AI医疗在药物标签注释困难下的技术路线转向，核心是从“小分子药物发现”转向“蛋白质结构预测与设计”：小分子路线受困于标签数据缺失，而以AlphaFold 2为代表的蛋白质工程路线，通过解决蛋白结构预测问题，为AI在生物医药领域打开了可量化、可验证的新范式。这一转向的本质，是从依赖海量高质量标注数据的“数据驱动”，转向利用物理规律与序列-结构映射关系的“结构驱动”。

小分子药物发现为何“卡”在标签上

传统AI制药（AIDD）主要应用于药物发现和临床前研究环节，其核心瓶颈在于数据。官方资料明确指出，通过作用机理和适应症来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以理清，这使得AI方法在缺少标签的数据集中很难发挥作用。

同时，药物开发领域虽积累了大量信息，但未知更多。化学结构空间广阔，目前了解的只是冰山一角；对蛋白质功能、修饰变化及细胞信号通路的理解仍很局限。AI的本质是复制并优化人类经验，当人类对生物和化学的理解尚不充分时，AI的决策质量便难以突破——其作用仍局限在速度和成本上，而非决策质量。

蛋白质设计：AlphaFold 2开启的新范式

转折点出现在2021年。AlphaFold 2解决了蛋白结构预测问题，其预测精度可与实验相媲美，并启发了基于深度学习的蛋白质设计新方法。DeepMind找到了连接1D序列与3D结构的数学关系，让AI能够判别“什么像蛋白质、什么不像蛋白质”，从而创造出自然界不存在但具备类似功能的蛋白。

蛋白质工程的目标，是在稳定性、结合力、亲和力、催化活性、底物选择性等方面进行优化。与药物标签注释的困难相比，蛋白质设计拥有更清晰的正反馈信号——蛋白是否耐高温、是否稳定，可以通过实验直接验证。这让AI的优化方向变得明确，反馈周期也大幅缩短。

大模型重塑AI医疗的技术壁垒

在蛋白质设计领域，以GPT为代表的大模型展现出显著优势。例如，利用深海耐高温蛋白数据训练大模型后，AI能够设计出具备耐高温特性的目标蛋白。大模型的逻辑与人类完全不同——它找到的某些优化点位可能违背人类直觉，但确实能提高蛋白质稳定性。

这背后的原理在于：人类科学知识的积累是从大量观测中归纳低维特征，在数学、物理等学科中，低维特征与结果是一一对应的；但在生物医学、材料工程等领域，人类提取的特征远远不够。AI通用大模型提取的是高维数据，精度更高、成本更低，有可能抓住更本质的因素。技术壁垒因此从“经验积累”转向“模型能力与数据质量”。

常见问题

AI蛋白质设计能替代传统药物研发吗？

不能简单替代。AI蛋白质设计主要解决的是蛋白结构预测与功能优化问题，而药物研发仍涉及临床验证、安全性评估等漫长流程。官方资料指出，在第一个AIDD药物跑完全程之前，科学界和资本市场都很难完全承认AIDD模式，蛋白质工程是当前更可落地的方向。

大模型在蛋白质设计中的优势体现在哪里？

主要体现在两方面：一是能够利用高维向量描述蛋白质特征，捕捉人类经验难以发现的本质因素；二是可以设计出与天然蛋白序列相似度低于30%但功能类似的全新蛋白，这超出了传统人工设计的能力范围。

蛋白质工程路线的数据依赖与小分子药物有何不同？

小分子药物发现需要大量带标签的药物-靶点-疗效数据，而这类数据严重缺乏且反馈周期长。蛋白质工程则可以利用序列-结构之间的物理映射关系，结合实验验证形成闭环，数据需求更聚焦、反馈信号更清晰，因此更适合当前AI技术发挥价值。