深層次的趨勢——AI 不再僅僅用於預測靜態結構（如 AlphaFold），而是開始學習動態過程本身。這從「結構生物學」（Structure Biology）邁向了「動態生物學」（Dynamic Biology），能夠更真實地反映分子在生物環境中的行為。
技術局限性與驗證挑戰
儘管 TITO 的加速效果令人印象深刻，但從學術成果到工業級應用仍有關鍵障礙需要克服。
最重要的問題是可靠性驗證。在藥物發現中，任何錯誤的預測都可能導致數百萬美元的後續實驗浪費，甚至更嚴重的是，錯失一個有潛力的藥物候選分子。10,000 倍的加速意味著 AI 模型跳過了大量的中間計算步驟——如果這些跳過的步驟中存在關鍵的物理轉變，模型可能會產生誤導性結果。
研究團隊在測試中將 TITO 的預測與傳統分子動力學模擬的結果進行了比對，但這些測試主要針對小分子系統和簡單蛋白質。在更複雜的系統中——如膜蛋白複合物、大分子機器或涉及化學鍵斷裂和形成的反應——TITO 的表現仍有待驗證。
此外，模型的可解釋性也是一個問題。當傳統模擬無法解釋為何某個分子表現出特定行為時，研究人員可以追溯每一步的原子級計算來理解機制。而 TITO 這樣的端到端 AI 模型則更像一個「黑箱」——它提供正確的答案，但對於理解答案背後的物理機制提供的幫助有限。
AI 驅動藥物發現的更大圖景
TITO 模型是 AI 在藥物發現領域不斷擴展影響力的最新例證。近年來的里程碑包括：
AlphaFold（DeepMind / Isomorphic Labs）：蛋白質結構預測的精確度達到實驗水平，2024年獲得諾貝爾化學獎。AlphaFold 3 進一步擴展到蛋白質-配體、蛋白質-DNA 等複合物的結構預測。
AlphaFold 的出現解決了「靜態結構」問題——在給定氨基酸序列的情況下預測蛋白質的三維結構。而 TITO 則解決了「動態行為」問題——蛋白質和分子如何隨著時間改變形狀和相互作用。兩者相輔相成，共同構成了計算藥物發現的完整工具鏈。
同時，生成式 AI 模型（如 NVIDIA 的 MolMIM、MIT 的 EQUIBIND）正在用於生成新的分子結構和預測結合方式。Isomorphic Labs（Google DeepMind 的衍生公司）正在開發為藥物發現專門定製的 AI 引擎，並已與 Eli Lilly 和 Novartis 等大型製藥公司建立了合作關係。
這些技術的匯聚正在重塑藥物發現的工作流程：從靶點發現（AI 分析基因組和蛋白質組數據）→ 結構預測（AlphaFold 及其後繼者）→ 動態模擬（TITO 類模型）→ 分子生成（生成式 AI）→ 候選選擇和優化（多目標 AI 優化）。
Observatory 分析
TITO 的 10,000 倍加速是一個令人矚目的數字，但作為科技觀測站，我們需要將其放在更廣闊的背景下審視。
藥物發現的根本瓶頸歷來不是計算能力，而是生物學理解的深度。分子動力學模擬之所以需要如此長的時間，是因為分子行為在本質上是複雜且非線性的——一個看似微小的初始條件變化可能導致完全不同的結果。AI 模型擅長在大量數據中發現模式，但對於藥物發現中的「長尾」問題——罕見但關鍵的分子行為——其表現仍是一個未知數。
我們將 TITO 放在 AI 藥物發現的四階段框架中評估：
- 靶點發現 —— AI 進展顯著（基因組學、蛋白質組學）
- 結構預測 —— AI 已達實驗水平（AlphaFold）✓
- 動態模擬 —— AI 剛剛開始展現潛力（TITO）⚡
- 臨床預測 —— AI 仍有待證明其價值
從投資角度來看，TITO 類技術的商業化路徑有兩種可能：一是作為雲端服務提供給製藥公司（類似於 Schrödinger 的商業模式），二是被大型製藥公司或 CRO 內部部署。Google DeepMind 的 AlphaFold 已經選擇了第一條路（通過 Isomorphic Labs），而 TITO 團隊需要決定其商業化策略。
真正的突破性時刻不是 10,000 倍加速本身，而是當一個由 AI 完全設計和優化的藥物通過臨床試驗並獲批上市的時候。這一天尚未到來，但 TITO 這樣的技術正在使之更近一步。
免責聲明：本文所載資料僅供參考，不構成任何投資建議或商業決策依據。數據及時間資訊以發布當日為準，可能隨後續發展而有所變動。作者及POC.HK不對因使用本文資訊而導致的任何損失承擔責任。