在AI医疗设计蛋白质的产业链中，上游数据商（如提供深海蛋白数据的机构）凭借稀缺性和高壁垒，议价权显著强于下游应用方（如工业酶企、药企）。这是因为高质量、有标签的蛋白质数据是训练AI模型的核心瓶颈，而下游应用方在短期内难以绕开这些独家数据源。
数据壁垒：上游议价权的根基
AI蛋白质设计的关键在于数据质量。上海交大洪亮教授团队使用海洋所的深海蛋白（耐高温）数据训练大模型，成功设计出具备耐高温特性的目标蛋白。这类深海蛋白数据具有天然稀缺性——获取成本高、环境要求苛刻，且经过自然选择的蛋白质在稳定性、活性等方面已十分优秀，但工业或医药应用需要针对特定环境（如高温）进行优化，因此这类高价值数据成为稀缺资源。上游数据商凭借对这类独特数据的独占性，在产业链中掌握了较强的定价话语权。
模型开发商：技术门槛高但可替代性弱
以AlphaFold 2为代表的AI模型解决了蛋白质结构预测问题，并启发了基于深度学习的蛋白质设计新方法。模型开发商（如DeepMind、洪亮团队）拥有算法和算力优势，但其模型训练高度依赖上游数据。虽然技术门槛高，但若上游数据商选择与其他模型开发商合作，下游应用方的可替代性依然有限。因此，模型开发商在产业链中处于中间位置，议价能力中等，更多依赖与数据商的独家合作或数据独占性来增强自身地位。
下游应用方：选择受限，议价权相对弱势
下游应用方（工业酶企、药企）是AI设计蛋白质的最终使用者，但它们在产业链中议价权相对较弱。原因在于：AI设计的蛋白质（如耐高温酶）需要满足特定工业或医药环境要求，而这类定制化设计高度依赖上游数据和模型。下游企业若想获得高性能的定制蛋白，通常需要与拥有独家数据或模型能力的供应商合作。此外，AI在药物发现中的作用仍局限在速度和成本上，而非决策质量，且药物研发周期长、反馈慢（如临床反馈周期长），进一步限制了下游企业快速切换供应商的能力。
常见问题
为什么蛋白质数据比小分子药物数据更难获得？
蛋白质功能涉及序列、结构和复杂的修饰变化，而人类对大部分蛋白的功能及蛋白间相互作用机制理解有限。相比之下，小分子药物领域已有约2亿个类药分子被实验表征，但蛋白质数据的高质量标注（如耐高温、高活性等）成本高、周期长，导致稀缺数据集中在少数机构手中。
下游企业能否通过自建数据池来增强议价权？
理论上可行，但实践难度极大。自建高质量蛋白质数据池需要长期、高成本的实验验证（如深海采样、高温环境模拟等），且反馈周期长（如药物从细胞到动物模型再到人体的效果差异巨大）。对于大多数工业酶企或药企，短期内难以复制上游数据商的独家数据资源。
专利布局如何影响议价权？
上游数据商和模型开发商可通过专利保护数据采集方法、模型算法及设计出的蛋白质序列，形成技术壁垒。例如，洪亮团队利用深海蛋白数据训练的大模型，其设计的耐高温蛋白若申请专利，将直接限制下游应用方的自由使用。这进一步强化了上游和中间环节的议价能力。