AI蛋白质设计的决策逻辑与人类经验存在本质差异，这给监管评价带来了核心挑战：传统基于人类可理解机制进行审评的框架，难以直接适用于“反直觉”的AI设计结果，监管需转向“结果验证”与“过程透明”并重的新评价体系。

AI在蛋白质设计领域的突破，源于其工作方式与人类完全不同。人类通过几十年的经验总结出蛋白质结构规律，但这些规律大多只有相关性、缺乏因果性，并非决定功能的完备因素。而深度学习模型能够用高维向量描述蛋白质特征，有可能抓住更本质的因素，甚至找到违背人类直觉、却能提升蛋白质稳定性的突变点位。这种“反直觉”特性，恰恰是现有药品审评和伦理审查框架的盲区——审评人员无法依据传统经验判断AI的设计“为什么有效”，也就难以用旧逻辑评估其安全与有效性。

现有监管框架为何“失灵”

传统药物审评依赖可解释的机理链条：化合物如何作用于靶点、通过何种通路产生疗效。但AI蛋白质设计绕过了这一链条。官方资料指出，目前AI在药物发现上的作用仍局限在速度和成本上，而不是决策质量；且化合物-蛋白质-作用机理-药效之间的联系尚难理清，这使得AI方法在缺少标签的数据集中很难发挥作用。当AI设计出的蛋白质无法用既有生物学知识解释时，监管者面临两难：若因“不可解释”而否决，可能扼杀创新；若因“结果有效”而放行，又缺乏过程安全的保证。

新评价体系的构建思路

监管改革的方向，是建立结果导向与过程透明相结合的双轨评价机制。一方面，以实验验证为核心，要求AI设计的蛋白质在稳定性、结合力、催化活性等维度通过严格的功能测试，用可重复的实验数据替代对机理的追问；另一方面，要求企业披露AI模型训练数据的质量、算法验证的完整记录以及反直觉设计的筛选依据，让“黑箱”过程在监管视野下变得可追溯。这种思路承认AI逻辑与人类不同，但通过强化终点的实证检验和过程的留痕管理，在鼓励创新与保障安全之间寻找平衡。

常见问题

AI设计的蛋白质与天然蛋白质有何区别？

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，其序列与自然界的蛋白相似度可能低于30%。天然蛋白质经过自然选择，在性能、稳定性、活性、特异性上已很优秀，但AI设计的目标是让蛋白质适应工业或医药应用中的特定环境要求，例如通过突变5-20个氨基酸来优化稳定性、结合力、亲和力、催化活性或底物选择性。

监管能否完全接受“反直觉”的AI设计？

当前监管框架仍面临挑战，但结果验证可以部分弥补可解释性的不足。如果AI设计的蛋白质在严格的实验条件下反复证明其安全性和有效性，且企业能提供完整的模型验证记录，监管可以逐步积累对这类产品的审评经验。这一过程需要时间，也需要监管机构与技术专家共同建立新的审评标准。

我国AI药物研发目前处于什么阶段？

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，受生物系统内在复杂性和疾病异质性特征的制约，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。但业内普遍看好其前景，随着算法、算力及大数据的发展，AI技术预计将在新药研发的各个环节扮演越来越重要的角色。