在AI-ready三标准下，药物研发中的蛋白质工程之所以比小分子更早进入应用，核心在于蛋白质工程的数据反馈闭环更短、经验量化更清晰，而小分子药物受制于化合物空间巨大和反馈周期过长。用“行业经验丰富、经验可量化、反馈可分级”这三把尺子衡量，蛋白质工程在AlphaFold2解决结构预测后，已经跨过了AI广泛入局的门槛，而小分子药物研发仍处于探索期。
三标准对照：小分子为何“时候未到”
对照AI-ready三标准，小分子药物研发的短板非常明显。首先是经验积累不足：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，目前人类仅对约2亿个类药分子进行了实验表征，未知远大于已知。其次是反馈周期太长：一个药物是否真正有效，需要经过细胞、小动物到人类个体的层层验证，数据积累成本高、速度慢，AI难以获得足够的好/坏反馈来优化。因此，AI在小分子药物发现上的作用仍局限在速度和成本上，而不是决策质量。
蛋白质工程：AlphaFold2开启的“柳暗花明”
与制药的“慢”不同，蛋白质工程天然适配AI的快。2021年AlphaFold2横空出世，解决了蛋白结构预测问题，精度与实验相当，并启发了基于深度学习的蛋白质设计新方法。蛋白质工程的核心任务——在稳定性、结合力、催化活性等方面优化蛋白——正好符合“经验可量化、反馈可分级”的标准。上海交大洪亮教授利用深海蛋白（耐高温）数据训练大模型，AI就能设计出具备耐高温目标蛋白，且AI找到的优化点位有时违背人类直觉，却能抓住更本质的高维特征。这种明确的正负反馈，让AI在蛋白质设计上得以快速迭代。
应用场景：工业酶与抗体设计的落地逻辑
蛋白质工程的应用落地，源于其需求结构的特殊性。工业或医药使用场景与天然环境不同，需要在蛋白质序列上突变5-20个氨基酸，使其在真实应用环境中达到最优性质。AI通过学习已有蛋白质序列，可以创造自然界不存在但具备类似功能的蛋白，尽管序列相似度可能低于30%。相比小分子药物漫长的临床验证，蛋白质工程在工业酶、抗体设计等场景中，反馈更直接、验证周期更短，因此更早进入实际应用。
常见问题
蛋白质工程比小分子药物研发更容易落地吗？
是的，主要体现在数据反馈层面。小分子药物研发反馈周期长，AI难以获得及时的正负反馈；而蛋白质工程在AlphaFold2解决结构预测后，序列与功能的对应关系更明确，AI可以快速迭代优化。
AlphaFold2对蛋白质工程的意义是什么？
AlphaFold2解决了蛋白结构预测问题，精度与实验相当，并启发了基于深度学习的蛋白质设计新方法。它打通了从序列到结构的映射，让AI能够高效设计具备目标性能的蛋白质。
AI设计的蛋白质与天然蛋白质有何不同？
AI可以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相似度可能低于30%。此外，AI找到的优化点位有时违背人类直觉，却能提高蛋白稳定性等性能。