药物标签注释之所以成为 AI 医疗的卡点，核心在于通过作用机理和适应症为药物打标签十分困难，化合物—蛋白质—作用机理—药效之间的联系尚难理清，缺少标签的数据集使 AI 方法难以发挥作用。放到全球 AI 制药格局中看，AI 药物研发整体处于发展初期，在数据、算法与专业人才方面均面临挑战，商业模式也需市场进一步验证；中国的 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与疾病异质性制约，整体仍处于探索阶段。

标签注释难在哪里

药物开发领域积累了海量信息，但未知的更多。DNA 转录成 RNA 再翻译成蛋白质，而大部分蛋白的功能及修饰变化并未被完全知晓，细胞膜上蛋白质的相互作用、细胞信号通路中各蛋白质与细胞器之间如何“对话”的机制，理解仍然有限。化学结构空间广阔，目前仅对约 2 亿个类药分子进行了实验表征。

与此同时，对健康和表型的定量测量刚刚起步，对导致健康或疾病状态随时间变化的动态过程缺乏了解。行业经验若难以被数据化，AI 就很难在短时间内被用上，高质量生物医学数据缺乏、数据孤岛是长期未解的难题。

全球格局与中国位置

AI 药物研发的困境还在于：药品研发极度漫长严谨，AI 的快与制药的慢存在难以调和的矛盾。在第一个 AIDD 药物跑完全程之前，无论科学界还是资本市场都很难完全承认 AIDD。

维度现状
全球阶段处于发展初期，面临数据、算法、专业人才挑战，商业模式待验证
中国应用环节主要应用于药物发现环节和临床前研究环节
主要制约生物系统内在复杂性、疾病异质性
总体判断尚不能为研发效率和成功率带来革命性改变，仍处探索阶段

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，例如过多使用靶点活性等替代量度，而非与有效性或安全性相关的数据结果。将配体—蛋白质活性、靶点识别以及 PK 性质综合考虑，依然是面临的一大挑战。

前景仍值得看好：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，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。在蛋白质设计方面，以 GPT 为代表的大模型已展现出显著能力，例如利用深海耐高温蛋白数据训练大模型，可设计出具备耐高温特性的目标蛋白。

常见问题

为什么药物标签注释这么难？

因为通过作用机理和适应症为药物打标签本身十分困难，化合物—蛋白质—作用机理—药效几方面联系尚未理清。缺少标签的数据集，使 AI 方法很难发挥应有作用。

中国 AI 制药在全球处于什么位置？

中国 AI 药物研发主要应用于药物发现环节和临床前研究环节，受生物系统复杂性和疾病异质性制约，整体仍处于探索阶段，尚不能带来革命性改变。数据孤岛与高质量生物医学数据缺乏，是全球共同面对的难题。

AI 制药的前景如何？

AI 制药前景依然值得看好。随着算法更新、算力突破及大数据发展，AI 技术有望深入新药研发各个环节，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。