博文

AI时代的人工酶革命：从定向进化到生成式设计，下一个平台型药物赛道在哪里？

已有 424 次阅读 2026-6-15 09:36 |系统分类:科研笔记

编者按：

2024年诺贝尔化学奖授予David Baker、Demis Hassabis和John Jumper，将“AI设计蛋白质”正式推向全球科学界和资本市场的聚光灯下。过去几十年，人类发现新药的方式，本质上是在自然界已有分子中不断寻找和优化；而今天，以AlphaFold、RFdiffusion、ProteinMPNN和蛋白质语言模型为代表的新一代AI技术，正在让科学家第一次具备“从零创造蛋白质”的能力。

在这一变革中，人工酶是最值得关注的方向之一。它既可以作为药物本身，用于酶替代疗法和代谢病治疗；也可以作为RNA药物、基因编辑和抗体药物的重要基础设施。更重要的是，人工酶背后所代表的“AI蛋白质设计”能力，正在成为连接生物学与人工智能的新平台。本文尝试从技术演进、产业应用、头部公司等多个维度，梳理人工酶赛道的发展现状，并探讨一个更大的问题：当蛋白质开始像软件一样被设计，人类是否正在迎来药物研发的新范式？

一、人工酶为何再次成为资本焦点？

2024年诺贝尔化学奖颁给了David Baker（计算蛋白质设计）和Demis Hassabis、John Jumper（AlphaFold蛋白结构预测），这是一个标志性事件，它意味着"用AI设计全新蛋白质/酶"这件事，正式从一个小众的计算生物学课题，进入主流科学共识和资本视野。

更重要的是时间点的叠加：

·AlphaFold2（2021）解决了"结构预测"问题，给定一个氨基酸序列，AI能比较准确地预测其三维结构。

·RFdiffusion、ProteinMPNN（2022-2023）解决了"反向设计"问题，给定想要的功能/结构，AI能生成全新的氨基酸序列。

·生成式AI（大语言模型）的范式迁移，蛋白质序列本质上也是一种"语言"，于是像Profluent、ESM系列这样的"蛋白质语言模型"开始把Transformer架构直接应用于蛋白质/酶的生成。

这三件事叠加在一起，意味着"设计一个全新的、自然界不存在的、具有特定催化功能的酶"，从理论上的可能性，正在变成工程上可执行的流程。如果蛋白质设计真的可以像Midjourney生成图片一样"按需定制"，那么几乎所有基于蛋白质的疗法（酶替代、抗体、细胞因子、AAV载体、基因编辑工具）的研发范式都要被重写。

从融资数据看，这个判断已经在被验证。Xaira Therapeutics、Isomorphic Labs和Generate:Biomedicines都在其前两轮机构融资中就达到了独角兽估值。Eikon Therapeutics和Generate:Biomedicines在2026年2月相继完成IPO，分别募资3.81亿美元和4亿美元，这显示出AI原生生物科技公司在2026年初已经获得了健康的公开市场窗口。

而专注于蛋白质/酶设计本身的Profluent，在2025年11月完成1.06亿美元融资，公司总融资额达到1.5亿美元，目标是让生物变得"可编程"，触及多万亿美元规模的市场。Profluent的Protein Atlas数据库包含超过1150亿个蛋白质，是全球最大的蛋白质数据资源，公司的设计范围已经从基因编辑工具扩展到抗体、抗原、酶等多个领域。

中国市场同样在快速跟进。2026年初，英矽智能在港交所上市后即与施维雅签下总额8.88亿美元的抗肿瘤AI药物合作AI 药企英矽智能首单BD：8.88 亿美元合作施维雅，被视作全球生物医药BD市场的年度"第一单"。2025年11月，国家卫健委等多部门联合发布了关于促进和规范"人工智能+医疗卫生"应用发展的实施意见，2026年初工信部等八部门也强调要建设人工智能驱动的新药发现平台，政策层面的支持正在形成。

二、人工酶技术演进三部曲：定向进化 → 计算设计 → AI生成

第一阶段：定向进化，随机突变与高通量筛选

定向进化的思路本质上是模拟达尔文进化论：对一个已知的天然酶基因进行随机突变，构建一个巨大的突变体文库（可能有数百万到数十亿个变体），然后通过高通量筛选找出那些性能更好的变体（比如活性更高、热稳定性更好、特异性更强），再以此为起点进行下一轮突变和筛选，循环迭代。

这一方法在2018年获得诺贝尔化学奖（Frances Arnold因定向进化获奖），并且已经在工业界（特别是Codexis这样的公司）证明了商业价值。Codexis的CodeEvolver技术平台经过20多年的持续进化，整合了机器学习、生物信息学和实验室工作流，能够设计出功能、性能和可生产性都经过优化的酶，酶变体最快可以在一周内完成设计、构建和测试。

