AI制药的发展历程中，2021年AlphaFold横空出世、解决蛋白结构预测问题，是最具标志性的技术拐点。在此之前，AI制药主要聚焦于小分子药物发现，受制于生物系统复杂性和高质量数据缺乏，AI的作用局限于提升速度和降低成本，而非改善决策质量；在此之后，AI进入蛋白质工程这一全新领域，随后生成式大模型的入局又进一步颠覆了蛋白质设计的逻辑，推动行业从“AI辅助发现”走向“AI自主设计”。

拐点一：AlphaFold 2——从“数据困境”到“结构突破”

在AlphaFold出现之前，小分子药物发现领域的AI应用面临显著瓶颈：药物开发虽积累了海量信息，但未知更多，化学结构空间广阔，人类对大部分蛋白的功能及修饰变化并不完全知晓。同时，高质量生物医学数据缺乏、数据孤岛难以解决，且药物反馈周期极长——AI的快与制药的慢存在不可调和的矛盾。

2021年，AlphaFold 2解决了蛋白的结构预测问题，精度与实验相当。这一突破将AI从“数据匮乏”的小分子领域，带入了“结构可解”的蛋白质工程领域。它找到了一个数学公式，将1D序列和3D结构联系起来，让AI得以学习已有蛋白质序列并创造自然界不存在的、具备类似功能的蛋白。

拐点二：深度学习驱动的蛋白质设计——打开新空间

AlphaFold 2的启示催生了基于深度学习的蛋白质设计新方法。天然蛋白质经自然选择已达到性能、稳定性、活性、特异性俱佳的状态，但工业或医药使用场景要求不同，需要通过突变氨基酸来优化其在真实应用环境中的性质——包括稳定性、结合力、亲和力、催化活性、底物选择性等。

AI在这一环节展现出独特价值：AI进行蛋白质设计的逻辑和人类完全不同。人类通过几十年经验总结出的蛋白质结构规律只有相关性而无因果性，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。有些AI找到的优化点位甚至违背人类直觉，却能有效提高蛋白质稳定性。

拐点三：生成式大模型——从“辅助工具”到“设计主体”

以GPT为代表的大模型入局后，蛋白质设计能力再次跃升。在蛋白质设计方面，以GPT为代表的大模型已展现出超越人类经验的能力。例如，利用深海蛋白（耐高温）数据训练大模型，AI能够设计出具备耐高温特性的目标蛋白。AI通用大模型提取的是高维特征，精度更高、成本更低，在生物医学这类人类提取特征偏少的学科中，AI有可能比人类更精准。

常见问题

AlphaFold 2解决了什么问题？

AlphaFold 2解决了蛋白质结构预测问题，预测精度与实验相当。它找到了连接1D序列和3D结构的数学公式，使AI能够从蛋白质序列出发预测其三维结构，为后续蛋白质设计奠定了基础。

生成式大模型与早期AI制药有何不同？

早期AI制药主要在小分子药物发现中辅助提升速度和降低成本，而生成式大模型直接参与蛋白质设计，其设计逻辑与人类完全不同，能够抓住更高维、更本质的特征，甚至找到违背人类直觉但有效的优化方案。

AI制药目前处于什么发展阶段？

AI药物研发仍处于发展初期，技术上存在数据、算法和专业人才挑战，商业模式有待验证。AI在药物发现上的作用目前仍局限在速度和成本方面，而非决策质量。但整体前景值得看好，未来AI将深入应用到新药研发的各个环节。