AI药物研发的数据瓶颈，在2010年代后期因化学空间探索的“冰山一角”与算法快速进步之间的巨大差距而成为行业共识的关键拐点。具体而言，预计可评估的化合物数量级高达10的60次方，但人类仅对约2亿个类药分子进行了实验表征，这种数据积累速度与算法需求之间的鸿沟，直接导致了后续研发管线的调整与行业反思。
从乐观到瓶颈：2010年代后期的转折
2010年代后期，AI药物研发迎来热潮，首批AI候选药物在2020年进入临床。然而，行业很快认识到，AI的本质是复制并优化人类经验，而药物开发领域“未知的更多”。化学结构空间广阔，但人类经验严重不足，高质量生物医学数据缺乏且数据孤岛问题突出，导致AI难以在决策质量上实现突破。这一阶段，数据瓶颈逐渐成为制约行业发展的核心因素。
数据不足引发的行业调整
由于数据积累成本高、反馈周期长，部分AI药物管线出现回撤。例如，药物在细胞体系、小动物模型与人类个体之间的效果差异巨大，而AI需要明确的正负反馈才能优化，但药物研发的反馈周期极度漫长。这迫使行业共识转向：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。
常见问题
AI药物研发的数据瓶颈具体指什么？
指化学空间（预计化合物数量级10的60次方）与已实验表征分子（约2亿个）之间的巨大差距，以及高质量生物医学数据的缺乏，导致AI算法难以有效训练。
2021年AlphaFold 2的出现是否解决了数据瓶颈？
AlphaFold 2解决了蛋白结构预测问题，但并未完全解决药物研发的数据瓶颈。它启发了基于深度学习的蛋白质设计新方法，但小分子药物研发的数据挑战依然存在，如靶点活性与有效性/安全性数据之间的脱节。
AI在药物研发中目前能发挥什么作用？
主要提升药物发现和临床前研究环节的速度和降低成本，但在决策质量上仍有局限。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。