AI Drug Discovery Protein Design

域 ID	domain.ai-drug-discovery-protein-design
C 层级	C3
研究对象	AI Drug Discovery Protein Design
持续性作用	关键词显示该域主要增强认知、学习、工具、AI、技能或沟通能力。
证据状态	部分审查
仓库路径	domains/c3-generation-engine/ai-drug-discovery-protein-design

AI Drug Discovery Protein Design是 Human Infra 对“AI Drug Discovery Protein Design”建立的稳定研究域；其对象边界由仓库材料界定为：ai-drug-discovery-protein-design/ 研究 AI 药物发现、蛋白质结构预测、蛋白设计、生成式分子设计、虚拟筛选和自动化实验闭环，如何改变 Human Infra 的未来医学技术窗口。^[1]

研究对象与边界

本页只描述一个稳定对象：AI Drug Discovery Protein Design。它不等同于单一产品、个体方案或既成疗效；同名活动若具有不同对象、终点或治理责任，应另建页面而不是合并结论。

蛋白结构预测、蛋白设计、抗体/酶设计、小分子生成、虚拟筛选和靶点发现。
AI 辅助临床前研发、自动化实验、active learning、wet-lab feedback 和模型验证。
从计算候选到真实疗法的断点：合成、稳定性、毒性、药代、免疫原性、制造、临床和监管。
与 research-infrastructure-open-science-translation/ 的边界：开放科研域关注知识生产与扩散；本域关注 AI 如何具体加速药物和蛋白候选生成。
与 clinical-trials-regulatory-science-translation/ 的边界：临床转化域关注人体试验和监管路径；本域关注进入临床前的发现和设计链条。

C 层级与对主体持续性的作用

本域位于 C3：可能性生成引擎层。通过提高认知、学习、工具或科学发现能力扩大未来行动集合，属于能力复利而非直接延寿证明。

原域给出的持续性作用为：关键词显示该域主要增强认知、学习、工具、AI、技能或沟通能力。。在证据上必须区分直接作用、间接作用和条件保障；除非出现预先定义的生存、功能、风险或连续性终点，不能把过程完成或机制合理性写成“实现有效永生”。

关键变量、机制链与状态变化

对象变量：蛋白结构预测、蛋白设计、抗体/酶设计、小分子生成、虚拟筛选和靶点发现。
对象变量：AI 辅助临床前研发、自动化实验、active learning、wet-lab feedback 和模型验证。
对象变量：从计算候选到真实疗法的断点：合成、稳定性、毒性、药代、免疫原性、制造、临床和监管。
对象变量：与 research-infrastructure-open-science-translation/ 的边界：开放科研域关注知识生产与扩散；本域关注 AI 如何具体加速药物和蛋白候选生成。

AI Drug Discovery Protein Design
  -> 改变上述可测变量与约束
  -> 改变主体能力、载体状态或外部路径可达性
  -> 改变失败率、恢复时间、资源消耗或不可逆损失风险
  -> 只有在适用对象与时间窗内改善最终功能/生存/连续性终点，才支持持续性收益

反向解释同样必要：变量变化可能只是相关、测量偏差或代理终点变化，不能自动归因于该域中的某项干预。

主要技术或治理路线

定义对象、适用人群、情境和时间窗；
建立可测变量、基线、对照和失败阈值；
比较预防、修复、替代、制度或信息路线，并把副作用与机会成本纳入。

路线比较至少要记录前置依赖、可验证终点、失败阈值、替代路线和退出条件；未来路线一律按“条件性”处理，不写虚假实现年份。

上下游依赖与替代路线

上游或高层约束：

下游技术或相邻对象：

若主要路线不能达到最终终点，应比较风险预防、损伤修复、功能替代、流程改造、社会支持或退出/转介等替代方案，而不是以增加复杂度代替证据。

当前证据状态与验证终点

2026-07-25 结构化审查完成；登记 4 条 Source Signals，其中 3 条为具体 URL、1 条为首页/搜索/聚合路由。仅核心来源或相应证据页标明“已核验”时，才可承担实质主张。

最低验证要求是：明确适用对象、基线、对照、时间窗、测量误差和预注册终点；同时报告不良结果、失败案例和分布差异。过程指标只能证明过程发生，不能单独证明主体风险下降。

