用AI-ready三标准（丰富经验积累、经验可量化、有分级反馈）逐一审视药物研发产业链，药物发现与临床前研究环节尚未完全具备AI ready条件，而蛋白质工程（酶工程）因AlphaFold 2的突破反而更接近AI ready，是产业链中被低估的环节。
药物研发产业链各环节对AI的接纳度差异显著。从AI-ready三标准来看，传统小分子药物发现环节面临的核心瓶颈在于人类经验本身的不足：化学结构空间广阔，预计评估的化合物数量级在10的60次方，目前仅对约2亿个类药分子进行了实验表征；同时，我们对大部分蛋白功能、修饰变化及细胞信号通路的理解仍局限。AI的本质是复制并优化人类经验，当人类对生物与化学的理解尚不充分时，AI的作用仍局限在提升速度和降低成本，而非改善决策质量。此外，药物研发的反馈周期过长，从细胞体系到小动物模型再到人类个体，效果差异巨大，缺乏快速、明确的分级反馈来指导AI优化方向。
产业链各环节AI就绪度对比
| 产业链环节 | 经验积累 | 可量化程度 | 分级反馈 | AI ready评估 |
|---|---|---|---|---|
| 药物发现 | 数据海量但未知更多 | 替代量度多，有效性数据缺乏 | 反馈周期长、成本高 | 尚未完全具备 |
| 临床前研究 | 受生物系统复杂性制约 | 数据孤岛问题突出 | 动物模型与人体差异大 | 探索阶段 |
| 蛋白质工程 | AlphaFold 2解决结构预测 | 序列-结构-功能可数学建模 | 稳定性、活性等指标明确可测 | 更接近AI ready |
蛋白质工程：被低估的AI ready环节
与AIDD的困境形成鲜明对比的是，AlphaFold 2解决了蛋白结构预测问题，且精度与实验相当，启发了基于深度学习的蛋白质设计新方法。蛋白质工程通过将天然蛋白质序列上的5-20个氨基酸进行突变，以优化稳定性、结合力、亲和力、催化活性、底物选择性等性质——这些性质恰好具备明确、可量化、有分级反馈的特征，完全契合AI-ready三标准。
以GPT为代表的大模型在蛋白质设计领域展现出显著优势。AI进行蛋白质设计的逻辑与人类不同，其找到的优质突变点位有时违背人类直觉，却能有效提升稳定性。这是因为深度学习用高维向量描述蛋白质特征时，能捕捉到比人类低维经验更本质的因素，在生物医学这类低维特征提取不足的学科中，AI的精度和成本优势更为突出。
常见问题
AI药物研发目前主要应用于哪些环节？
我国AI药物研发主要应用于药物发现环节和临床前研究环节，但受生物系统内在复杂性和疾病异质性特征制约，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，整体仍处于探索阶段。
为什么说蛋白质工程比小分子药物发现更接近AI ready？
蛋白质工程的核心任务——在稳定性、结合力、催化活性等方面优化蛋白质——具备明确可量化的指标和快速的分级反馈。AlphaFold 2解决了蛋白结构预测问题，使序列与结构之间建立了可计算的数学联系，为AI提供了高质量的训练数据基础。
AI在药物发现环节的具体局限是什么？
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。目前过多使用替代量度（如靶点活性）而非与有效性或安全性相关的数据结果，且难以理清化合物-蛋白质-作用机理-药效之间的联系，导致AI在缺乏标签的数据集中很难发挥作用。