人工智能设计的蛋白质目前能为患者带来哪些实际益处？
AI设计的蛋白质尚未成为常规患者护理的标准部分，但已在高级研究环境中用于开发更精准的治疗方案。例如，机器学习和深度学习等AI驱动方法能够快速分析复杂的生物数据，设计出具有更高特异性和治疗效果的蛋白质，这些蛋白质可用于靶向药物递送系统[1]。这意味着，理论上患者可以接受更贴合其个体分子特征的治疗，从而可能减少副作用并改善疗效。一个具体实例是在肿瘤学领域，AI设计的纳米平台能够将成像剂和治疗药物直接递送至肿瘤部位，实现持续治疗监测并减少脱靶效应[1]。然而，这些应用目前仍主要处于研发阶段，尚未在临床中广泛普及。
承诺与现实证据之间的差距是什么？
另一种理解这一差距的方式，是审视这些研究实际衡量的内容。目前大部分证据都聚焦于设计具有更优特性（如更强结合力或更高稳定性）的蛋白质，而非直接测量患者的生存率或生活质量。例如，2023年一篇关于AI增强蛋白质设计的综述强调其创造前所未有蛋白质的能力，但并未报告任何患者结局数据[2]。另一篇2023年关于抗体工程的综述描述了AI模型如何生成具有优化类药特性的抗体序列，然而其成果仍停留在蛋白质特性层面，而非患者疗效[3]。这并非研究本身的缺陷——只是该领域当前的发展阶段。对患者或临床医生而言，关键启示在于：AI设计的蛋白质是极具前景的研发工具，但尚未成为经证实能改善真实医疗结局的成熟干预手段。
在哪些疾病或情境中，AI设计的蛋白质可能带来最大改变？
证据表明，肿瘤学是人工智能设计蛋白质最为成熟的领域，也是最有可能率先影响患者疗效的方向。2026年的综述特别指出，诊疗一体化范式——即诊断与治疗相结合——已成为精准医学的核心，尤其在肿瘤学领域，人工智能设计的纳米平台能够实现显像剂和治疗药物对肿瘤的靶向递送[1]。这意味着癌症患者可能获得更精准的诊断、更有效的治疗以及更少的副作用。该综述还提及了神经、感染及心血管疾病领域的新兴应用，但这些仍处于早期阶段[1]。因此，如果你是一名实体瘤患者，相较于神经系统疾病患者，你在不久的将来更有可能在临床试验中接触到人工智能设计的蛋白质疗法。
关于这些来源
该回答基于5篇经同行评审的研究——发表于2023年至2026年间，其中2篇来自2024年及以后，2篇发表于Q1期刊，合计被引104次——这些研究是从5篇通过质量筛选的文献中选出的最具相关性的成果，而后者又源自从超过5亿篇论文数据库中检索到的48篇文献。
本文引用的文献
人工智能驱动的蛋白质设计与可持续纳米医学在先进诊疗一体化中的应用
本综述（2026年）总结了人工智能驱动的蛋白质设计策略与可持续纳米载体工程，重点阐述了二者在肿瘤学及其他疾病下一代诊疗一体化系统中的融合趋势，同时批判性探讨了临床转化面临的挑战及实现临床应用所需的设计原则。
AI增强的蛋白质设计能够创造出前所未有的蛋白质。
这篇2023年的新闻报道指出，蛋白质工程师正利用快速发展的机器学习工具和AlphaFold2，致力于更复杂的从头蛋白质设计，但并未提供患者疗效数据。
用于蛋白质设计的AI模型正在推动抗体工程的发展。
这篇2023年的综述将基于深度学习的蛋白质结构预测与设计的最新进展与抗体治疗药物的研究联系起来，重点关注如何生成具有优化类药特性的抗体序列，但未报告临床结果。
AI驱动的从头蛋白质设计在探索蛋白质功能宇宙中的作用
这篇2025年的综述系统梳理了基于人工智能的蛋白质从头设计，重点阐述了其在治疗、催化及合成生物学中的关键应用，同时探讨了持续存在的挑战与转化障碍。
设计人工智能以预测新冠结果按性别分类
这项2023年的研究开发了机器学习算法，用于按性别预测COVID-19的预后，旨在帮助医生制定个性化治疗方案，但该研究不涉及AI设计的蛋白质。