在AI医疗中，化合物化学空间据估计可达10的60次方，但目前仅约2亿个类药分子经过实验表征，这一巨大差距凸显了AI在药物发现中的潜力与挑战。产业链的布局需从上游数据与算法、中游药物发现、下游临床开发三个环节协同推进，其中数据质量和反馈周期是关键瓶颈。
上游：数据、算力与算法
上游是AI药物研发的基础，包括高质量生物医学数据的积累、算力支撑和算法开发。目前，行业面临数据孤岛和高质量数据缺乏的问题，人类对蛋白质功能、修饰及细胞信号通路的理解仍有限，这使得AI难以复制和优化人类经验。算力方面，虽未公布具体参数，但算法更新和算力突破是未来发展的重点。蛋白质设计领域，以GPT为代表的大模型已展现出超越人类的能力，例如通过深度学习设计出反直觉的耐高温蛋白。
中游：靶点发现与先导化合物优化
中游环节应用AI进行靶点识别和先导化合物优化。AI在药物发现上的作用目前仍局限在速度和成本提升，而非决策质量。例如，过多依赖靶点活性等替代量度，而非直接与有效性或安全性相关的数据。化合物-蛋白质-作用机理-药效之间的联系尚难理清，导致AI在缺少标签的数据中难以发挥。但AlphaFold 2等工具已解决了蛋白结构预测问题，为蛋白质工程打开了新路径，AI能通过序列设计创造出自然界不存在但功能相似的蛋白。
下游：临床试验与监管审批
下游环节是验证AI预测结果的关键，但反馈周期漫长。从细胞模型到小动物模型再到人类个体，药物效果差异显著，且“好药”与“毒药”的判定需依赖实验和临床反馈。目前，AI药物研发整体处于探索阶段，第一个AIDD药物跑完全程前，科学界和资本市场仍持谨慎态度。未来，随着算法、算力和大数据的发展，AI有望深入应用到新药研发的各个环节。
常见问题
为什么化合物空间巨大但实际表征分子很少？
据估计，化学结构空间中的化合物数量级达10的60次方，但人类目前仅对约2亿个类药分子进行了实验表征。这主要是因为生物系统内在复杂性高，人类对大部分蛋白功能和相互作用机制了解不足，导致数据积累缓慢。
AI在药物发现中面临哪些主要挑战？
主要挑战包括：高质量生物医学数据缺乏且存在数据孤岛；人类对健康和表型的定量测量刚刚起步；药物反馈周期长，从细胞到动物到人体的效果差异大。AI目前更多是在速度和成本上优化，而非决策质量。
蛋白质工程为何被视为AI制药的突破口？
蛋白质工程领域的数据瓶颈较小，AlphaFold 2已解决了蛋白结构预测问题，且AI在蛋白质设计上展现出超越人类的能力，能创造出反直觉但性能更优的蛋白。这为AI在生物医药中的应用提供了更直接的路径。