AI医疗药物研发面临的核心数据瓶颈，在于化学空间预计评估的化合物数量级高达10的60次方，而目前仅对约2亿个类药分子进行了实验表征，这一巨大落差直接塑造了下游应用场景的需求结构：越是依赖高质量标注数据、需要明确正负反馈的环节，AI落地节奏越慢；越是能借助生成式模型绕开标注依赖的环节，落地优先级越高。
数据瓶颈如何分化下游场景
按对数据的依赖程度，AI医疗药物研发的下游场景可划分为两类：
高数据依赖场景以ADMET预测（吸收、分布、代谢、排泄、毒性）为代表。这类场景需要大量与有效性、安全性直接相关的实验和临床反馈数据，但药物在细胞体系表现出的效果，迁移到小动物模型已有很大差距，再到人类个体差异更大，反馈周期长、成本高、速度慢。因此该场景的AI应用受到明显制约，落地节奏偏慢。
低数据依赖场景以分子生成为代表。这类场景借助大模型学习已有蛋白质序列和化合物特征，可以生成自然界不存在但具备类似功能的分子或蛋白，对“好坏标签”的依赖相对较低。例如在蛋白质设计方面，以GPT为代表的大模型已展现出较强的生成能力，AI甚至能找到违背人类直觉但能提升稳定性的突变点位。
场景差异决定需求优先级
不同场景对数据“量”与“质”的需求存在显著差异：
| 场景类型 | 数据需求特征 | 落地节奏 |
|---|---|---|
| ADMET预测等高依赖场景 | 需大量与药效、安全性相关的实验反馈，数据积累成本高、周期长 | 较慢，受数据瓶颈制约明显 |
| 分子生成等低依赖场景 | 依赖已有序列/结构数据，可借生成模型绕开部分标注需求 | 较快，AI优势更易发挥 |
目前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。将配体-蛋白质活性、靶点识别以及PK性质等进行综合考虑，依然是所面临的一大挑战。整体来看，AI药物研发仍处于发展初期，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。
常见问题
AI能解决化学空间10的60次方的探索问题吗？
化学空间极其广阔，人类已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尚未充分理解时，AI难以独立完成全部探索。但在蛋白质设计等特定方向，AI已能通过高维特征学习抓住更本质的因素，实现部分突破。
数据瓶颈对哪个环节影响最大？
对需要明确正负反馈的环节影响最大，如ADMET预测和临床前研究。药物是否真正有效、什么样的药是“好药”，只有通过实验和临床反馈积累经验数据，而这些数据积累成本高、反馈周期长，直接制约了AI在这些环节的发挥。
未来AI医疗药物研发的突破口在哪里？
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。目前较明确的突破口在蛋白质工程领域——AlphaFold等成果已解决了蛋白结构预测问题，并启发了基于深度学习的蛋白质设计新方法，这类相对绕开数据瓶颈的方向有望率先落地。