生物医学数据孤岛问题在AI医疗的不同下游应用场景中形成了差异化的制约，其中药物研发是数据需求最迫切、缺口最大的领域，而影像诊断和蛋白质工程则因数据可得性不同而处于不同的发展节奏中。
数据孤岛对药物研发的制约最为突出
药物研发是AI医疗中受数据孤岛困扰最严重的下游应用。官方资料指出，AI药物研发处于发展初期，技术上面临着数据、算法和专业人才方面的挑战。其根本原因在于，高质量的生物医学数据缺乏，数据孤岛是一直难解决的问题。具体表现为：人类对大部分蛋白的功能及修饰变化尚不完全知晓，对细胞信号通路的机制理解局限；化学结构空间广阔，预计评估的化合物数量级极高，目前仅对约2亿个类药分子进行了实验表征。同时，AI在药物发现上的作用仍局限在速度和成本上，而不是决策的质量，因为过多使用靶点活性等替代量度，而非与有效性或安全性相关的直接数据结果。
蛋白质工程：数据突破的“柳暗花明”
与药物研发形成对比的是，蛋白质工程领域因AlphaFold2的突破而迎来数据拐点。2021年，AlphaFold2解决了蛋白结构预测问题，精度与实验相当，并启发了基于深度学习的蛋白质设计新方法。这使得在蛋白质设计方面，以GPT为代表的大模型已经完全碾压了人类。例如，利用深海蛋白数据训练的大模型，能轻松设计出具备耐高温等目标特性的蛋白，甚至能发现违背人类直觉但有效的优化点位。这表明，当高质量的结构数据被AI有效利用时，可以显著加速下游应用。
常见问题
为什么AI药物研发比蛋白质工程更受数据限制？
药物研发面临更复杂的生物系统内在复杂性和疾病异质性，化合物-蛋白质-作用机理-药效之间的联系难以理清，使得AI在缺少标签的数据集中很难发挥作用。而蛋白质工程已有明确的序列-结构-功能映射关系，并借助AlphaFold2等工具获得了高质量的结构数据。
AI在药物发现环节目前能解决什么问题？
目前AI药物研发主要应用于药物发现和临床前研究环节，主要作用体现在提升速度和降低成本，但尚未为药物研发的效率和成功率带来革命性改变。企业商业模式也需要市场进一步验证。
未来AI医疗的数据突破方向在哪里？
未来随着算法更新、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，AI有望扮演越来越重要的角色。同时，蛋白质工程等数据条件更成熟的领域，可能更快实现商业化落地。