AlphaFold2 之后，AI 医疗蛋白质设计的下一代技术路线已从“结构预测”转向“基于深度学习的蛋白质设计”，核心竞争壁垒则集中在数据质量、算法迭代与专业人才储备三方面。AlphaFold2 解决了蛋白结构预测问题，其精度可与实验相当，并启发了一种新范式——将蛋白质的 1D 序列与 3D 结构通过数学公式关联起来，让深度学习网络能够判别“什么像蛋白”，为后续的蛋白质设计奠定了基础。
从序列到设计：大模型如何超越人类经验
蛋白质由 20 种氨基酸按特定顺序组成肽链，折叠为三维结构后才具备功能。传统蛋白质工程依赖人类经验，通过突变 5-20 个氨基酸来优化稳定性、结合力、催化活性等性质。而 AI 的路径完全不同：在蛋白质设计方面，以 GPT 为代表的大模型在蛋白质设计上已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大模型，AI 能设计出具备耐高温目标性质的蛋白，甚至能发现违背人类直觉、但能提高稳定性的“反直觉”点位。
人类通过几十年经验总结出的蛋白质规律多为相关性而非因果性；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。在生物医学这类人类提取的低维特征不足以解释复杂现象的学科中，AI 通用大模型提取的高维数据精度更高、成本更低。
竞争壁垒：数据、算法与人才的三重考验
下一代 AI 蛋白质设计的竞争壁垒，首先体现在数据质量上。高质量的生物医学数据缺乏、数据孤岛问题长期存在，而药物研发领域未知远多于已知——化学结构空间广阔，目前人类仅对约 2 亿个类药分子进行了实验表征。其次，算法迭代能力决定 AI 能从数据中提取何种程度的有效特征。最后，专业人才储备是关键瓶颈，目前 AI 药物研发处于发展初期，技术上面临着数据、算法和专业人才方面的挑战。
需要指出的是，AI 在药物发现上的作用目前仍局限在速度和成本上，而非决策质量；AI 制药的快与药物研发的慢之间存在不可调和的矛盾。但蛋白质工程领域因反馈相对直接，已成为 AI 应用“柳暗花明”的方向。
常见问题
AlphaFold2 对蛋白质设计最大的启发是什么？
AlphaFold2 解决了蛋白结构预测问题，精度与实验相当，并找到了将 1D 序列与 3D 结构关联的数学公式。这启发了基于深度学习的蛋白质设计新方法——AI 通过学习已有蛋白质序列，可以创造自然界不存在但具备类似功能的蛋白。
AI 设计蛋白质与人类经验有何本质区别？
人类总结的蛋白质规律多为相关性而非因果性，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决定性因素。AI 能发现违背人类直觉却有效的突变点位，这是传统经验方法难以做到的。
当前 AI 蛋白质设计面临的最大挑战是什么？
主要挑战在于三方面：高质量生物医学数据缺乏且存在数据孤岛；算法仍需迭代以处理缺少标签的数据集；专业人才储备不足。此外，企业商业模式也需要市场进一步验证，AI 在药物发现上的作用仍局限在速度和成本上。