AI 设计的全新蛋白质若与天然蛋白序列相似度低于 30%，现有以天然蛋白和传统突变体为对象的监管逻辑难以直接套用，行业普遍认为需要为“非天然序列”建立针对性的生物安全评估维度。 目前这类分子在安全性评估与审批路径上尚无统一明确的标准，AI 药物研发整体仍处于探索阶段，监管框架的完善需要覆盖环境释放风险、免疫原性、生物安全等级分类等方向，并参考国际上的探索经验逐步补齐。

为什么现有监管逻辑“接不住”这类蛋白

传统生物安全与药品审批的适用逻辑，建立在一个默认前提上：被评估的对象要么是天然存在的蛋白，要么是在天然序列基础上做有限改造的突变体。蛋白质工程通常的做法，是把天然蛋白序列上的氨基酸做若干位点突变，使其在稳定性、结合力、亲和力、催化活性、底物选择性等方面更适配工业或医药应用环境——这类改造有明确的天然参照物，风险可比对、可追溯。

而 AI 通过学习已有蛋白质序列，可以创造出自然界不存在、但具备类似功能的蛋白，序列上与天然蛋白的相似度低于 30%。这意味着“找同源、比相似”的传统评估抓手被大幅削弱，需要新的判定依据。

监管需要覆盖的几个维度

  • 环境释放风险：非天然序列蛋白在开放环境中的行为缺乏天然参照，释放后的持久性与扩散路径需要单独评估。
  • 免疫原性：序列与天然蛋白差异较大时，人体免疫系统对其的识别与反应难以由天然同类蛋白外推。
  • 生物安全等级分类：现有分级多依据已知病原与天然序列特征，对“自然界不存在”的序列如何定级，需要新的分类口径。

国际探索与完善路径

国际上对 AI 设计生物分子的监管仍在探索阶段，尚未形成统一标准。可考虑的路径包括：建立面向非天然序列的申报与描述规范；把 AI 设计过程（训练数据来源、设计目标、生成与筛选记录）纳入可追溯链条；并将功能验证与安全验证分离，避免仅凭功能数据推断安全性。需要说明的是，AI 在药物发现上的作用目前仍局限在速度和成本上，而非决策质量，这也意味着安全性判断短期内仍要依赖实验与临床反馈。

常见问题

AI 设计的蛋白序列相似度低于 30%，是否等于“全新物种”风险？

序列相似度低只说明它与已知天然蛋白差异大，并不直接等同于高风险。风险高低取决于具体功能、暴露场景与免疫原性等，需要逐项评估而非仅看相似度。

现有药品审批流程能直接用于这类蛋白吗？

现有流程主要针对天然蛋白与传统突变体设计，对非天然序列缺乏针对性评估标准。能否适用，需视具体产品的功能、用途与暴露途径，并以后续监管规则的明确为准。

投资者该如何看待 AI 蛋白质设计相关方向？

AI 制药整体仍处于发展初期，面临数据、算法与专业人才挑战，商业模式也需市场进一步验证。相关方向的前景值得关注，但技术落地与监管明确都需要时间。