AI设计蛋白质的序列相似度低于30%，意味着AI并非在天然蛋白上做简单修补，而是直接生成了自然界不存在的全新蛋白骨架。这一能力被业内视为AI医疗从“预测工具”走向“创造引擎”的分水岭——掌握低序列相似度蛋白质从头设计能力，且具备高通量湿实验闭环验证的企业，才真正握有底层技术壁垒。
从结构预测到生成式设计：底层逻辑的跃迁
2021年AlphaFold2解决了蛋白结构预测问题，其精度可与实验媲美。但预测结构只是第一步，真正的难点在于“反向设计”：给定一个期望功能，生成一条自然界不存在的氨基酸序列，使其折叠后具备该功能。官方资料指出，AI可以通过学习已有蛋白质序列，创造与自然界不存在但具备类似功能的蛋白，从序列上讲，与自然界的蛋白序列相似度低于30%。
这背后的技术路线差异极大。传统蛋白质工程依赖人工经验，在天然序列上做5-20个氨基酸的点突变，以优化稳定性、结合力、亲和力等性质。而生成式AI蛋白设计的逻辑完全不同——以GPT为代表的大模型在蛋白质设计上展现出显著优势，AI找到的优化点位有时违背人类直觉，却依然能提升蛋白稳定性。原因在于人类经验总结的是低维特征与结果的相关性，而深度学习用高维向量描述蛋白质特征，可能抓住更本质的因素。
真自研与包装概念：算法壁垒的识别框架
判断一家AI医疗企业是否真正掌握底层技术，可从三个维度交叉验证：
| 验证维度 | 核心技术指标 | 伪技术包装的典型特征 |
|---|---|---|
| 算法架构 | 是否具备生成式蛋白大模型，而非仅依赖公开的判别式预测工具 | 只宣传“使用AI辅助”，无自研模型细节 |
| 数据闭环 | 是否拥有高通量湿实验（表达、纯化、活性检测）反馈迭代 | 仅有干实验计算，无实验验证数据 |
| 验证进度 | 设计蛋白是否在工业酶、抗体、疫苗等场景进入真实应用验证 | 停留在论文或概念演示阶段 |
拥有高通量湿实验闭环的企业更具竞争力。AI设计出的蛋白序列是否真实可折叠、有功能，必须通过实验反馈来验证和迭代。缺乏实验闭环的纯计算公司，其设计能力难以被证实，也难以持续优化。此外，AI药物研发目前仍处于发展初期，在药物发现环节的作用更多体现在速度和成本上，而非决策质量。相比之下，蛋白质工程领域的商业化验证周期更短，更可能率先跑通“AI设计—实验验证—规模应用”的闭环。
常见问题
序列相似度低于30%意味着什么？
意味着AI设计出的蛋白在氨基酸序列层面与任何已知天然蛋白都有显著差异，属于真正的从头设计。这不同于在天然蛋白上做少数位点突变的定向进化——后者序列相似度通常在90%以上。低于30%的相似度说明AI已经掌握了蛋白质折叠的底层规律，而非简单的局部优化。
蛋白质设计比小分子AI制药更容易落地吗？
是的。AI制药在小分子领域面临数据不足的瓶颈，药物研发是极度漫长严谨的过程，AI的快与制药的慢存在矛盾，在第一个AI设计的药物跑完全程之前，行业很难完全认可其价值。而蛋白质工程的应用场景（工业酶、诊断试剂等）验证周期短、反馈直接，更利于AI技术的快速迭代和商业化。
如何识别真正有技术壁垒的AI蛋白设计公司？
重点看三点：一是是否拥有自研的生成式蛋白大模型及相应训练数据规模；二是是否建立“设计—合成—表达—活性检测”的湿实验闭环，形成数据飞轮；三是是否有进入真实应用场景验证的候选蛋白。只宣传概念、缺乏实验数据支撑的企业，难以构成真正的技术壁垒。