一、案例定位

生成式 AI／化學語言模型（Chemical Language Model, CLM）支援藥物研發。

二、學習目標

• 理解候選藥物探索的 AI 角色。
• 區分候選生成與臨床驗證。

三、案例情境

原書指出 Pfizer 使用生成式 AI 加速 drug discovery and development，縮短潛在 drug candidates 的辨識與開發流程。

四、開始資料

五、分析方法

追蹤候選數、篩選率、實驗驗證通過率、cycle time。

六、計算結果

原書沒有提供候選數或 time-to-market 百分比，故不補造。

七、結果分析與管理解讀

生成式 AI 可縮小研究空間，但不能把 generated candidates 當成已證實藥物。

八、AI 提問詞

根據候選藥物篩選表，計算各階段 conversion rate，並標示仍需實驗驗證的部分。

九、思考／情境變動

**題目：**若教材有 2,000 candidates、40 個進入實驗驗證，篩選率？

參考解答：40÷2,000=2%。