面对10的60次方化合物空间，AI医疗的供需节奏与行业周期如何把握？

面对10的60次方化合物空间，AI医疗的供需节奏与行业周期如何把握？当前AI药物研发整体处于发展初期，技术供给与产业需求尚未完全匹配，行业周期仍处在探索与验证阶段。 化学结构空间广阔，预计评估的化合物数量级在10的60次方，目前我们了解的只是冰山一角，仅对约2亿个类药分子进行了实验表征。供给端AI工具能力快速提升，但需求端药物研发的漫长严谨流程与AI的快节奏存在不可调和的矛盾，供需节奏的错配正是理解行业周期的关键。

供需匹配：工具能力与研发需求的错位

从供给端看，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。例如过多使用替代量度（如靶点活性），而不是与有效性或安全性相关的数据结果，将配体-蛋白质活性、靶点识别及PK性质进行综合考虑依然面临挑战。从需求端看，药物开发领域虽然积累了海量的信息，但未知的更多——我们对大部分蛋白的功能包括蛋白的修饰变化并不完全知晓，对细胞信号通路中各蛋白质、细胞器之间如何“对话”的机制理解局限。AI的本质是复制并优化人类经验，人类经验不足，AI便难以有效操作。

判断行业是否到了广泛引进AI的阶段，可参照三个标准：行业已积累丰富的人类经验、经验能被量化并定义成算法、经验有分级能判断好坏。 对照来看，药物开发距离“AI ready”的广泛性使用仍具有较长的距离。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；药物反馈周期长，从细胞体系到小动物模型再到人类个体，差异显著，数据积累成本高、速度慢。

周期定位：发展初期的探索与验证

目前AI药物研发处于发展初期，技术上面临数据、算法和专业人才方面的挑战，企业商业模式也需要市场进一步验证。 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。

AIDD的困难之处在于药品研发是极度漫长严谨的过程，AI的快和制药的慢有着不可调和的矛盾。在第一个AIDD药物跑完全程之前，无论是科学界还是资本市场都很难完全承认AIDD。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-药效之间的联系尚难理清，这使得AI方法在缺少标签的数据集中很难发挥作用。

结构性机会：蛋白质工程与AI for Science

尽管小分子药物发现面临数据瓶颈，但蛋白质工程领域展现出不同的节奏。AlphaFold 2解决了蛋白结构预测的问题，和实验一个精度，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为代表的大模型已展现出显著能力——AI可以通过学习已有的蛋白质序列，创造自然界不存在但具备类似功能的蛋白，从序列上讲与自然界的蛋白序列相似度低于30%。

未来随着算法的更新、算力的突破及大数据的发展，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。 在生物医学这类人类提取特征尚不充分的学科，AI通用大模型提取的高维数据可能实现更高精度、更低成本的突破。AI制药的前景依然值得看好，但供需节奏的匹配需要时间，行业周期的把握应建立在对技术成熟度的理性认知之上。

常见问题

AI医疗行业当前处于什么周期阶段？

目前AI药物研发处于发展初期，整体仍处于探索阶段。技术上面临数据、算法和专业人才方面的挑战，企业商业模式也需要市场进一步验证，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。

制约AI医疗供需节奏的主要瓶颈是什么？

主要是数据、算法和专业人才三方面挑战。高质量生物医学数据缺乏、数据孤岛难以解决；药物研发反馈周期长，数据积累成本高、速度慢；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。

蛋白质工程为何被视为AI医疗的突破口？

AlphaFold 2解决了蛋白结构预测问题，与实验精度相当，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显著能力，AI可以通过学习已有蛋白质序列设计出自然界不存在但具备类似功能的蛋白。