反证条件：若在合格设计中未改善预设最终终点、净风险上升、效果不能重复、只在不相关模型成立，或依赖不可接受的资源与治理假设，则应降低本域路线的证据等级。

失败模式与治理边界

对象漂移：把多个不同对象、场景或人群混成一个平均结论。
代理终点替代：把点击、完成率、分子指标、短期性能或局部成功当作长期净收益。
因果越界：把相关性、机制合理性、体外/动物结果、早期临床或预测模型写成已证实的人体效果。
可达性失败：技术存在但人员、成本、供应链、法律、基础设施或维护使其不可用。
风险转移：局部风险下降但把负担转移给其他器官、家庭、群体、时间段或公共系统。
本页不提供个体诊断、治疗、用药、寿命预测、法律决策或危险实验操作建议。

开放问题

哪个最终终点最能代表本域对主体持续性的真实贡献？
哪些变量是因果中介，哪些只是相关指标或记录偏差？
效果在不同人群、地区、资源水平和长期时间尺度上是否可重复？
何种失败阈值应触发暂停、替代、转介或治理升级？
本域与相邻页面的边界是否足够稳定，是否仍存在需要拆分的对象？

仓库研究材料（保留）

以下内容来自受治理的 Human Infra 域 README，用于保留项目问题分解和历史语境；其中外部事实仍以证据页为准。^[2]

仓库概述

ai-drug-discovery-protein-design/ 研究 AI 药物发现、蛋白质结构预测、蛋白设计、生成式分子设计、虚拟筛选和自动化实验闭环，如何改变 Human Infra 的未来医学技术窗口。

核心问题：主体持续性不仅取决于现有医学，还取决于未来新疗法生成速度。AI 若能降低药物发现、蛋白设计和实验迭代成本，就会改变“等待未来技术成熟”的概率分布。

先验位置

有效永生 / 主体持续性最大化
  -> 未来可修复疾病范围取决于新药、新蛋白、新靶点和新实验的生成速度
  -> 生成速度依赖模型、结构数据、实验自动化、验证体系和监管转化
  -> 若 AI 只产生不可验证候选或虚假机制，创新速度会变成噪声速度
  -> 因此 AI 药物发现与蛋白设计是未来医学窗口的技术加速域

关注对象

蛋白结构预测、蛋白设计、抗体/酶设计、小分子生成、虚拟筛选和靶点发现。
AI 辅助临床前研发、自动化实验、active learning、wet-lab feedback 和模型验证。
从计算候选到真实疗法的断点：合成、稳定性、毒性、药代、免疫原性、制造、临床和监管。
与 research-infrastructure-open-science-translation/ 的边界：开放科研域关注知识生产与扩散；本域关注 AI 如何具体加速药物和蛋白候选生成。
与 clinical-trials-regulatory-science-translation/ 的边界：临床转化域关注人体试验和监管路径；本域关注进入临床前的发现和设计链条。

Human Infra 模型链路

AI 药物发现与蛋白设计 T
  -> 改变候选生成速度、结构预测、靶点识别、实验迭代、验证成本和失败过滤变量 X
  -> 改变新疗法供给、研发周期、技术窗口概率和证据质量状态 S
  -> 改变疾病可治疗性、等待未来收益、错误候选进入人体和资源错配风险 λ(t)
  -> 影响未来健康寿命干预空间、医学可及性和主体持续性

非目标

不把模型生成候选写成可用药物、临床疗效或投资建议。
不提供绕过实验验证、监管审查、伦理审查或生物安全审查的开发路线。
不处理受限靶点、病原增强、毒素设计或其他双重用途操作细节。

下一步

建立 AI 药物发现证据卡：任务类型、数据来源、模型输出、实验验证、失败过滤、双重用途风险和转化阶段。
与 technology-foresight-horizon-scanning/、clinical-trials-regulatory-science-translation/、synthetic-biology-biosecurity/ 和 research-portfolio-prioritization-funding-governance/ 建立接口。

证据路由

证据来源：FDA AI/ML for Drug Development（0b061cb5）：FDA AI/ML for Drug Development（证据等级见来源页）^[3]
证据来源：FDA Discussion Paper on AI in Drug Manufacturing and Development（cb636091）：FDA Discussion Paper on AI in Drug Manufacturing and Development（证据等级见来源页）^[4]
证据来源：AlphaFold Protein Structure Database（5c44e348）：AlphaFold Protein Structure Database（原 Source Signals 指向首页、搜索或聚合入口；未作为外部链接导入）
证据来源：OpenAI / Retro Biosciences life-sciences research note（92e917d7）：OpenAI / Retro Biosciences life-sciences research note（证据等级见来源页）^[5]