AI制药受制于药物研发的漫长反馈周期，整体尚处早期，但蛋白质工程因反馈更快、验证更直接，正成为AI落地生物医药的突破口。在蛋白质结构预测被AlphaFold2解决后，赛道竞争焦点已转向“设计”环节——谁能用AI高效改造蛋白质的性能，谁就握有下一代生物医药与工业催化的入场券。

为什么蛋白质工程能率先“跑通”

传统AI制药的痛点在于“AI的快”与“制药的慢”存在不可调和的矛盾：一个药物从靶点发现到临床反馈往往需要数年，数据积累成本高、速度慢，AI难以获得足量正负反馈来优化。而蛋白质工程则不同——其优化对象是蛋白质在稳定性、结合力、亲和力、催化活性、底物选择性等可量化的性能指标，突变后可通过实验快速验证，反馈链条远短于药物临床。

AlphaFold2在2021年解决了蛋白结构预测问题，精度与实验相当，并启发了基于深度学习的蛋白质设计新方法。这等于为AI找到了一个“数学公式”，将氨基酸的1D序列与3D结构联系起来，使AI能够创造自然界不存在但具备类似功能的蛋白——其序列与已知蛋白相似度可低于30%。

龙头卡位：从“预测结构”到“设计性能”

在蛋白质工程这一细分赛道，竞争格局的关键差异在于技术路线：

  • 基于大模型的序列设计：以GPT为代表的大模型在蛋白质设计上展现出超越人类经验的能力。例如，利用深海耐高温蛋白数据训练的大模型，可轻松设计出具备耐高温特性的目标蛋白。这类路线的优势在于能捕捉人类直觉难以发现的高维特征——AI找到的某些“反直觉”突变位点，反而能显著提升蛋白稳定性。

  • 基于结构逻辑的理性设计：人类经验总结的蛋白质结构规律多只有相关性而非因果性，而深度学习用高维向量描述蛋白质特征，有可能抓住更本质的因素。在生物医学这类低维特征不足以完备解释现象的学科中，AI大模型提取的高维特征精度更高、成本更低。

当前竞争的关键不在于谁能预测结构——这已被AlphaFold2解决——而在于谁能更高效地将序列、结构与功能需求闭环，在真实应用环境中获得性能最优的蛋白质。各家的技术分歧点集中在：用什么样的数据训练模型、如何设计反馈实验、以及如何将AI设计结果与湿实验验证高效衔接。

常见问题

蛋白质工程与AI制药是什么关系？

蛋白质工程是AI制药中反馈更快、更易验证的落地细分。传统小分子药物发现受限于生物系统复杂性和漫长的临床反馈，而蛋白质工程只需在序列层面做少量突变（通常5-20个氨基酸），再通过实验验证稳定性、活性等指标，迭代速度快得多。

AlphaFold2之后，这个赛道的核心挑战是什么？

结构预测已被解决，核心挑战转向蛋白质设计——即如何从海量序列空间中高效寻找具备目标性能的新蛋白。这需要高质量的训练数据、能捕捉高维特征的模型架构，以及将AI设计与实验验证高效闭环的工程能力。

哪些技术路线值得关注？

主要有两条：一是以大模型为代表的数据驱动设计，擅长发现反直觉的优化位点；二是结合结构生物学的理性设计，在已知机制上做定向优化。两者并非互斥，能将序列、结构与功能需求统一建模的团队，在该赛道更具卡位优势。