Menten AI
用生成式 AI 加物理模型與量子模擬設計環狀胜肽，命中率宣稱逾九成
製藥界有一類目標被稱為「不可成藥」（undruggable），其中最麻煩的是蛋白質-蛋白質交互作用介面（PPI）。
原因很物理：這種介面又大又平，沒有小分子藥物可以塞進去的口袋。傳統小分子鑽不進去，抗體又太大進不了細胞。結果就是——明知道那是致病關鍵，就是沒藥。
Menten AI 押注的解法是環狀胜肽（peptide macrocycles）：大到能貼合平面介面，小到有機會穿透細胞膜。
功能特色與適用場景
它的平台叫 MAUD 1.0，官網定義是一個物理基礎的生成式平台，能為複雜藥物標的（包含困難的蛋白質-蛋白質介面）從零（de novo）設計環狀胜肽。
技術路線的關鍵在「混合」：官網說法是結合生成式 AI、物理基礎模型與量子模擬。這不是純資料驅動的做法——蛋白質構型的能量計算有物理定律可依循，硬要用資料硬學反而繞遠路。
官網公布的 MAUD 1.0 成果包括：奈莫耳等級的效價（nanomolar potency）、口服生體可用率、細胞穿透性，以及超過 90% 的命中率（hit rate）。最後這個數字若屬實相當驚人——傳統篩選的命中率通常以千分之一計。
公司自述與「全球前十大藥廠」有合作關係，並有創投資金支持。
適用場景：新藥研發的先導化合物設計、難成藥標的的胜肽設計、蛋白質-蛋白質交互作用抑制劑開發、酵素工程。台灣的生技產業以 CDMO 與學名藥為主，新藥設計端能力相對薄弱，這類平台的意義比較偏向「看清國際前沿在做什麼」。可對照站上的 AI 醫療與健康 分類。
TheAI學院 編輯建議
編輯實測後的真心話AI 做藥這件事，這幾年被講到有點麻木了——每家都說自己能加速研發，但真正走到上市的還沒幾個。我看 Menten 比較有感的地方是它挑了一個很具體的難題：不可成藥標的的環狀胜肽。這種「窄而深」的定位，通常比「我們什麼分子都能設計」可信。台灣讀者看這類公司，重點不是它會不會成功，是它示範了一件事：AI 的價值在於縮小搜尋空間，不在於取代實驗。
主要功能
- MAUD 1.0 物理基礎生成式胜肽設計平台
- 從零（de novo）設計環狀胜肽
- 生成式 AI 結合物理模型與量子模擬
- 針對蛋白質-蛋白質介面等困難標的
- 官方宣稱命中率超過 90%
- 奈莫耳效價、口服生體可用率與細胞穿透性
適用場景
- 蛋白質-蛋白質交互作用抑制劑設計
- 難成藥標的的先導化合物開發
- 口服胜肽藥物的設計最佳化
- 酵素工程與蛋白質改造
- 藥廠外部創新合作專案
Menten AI 的優點與缺點
優點
- 鎖定「不可成藥」標的，切點明確而非泛泛做藥物 AI
- 物理模型加生成式 AI 的混合路線，不純靠資料硬學
- 有前十大藥廠合作關係作為背書
- 公布的效價與穿透性指標具體，非空泛宣稱
缺點
- 命中率 90% 為公司自述，缺乏同儕審查驗證
- 胜肽藥物的臨床成功率仍待長期驗證
- 非自助服務，一般研究者無法直接使用
- 官網未明確標示公司所在地與團隊規模
價格方案
藥廠合作與授權模式，非自助訂閱，官網未公開價格。
Menten AI 常見問題
環狀胜肽為什麼被視為新機會？
因為它卡在小分子與抗體之間的空隙。小分子鑽不進蛋白質-蛋白質那種又大又平的介面，抗體雖然能結合但太大進不了細胞。環狀胜肽的尺寸剛好，加上環化能提升穩定性與口服可能性——所以近年成為藥廠重點佈局的分子型態之一。
「90% 命中率」該怎麼看？
這是公司自述的數字，也沒說明分母如何定義（設計幾個、測試幾個、什麼算命中）。藥物設計的命中率高度依賴標的難度與篩選標準，不同公司的算法不一定可比。合理的態度是：把它當作平台有實際產出的訊號，而不是一個可以拿來比較的客觀指標。
台灣的生技團隊能用得上嗎？
直接使用的門檻高——這類平台走的是藥廠合作模式，不是租用制軟體。對台灣團隊比較實際的價值是方法論參考：物理模型加生成式 AI 的混合路線，在計算資源有限時比純深度學習更可行，這對學研單位反而是好消息。
使用者評價
還沒有足夠評價，搶先分享你的使用心得！
寫下你的評價
Menten AI 的替代方案
查看相似的 AI 工具 →相關 AI 工具
猜你也想看的AI 資料探勘
更多美國的 AI 工具
同樣來自美國的 AI 工具，一起看看。