当前AI药物发现的主要瓶颈在于过度依赖替代量度（如靶点活性），而非有效性或安全性数据，这导致技术路线在提升决策质量方面仍显局限，突破方向需转向更贴近临床真实世界的数据驱动方法。
替代量度的局限
AI在药物发现中的作用目前主要集中在速度和成本优化，而非决策质量。主流方法如分子生成和虚拟筛选，多依赖配体-蛋白质活性、靶点识别等替代量度，而非直接与有效性或安全性相关的数据结果。这种依赖的根源在于药物开发领域的数据积累不足：人类对蛋白质功能、细胞信号通路的理解仍有限，且高质量生物医学数据缺乏，数据孤岛问题长期存在。例如，化学结构空间预计达10的60次方数量级，但仅约2亿个类药分子得到实验表征，AI难以从有限的人类经验中学习到根本性规律。
突破方向：从替代量度到真实数据
要突破有效性瓶颈，未来技术路线需整合更多真实世界数据和临床试验预测模型。目前，将配体-蛋白质活性、靶点识别及PK性质（药代动力学）进行综合考虑仍是一大挑战。同时，通过作用机理和适应症对药物进行标签注释十分困难，化合物-蛋白质-作用机理-药效之间的联系尚不清晰，导致AI在缺少标签的数据集中难以发挥。但值得期待的是，随着算法更新、算力突破及大数据发展，AI有望深入应用到化合物合成、药效预测及自动化研发等环节，逐步从替代量度转向有效性/安全性数据驱动。
蛋白质工程：AI的先行突破
在更成熟的蛋白质工程领域，AI已展现出超越人类的能力。以GPT为代表的大模型在蛋白质设计上完全碾压人类，例如利用深海蛋白数据训练的大模型可轻松设计出耐高温目标蛋白。AI通过高维向量描述蛋白质特征，能抓住更本质的因素，甚至发现反直觉的优化点位，这为药物发现中的有效性预测提供了方法论借鉴。蛋白质工程的突破表明，在数据积累更充分的领域，AI能从替代量度走向第一性原理，为药物研发的“柳暗花明”奠定基础。
常见问题
AI药物发现为何不能直接使用临床试验数据？
临床试验数据获取成本高、周期长，且反馈周期缓慢，导致AI训练数据稀缺。目前，药物在细胞体系、小动物模型到人类个体的效果差异大，建立有效性与安全性的正负反馈仍需大量实验积累。
蛋白质工程的成功经验能直接应用于小分子药物发现吗？
蛋白质工程在数据积累和反馈机制上更成熟，但小分子药物发现面临更大的化学空间和生物复杂性。不过，蛋白质工程中AI从序列到结构再到功能的预测方法，可为小分子靶点预测和药效优化提供思路，但直接迁移仍需解决数据标签不足的问题。
未来AI药物发现的关键技术突破点在哪里？
关键在于整合多维度数据，包括基因组学、蛋白质组学、临床真实世界数据等，并发展能处理高维特征的算法，以建立化合物-蛋白质-作用机理-药效的关联。同时，需要缩短反馈周期，例如通过自动化实验平台和器官芯片技术，加速有效性数据的生成。