生物医学数据孤岛确实是制约AI医疗自主创新的核心障碍，但国产替代的破局点并非在“AI制药”这一条路上硬闯，而是转向了以蛋白质工程为代表的“AI for Science”新范式。在药物发现领域，AI受限于数据质量与反馈周期，尚难带来革命性改变；而在蛋白质设计领域，AI已展现出远超传统方法的能力，这为自主可控的数据基础设施和算法创新提供了现实路径。
数据孤岛为何卡住AI制药
对照行业是否“AI ready”的三个标准——经验积累、经验量化、经验分级——药物开发目前距离广泛引入AI仍有较长距离。生物医学领域虽然积累了海量信息，但未知更多：人类对大部分蛋白的功能、修饰变化及细胞信号通路中的“对话”机制理解仍很局限。化学结构空间广阔，目前人类仅对约2亿个类药分子进行了实验表征，而评估的化合物数量级在10的60次方。
高质量的生物医学数据缺乏，数据孤岛一直是难解决的问题。同时，药物研发的反馈周期太长——药物在细胞体系的表现迁移到小动物模型有很大差距，再到人类个体就更不同。AI的本质是复制并优化人类经验，如果人类经验本身不足、数据难以量化、反馈又慢，AI就难以发挥作用。
国产替代的突破口：从“AI制药”到“AI for Science”
AI制药在小分子上的最大瓶颈还是数据。但2021年AlphaFold 2横空出世，解决了蛋白结构预测问题，精度可与实验媲美，并启发了基于深度学习的蛋白质设计新方法。在蛋白质设计方面，以GPT为代表的大模型已经展现出显著能力——AI可以通过学习已有蛋白质序列，创造自然界不存在但具备类似功能的蛋白，其序列与自然界的相似度可低于30%。
在蛋白质工程的实际应用中，需要在稳定性、结合力、亲和力、催化活性、底物选择性等方面进行优化。例如，利用深海耐高温蛋白数据训练大模型，AI能够设计出具备耐高温特性的目标蛋白。更关键的是，AI进行蛋白质设计的逻辑与人类完全不同，其找到的有些优化点位违背人类直觉，却能提高稳定性——人类经验总结出的规律往往只有相关性而没有因果性，而深度学习用高维向量描述蛋白质特征时，可能抓住更本质的因素。
| 维度 | AI制药（小分子） | AI for Science（蛋白质工程） |
|---|---|---|
| 核心瓶颈 | 数据孤岛、反馈周期长 | 数据相对可获取，结构预测已突破 |
| AI角色 | 提升速度与成本效率 | 直接参与设计，可能超越人类经验 |
| 成熟度 | 探索阶段，商业模式待验证 | 大模型已展现碾压级能力 |
常见问题
AI制药是否完全没有前景？
并非如此。当前AI在药物发现上的作用仍局限在速度和成本上，而非决策质量，整体处于探索阶段。但随着算法更新、算力突破及大数据发展，AI技术将深入应用到新药研发的各个环节，在化合物合成、药效预测及自动化研发等阶段扮演越来越重要的角色。
为什么蛋白质工程比小分子药物更适合AI切入？
药品研发极度漫长严谨，AI的“快”与制药的“慢”存在不可调和的矛盾，在第一个AIDD药物跑完全程之前，科学界和资本市场都很难完全承认。而蛋白质工程的结构预测问题已被AlphaFold 2解决，且大模型在蛋白质设计上已展现出超越人类经验的能力，反馈链条更短、验证更直接。
国产替代在AI医疗领域的核心机会在哪里？
核心机会在于“AI for Science”范式——利用自主可控的数据基础设施和算法能力，在蛋白质设计、酶工程等细分领域建立竞争优势。相比小分子药物研发的漫长验证周期，蛋白质工程领域AI已能直接产出可验证的设计结果，这为国产技术突破提供了更现实的路径。