AI设计的蛋白质序列与天然蛋白相似度低于30%，说明AI已能跳出自然进化路径、创造“自然界不存在但功能类似”的全新蛋白——但这只是计算层面的突破，距离成为安全有效的药物仍有漫长的科学验证与商业化鸿沟。核心不确定性在于：AI预测的“像蛋白”不等于“是药”，从序列到功能、从体外到体内、从动物到人体的每一步都可能让AI的“高分开局”归零。

从计算到实验：AI预测与湿实验之间存在系统性落差

AI在蛋白质设计上的优势集中于速度与成本，而非决策质量。官方资料明确指出，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直接相关的数据结果。AI擅长判别“什么像蛋白、什么不像蛋白”，但一个蛋白是否稳定、是否可溶、在体内是否会引发免疫反应，无法仅靠序列相似度或结构预测来断定。将配体-蛋白质活性、靶点识别及PK性质综合考量，依然是行业面临的重大挑战。

此外，AI设计的蛋白虽可能具备目标功能，但其免疫原性不可预测。天然蛋白质经过自然选择，在性能、稳定性、活性、特异性上已高度优化；而AI生成的“反直觉”序列缺乏进化筛选的“安全履历”，进入人体后可能被免疫系统识别为异物，这一风险在临床前阶段难以通过计算充分评估。

行业反馈周期过长：AI的“快”与制药的“慢”存在根本矛盾

AI制药落地的另一重障碍在于行业经验积累的反馈周期太长。药物在细胞体系中的表现，迁移到小动物模型已有很大差距，再到复杂的人类个体差异更大。一个药物是否真正有效、是“好药”还是“毒药”，只有通过实验和临床反馈来积累经验——而这些数据积累成本高、速度慢，反馈周期过长。官方资料对此有明确判断：在第一个AIDD药物跑完全程之前，无论是科学界还是资本市场都很难完全承认AIDD。

更根本的制约在于，药物开发领域虽积累了海量信息，但未知的更多。人类对大部分蛋白的功能及修饰变化并不完全知晓，对细胞信号通路中蛋白质间的“对话”机制理解局限。化学结构空间广阔，目前了解的只是冰山一角。AI的本质是复制并优化人类经验——如果人类对生物和化学尚未充分理解，就很难让AI去可靠操作。同时，高质量的生物医学数据缺乏、数据孤岛问题长期存在，且对健康和表型的定量测量刚刚起步，进一步限制了AI模型的训练质量。

常见问题

AI设计的蛋白质序列相似度低，是否意味着创新性更强？

序列相似度低于30%确实说明AI突破了自然进化的序列空间，创造了全新的蛋白骨架。但这只代表序列层面的新颖性，不等同于功能优越性或成药性。一个“全新”的蛋白可能折叠正确、功能达标，却因稳定性不足或免疫原性过高等问题在湿实验阶段被淘汰。

AI蛋白质设计目前处于什么发展阶段？

整体仍处于发展初期和探索阶段。受生物系统内在复杂性和疾病异质性特征的制约，AI技术尚不能为药物研发的效率和成功率带来革命性改变。企业商业模式也需要市场进一步验证。未来随着算法更新、算力突破及大数据发展，AI在化合物合成、药效预测及自动化研发等环节的作用有望逐步深化。

投资者应如何看待AI医疗的不确定性？

需区分“AI工具的进步”与“AI药物的成功”是两件事。AI在蛋白质设计上展现的能力值得关注，但药物开发的漫长周期、实验验证的高失败率、数据孤岛及反馈周期过长等结构性挑战，意味着从计算成果到商业化产品之间仍存在巨大不确定性和时间成本。在首个AI设计的药物完整走完临床全程之前，科学界与资本市场都难以给出最终定论。