化合物空间10的60次方，AI医疗的全球竞赛中中国处于什么位置？

在10的60次方量级的化合物空间中探索新药，是AI医疗全球竞赛的共同背景。当前全球AI药物研发整体处于发展初期，中国与国际前沿在技术、数据、商业模式验证上存在差距，但中国在蛋白质设计等细分方向已展现出追赶势头，整体仍处于探索阶段。

共同的起点：10的60次方化合物空间

化学结构空间极为广阔，预计可评估的化合物数量级在10的60次方，而目前人类仅对约2亿个类药分子进行了实验表征，了解的只是冰山一角。AI的本质是复制并优化人类经验，当人类对生物和化学的理解尚不充分时，AI在药物开发中的广泛使用就面临天然瓶颈。

药物开发领域虽积累了海量信息，但未知更多。人类对大部分蛋白质的功能、修饰变化及细胞信号通路中蛋白质间的“对话”机制理解仍有限。同时，高质量的生物医学数据缺乏、数据孤岛问题持续存在，药物研发的反馈周期漫长，这些构成了全球AI制药共同面临的技术挑战。

中国的位置：探索阶段与局部突破

我国AI药物研发主要应用于药物发现环节和临床前研究环节，受生物系统内在复杂性和疾病异质性特征的制约，AI技术尚不能为药物研发的效率和成功率带来革命性改变，整体仍处于探索阶段。AI在药物发现上的作用目前仍局限在速度和成本层面，而非决策质量。

但蛋白质工程领域正成为“柳暗花明”的突破口。AlphaFold 2解决了蛋白结构预测问题，其精度可与实验媲美，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为代表的大模型已展现出超越人类经验的能力——上海交大洪亮教授团队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，且AI找到的某些优化点位违背人类直觉却能提高稳定性。

追赶中的优势与短板

中国的优势在于AI大模型技术在蛋白质设计等细分方向已展现“碾压人类经验”的潜力，且国内在基因测序等基础设施领域具备能力积累。AI用高维向量描述蛋白质特征时，有可能抓住比人类低维经验更本质的因素——在生物医学这类人类提取特征尚不充分的学科，AI的精度和成本优势可能更为显著。

短板同样清晰：药物研发是极度漫长严谨的过程，AI的快与制药的慢存在不可调和的矛盾。在第一个AI驱动药物跑完全程之前，科学界和资本市场都难以完全承认这一范式。此外，将配体-蛋白质活性、靶点识别及PK性质等综合考量仍是一大挑战，通过作用机理和适应症对药物进行标签注释十分困难，这使得AI在缺少标签的数据集中难以发挥。

常见问题

AI医疗全球竞赛中，中国与国际前沿的主要差距在哪里？

主要在数据积累、算法深度和商业模式验证三个层面。全球AI药物研发整体都处于发展初期，中国在药物发现和临床前研究环节已有应用，但受生物系统复杂性和疾病异质性制约，AI尚不能为研发效率和成功率带来革命性改变，企业商业模式也需市场进一步验证。

10的60次方化合物空间意味着什么？

这是化学结构空间的预计规模，人类目前仅对约2亿个类药分子进行了实验表征。如此巨大的未知空间意味着人类经验积累远远不足，而AI依赖人类经验进行学习和优化，因此这一背景决定了AI在药物开发中的广泛使用仍需较长时间。

中国在AI医疗领域有哪些值得期待的突破方向？

蛋白质工程是当前最值得关注的领域。AlphaFold 2解决了蛋白结构预测问题后，基于深度学习的蛋白质设计新方法不断涌现。在蛋白质设计方面，AI大模型已能设计出自然界不存在但具备类似功能的蛋白质，甚至找到违背人类直觉却更优的优化点位，这为中国在AI医疗细分赛道实现突破提供了可能。