AI制药的反馈周期曾是制约行业落地的核心瓶颈，而AlphaFold 2解决了蛋白结构预测问题，使AI制药进入以蛋白质工程为代表的新阶段，这正是行业发展的关键拐点——当反馈周期从“以年计”缩短到“以周计”，AI在生物医药中的角色才真正从辅助工具转向驱动引擎。

早期困境：AI的快与制药的慢

AI药物研发的早期探索并不顺利。药品研发是极度漫长严谨的过程，AI的快和制药的慢存在不可调和的矛盾。在第一个AI制药药物跑完全程之前，科学界和资本市场都很难完全承认其价值。

这种矛盾源于药物开发领域的特殊性。虽然行业积累了海量信息，但未知的更多——我们对大部分蛋白的功能、蛋白的修饰变化、细胞信号通路中蛋白质的“对话”机制理解仍然有限。更重要的是，反馈周期太长：药物在细胞体系的效果与动物模型差距很大，再到人类个体又更不同；数据积累成本高、速度慢，AI难以及时获得“好坏”反馈来优化自身。

关键拐点：AlphaFold 2与蛋白质工程

转折发生在2021年。AlphaFold 2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。

这一突破的范式意义在于：DeepMind找到了一个数学公式，将蛋白质的1D序列和3D结构联系起来，网络已能很好判别什么像蛋白、什么不像蛋白。由此，AI制药的关注点从“小分子药物发现”转向蛋白质工程——通过突变蛋白质序列中少量氨基酸，使其在真实应用环境中达到最优性质，如稳定性、结合力、亲和力、催化活性、底物选择性等。

蛋白质工程的反馈周期远短于药物临床试验。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，这类蛋白与自然序列的相似度可低于30%。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——有些AI找到的优化点位违背人类直觉，却能有效提高稳定性。人类通过经验总结的规律往往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时，有可能抓住更本质的因素。

范式转变：从“做药”到“设计”

AI制药的柳暗花明，在于不再局限于“做药”，而是拓展到“不做药”的蛋白质工程。在生物医学这类人类提取特征仍不充分的学科，AI通用大模型提取的高维数据精度更高、成本更低，为行业带来了新的可能。

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，精度与实验相当。它将蛋白质的1D序列和3D结构通过数学公式联系起来，使AI能判断什么样的序列更像天然蛋白质，为后续的蛋白质设计奠定了基础。

为什么蛋白质工程比传统AI制药反馈更快？

传统AI制药受限于药物研发的漫长周期，在第一个AI药物跑完全程前难以获得完整验证。而蛋白质工程可以通过序列突变和实验验证快速迭代，反馈周期显著缩短，使AI的“快”能够真正发挥价值。

AI设计的蛋白质与天然蛋白质有何不同？

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，序列相似度可低于30%。此外，AI找到的优化点位有时违背人类直觉，却仍能有效提升蛋白质的稳定性等性质。