AI 医疗正以高维向量刻画蛋白质特征，替代人类从实验中归纳的低维相关性规律，这一范式变化正在重塑蛋白质设计产业链的分工与价值分配。其核心逻辑是：人类经验总结出的结构规律只有相关性、缺乏因果完备性，而深度学习用高维向量描述蛋白质特征时，有可能抓住更本质的因素。 在数学、物理等低维特征与结果一对一对应的学科之外，生物医学、材料工程等学科因人类可提取的特征太少，AI 通用大模型提取的高维数据在精度与成本上更具优势。产业链因此从"人力密集的经验试错"向"数据—算力—模型—湿实验验证"的闭环重组。
上游：生物数据与算力成为新的稀缺资源
蛋白质设计的上游由两类要素构成。一类是生物数据：DNA 经测序仪读取 ATCG 排列，决定最终蛋白质的结构与功能；蛋白质由 20 种氨基酸按序组成肽链，折叠为三维结构后产生功能。另一类是算力与大模型能力。
需要清醒看待的是，高质量生物医学数据缺乏、数据孤岛长期难解，人类对大部分蛋白功能、修饰变化及信号通路机制的理解仍存局限。这意味着上游的价值不在于数据"多"，而在于数据能否被量化、定义成算法，并具备可分级的好坏判断——这正是行业能否广泛引进 AI 的前提条件。
中游：AI 建模平台从"辅助筛选"走向"生成设计"
中游的变化最为直接。AlphaFold 2 解决了蛋白结构预测问题，并启发了基于深度学习的蛋白质设计新方法；其关键在于将一维序列与三维结构建立数学联系，判别网络已很擅长判断什么像蛋白、什么不像蛋白。
由此，AI 可以学习已有蛋白质序列，创造自然界不存在但具备类似功能的蛋白，且与自然界序列相似度可低于 30%。在蛋白质工程的实际场景中，天然蛋白虽经自然选择在性能、稳定性、活性、特异性上表现优秀，但工业或医药使用环境不同，仍需对序列上 5-20 个氨基酸进行突变，以在真实应用环境中达到最优性质，优化方向包括稳定性、结合力、亲和力、催化活性与底物选择性。
值得注意的是，AI 找到的某些优点位违背人类直觉，却仍能提升稳定性——这正说明高维特征捕捉的是人类低维相关性规律难以覆盖的因素。
下游：湿实验验证与 CRO/CDMO 的角色重估
下游是湿实验验证环节。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；配体-蛋白质活性、靶点识别与 PK 性质的综合考虑仍是挑战，化合物-蛋白质-作用机理-药效之间的联系尚难理清，缺少标签的数据集中 AI 方法难以发挥作用。
同时，药物研发反馈周期长：细胞体系效果迁移到小动物模型已有很大差距，再到人类个体差异更大。因此下游 CRO/CDMO 的价值不在于被替代，而在于承接 AI 生成的海量候选分子，以实验反馈为模型提供训练信号，形成"设计—验证—再学习"的循环。整体而言，AI 药物研发仍处发展初期，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。
常见问题
高维向量方法相比人工规律总结，优势体现在哪里？
人类科学知识的积累是从大量实验观测中归纳低维特征，再构建特征与结果的关系；在生物医学等学科，人们提取的特征太少。而 AI 通用大模型提取的是高维数据，精度更高、成本更低。在蛋白质设计上，以 GPT 为代表的大模型已完全碾压人类。
产业链中哪一环最可能被重构？
中游 AI 建模平台的变化最直接——从结构预测延伸到生成全新蛋白；上游的数据与算力成为关键约束；下游湿实验与 CRO/CDMO 则转向为模型提供验证与反馈。三者关系从线性外包转为闭环协同。
现在就能依靠 AI 完成蛋白质设计全流程吗？
尚不能。AI 在药物发现上的作用仍局限在速度和成本上，而非决策质量，且反馈周期长、标签数据稀缺。蛋白质工程领域进展相对更快，但整体仍处探索阶段，需以官方后续公布及第三方实测为准。