AI药物发现与蛋白设计
| 节点 ID | technology.ai-drug-protein-design |
|---|---|
| 阶段 | 当前 |
| 状态 | 进行中 |
| 时间 | 2010年代至今 |
| 前置依赖 | 高质量数据、目标验证、合成、实验和临床开发 |
| 持续性作用 | 扩大候选搜索空间并降低设计迭代成本 |
| 解锁条件 | 前瞻实验和临床结果证明相对传统流程的净优势 |
| 证据来源 | 证据来源：AlphaFold 2021；证据来源：NIST人工智能风险管理框架1.0 |
AI药物发现与蛋白设计：使用机器学习生成、筛选或优化分子和蛋白候选。[1]
本页只描述稳定节点 technology.ai-drug-protein-design，不把相邻研究对象、商业产品或科幻想象合并进同一技术状态。阶段为当前，模板状态为进行中，时间字段为“2010年代至今”。
“已实现”只表示至少一个受监管产品、特定适应证或可重复工程系统存在，不表示覆盖所有人群、疾病、环境或主体持续性目标。
历史前置包括计算化学、虚拟筛选、定量构效、结构生物学、生成模型和自动合成/测试。
历史技术谱系将上述历史前置条件与本节点的直接技术依赖分开：前者解释概念和工程来源，后者必须在当前实现中实际可用。
- 高质量数据
- 目标验证
- 合成
- 实验和临床开发
- 技术奇点与自动化科研：域级前置、边界或验证环境
- 科研基础设施与开放科学转化：域级前置、边界或验证环境
若其中任一安全关键依赖缺失，应降级为受阻、受限研究或人工监督模式，而不是用未来能力补写现实缺口。
用机器学习生成或排序小分子、蛋白和抗体候选，并与合成、体外、动物和临床验证连接。 原页机制摘要：包括靶点发现、结构预测、分子生成、性质预测、蛋白设计和实验反馈。
目标变量：
- 节点直接目标：扩大候选搜索空间并降低设计迭代成本
- 靶点因果有效性
- 化学可合成性与开发性
- 活性、选择性和毒理
- 模型不确定性和数据偏差
- 从候选到临床的转化成功率
直接依赖与输入 -> 机制发生并改变目标变量 -> 局部组织/设备/信息状态变化 -> 主体能力、恢复窗口或风险函数变化 -> 以最终功能、生存、安全和可及性终点验证净收益
对 Human Infra 的预期作用：它可能压缩长寿、再生和疾病治疗技术的发现周期。 该作用是适应证与情境限定的；不能从机制直接推出有效永生。
- 目标风险：与“扩大候选搜索空间并降低设计迭代成本”对应的器官失效、功能丧失、信息丢失、不可逆损伤或技术等待失败。
- 主体能力：仅在已验证的任务、适应证和环境中记录交流、行动、感知、内稳态、恢复或研究加速能力。
- 竞争风险：延长某一系统可用时间可能增加感染、癌症、血栓、设备依赖、资源中断或其他死亡/失能风险。
- 净效应：必须同时计入严重不良事件、照护负担、维护、成本、可及性和退出失败。
已有 AI 设计候选进入实验和临床开发，但相对传统流程的总体成功率、成本和净优势仍需系统评估。[2]
原基线页面的状态字段为“进行中”。本轮按 2026-07-25 可核验边界校准模板字段，但不把公司新闻、单例、注册存在或机制论文写成通用疗效。
分层验证终点：
- 前瞻盲测实验命中率
- 可合成和可开发候选比例
- 临床前毒理与药代
- 临床阶段成功率和时间成本
- 负结果完整披露
解锁条件：前瞻实验和临床结果证明相对传统流程的净优势
反证或降级条件：
- 回顾性基准高但前瞻实验低
- 候选集中于已知化学空间
- 下游毒性/药代失败率不降
- 营销个案不能转化为总体优势
- 在合格设计中未改善预先定义的最终功能、生存或患者重要结局；
- 只有体外、动物、回顾性或短期代理指标，且跨层级外推没有新增证据；
- 净不良事件、维护负担、资源依赖或治理伤害超过收益；
主要风险：
- 训练数据偏差和数据泄漏
- 双重用途设计
- 不可解释候选与责任
- 加速产生低质量临床管线
原页特异边界：候选数量、模型分数和体外活性不能替代临床有效性；数据偏差会系统性限制搜索空间。
替代路线：
- 传统药化和高通量筛选
- 物理模拟
- 人类专家—模型协作
- 开放基准和独立验证
路线选择不得替代个体临床、法律或危险实验决策；本页不提供诊断、用药、寿命预测或操作步骤。
相关研究域：
相关技术节点：
证据来源与支持边界：
- 证据来源：AlphaFold 2021：AI 显著提高蛋白质结构预测能力[3]
- 证据来源：NIST人工智能风险管理框架1.0：支持把模型性能、数据偏差、可追溯性、人工监督、安全与部署情境同时纳入自动化科研。[4]