定向进化的局限在于：它高度依赖"已有一个还过得去的起点酶"，而且本质上是局部优化（在已知酶的"邻域"里搜索），很难产生真正"全新"的催化功能。

第二阶段：计算设计：基于物理和结构的理性设计

第二阶段以David Baker实验室开发的Rosetta软件为代表，思路是：基于对蛋白质折叠物理学和酶催化机理的理解，用计算方法在已知的蛋白质骨架库中搜索/组合，设计出能够稳定形成特定活性口袋）的蛋白质结构，再通过定向进化做局部优化。

这一阶段最著名的成功案例之一是PvP Biologics开发的KumaMax，一种可以分解麸质的口服酶，用于治疗对麸质过敏的患者。这家公司在2020年被武田制药以3.3亿美元收购，证明了"理性设计的人工酶"作为药物的商业可行性，尽管这距离最初的设计已经过去了多年。计算设计阶段的局限在于：设计成功率仍然很低，往往需要大量的实验迭代和人工经验介入，"设计-验证"循环依然很慢、很贵。

第三阶段：AI生成式设计：从"搜索"到"生成"

如果说定向进化是在天然酶基础上不断优化，计算设计是在已知结构中寻找答案，那么生成式AI则开始直接“创造答案”。

这一阶段的核心突破来自两类AI模型：

· AlphaFold2等结构预测模型，解决“序列→结构”问题，让蛋白质三维结构预测从数年缩短到数分钟；

· RFdiffusion、ProteinMPNN、ESM等生成式模型，则进一步解决“结构/功能→序列”问题，可以按照目标功能直接生成全新的蛋白质。

其中，RFdiffusion被认为是蛋白质领域的“Midjourney”。它能够先生成全新的蛋白质骨架，再为其设计氨基酸序列，实现真正意义上的从头设计（de novo design）。

2023年，David Baker团队在《Nature》发表研究，通过深度学习算法从头设计出具有高活性、高特异性和良好稳定性的人工荧光素酶，被视为AI设计人工酶的重要里程碑。

更重要的是，AI开始突破复杂催化反应设计这一长期瓶颈。过去多数人工酶只能完成反应的第一步，而研究团队基于RFdiffusion成功从头设计出全新的丝氨酸水解酶，能够完成完整的四步催化循环，首次在复杂度上接近天然酶。AI的能力还在向抗体设计扩展。华盛顿大学团队利用RFdiffusion成功生成可精准识别目标表位的VHH和scFv抗体结构域，证明了从头设计抗体的可行性。严格来说，抗体并不是酶，但两者背后的AI逻辑完全一致：给定功能目标 → 生成蛋白质结构 → 生成氨基酸序列这也是为什么许多AI蛋白设计公司，如 Xaira 和 Generate Biomedicines ，同时布局人工酶、抗体和功能蛋白设计。AI正在把蛋白质工程从“寻找自然界答案”带入“创造自然界从未存在过的答案”的时代。

三、AI蛋白设计如何改变药物研发逻辑？

传统蛋白质药物（包括治疗性酶）的研发路径，本质上是"在自然界已有的蛋白质中淘金"：

1.在自然界中寻找具有目标功能的蛋白质/酶（比如从某种细菌、真菌中分离出一个具有特定催化活性的酶）；

2.通过定向进化对其进行局部优化（提高活性、稳定性、降低免疫原性）；

3.通过PEG化、糖基化修饰等手段改善药代动力学（PK）和免疫原性；

4.进入临床。

这个流程的核心瓶颈是："起点"完全依赖于自然界中是否存在一个"差不多够用"的蛋白质。如果自然界没有这样的酶（比如某种人体内根本不存在、或者人体内的版本太不稳定/太容易被免疫系统识别），那么传统路径基本走不通。

AI生成式设计改变的，正是这个"起点"问题，它把"从自然界中寻找"变成了"按照目标性质从头生成"。理论上，研发者可以指定一系列期望性质（催化特定反应、在特定pH/温度下稳定、低免疫原性、特定的组织分布特性等），让AI模型直接生成满足这些条件的全新蛋白质序列，再通过高通量湿实验快速验证、迭代。

这种范式转变带来几个关键影响：

1. 研发周期可能被大幅压缩。在传统定向进化框架下，酶变体的设计-构建-测试周期最快也需要一周，而AI生成式设计有可能在计算层面就先筛掉大部分不可行方案，把湿实验环节集中在"真正有希望"的少数候选上。

2. "干湿结合"的工业化平台成为核心竞争力。

几乎所有头部公司都在强调"湿实验数据反哺AI模型"的闭环能力。

Xaira建立了工业化的干湿实验平台，能够在实验室测试蛋白质对特定细胞靶标的粘附程度并评估稳定性等关键属性，所得数据被快速反馈到蛋白质模型中，从而实现分子设计的下一次迭代。这实际上对应合成生物学领域常说的DBTL（Design-Build-Test-Learn）闭环：AI负责设计，自动化实验平台完成构建和测试，实验数据再反哺模型迭代。谁能更快地完成这一循环，谁就更有可能建立持续领先的蛋白质设计能力。这意味着竞争壁垒不仅在算法本身，更在于"算法+实验数据飞轮"的规模和速度。

3. "虚拟细胞"等更宏大的模型正在被构建，作为下一层基础设施。 Xaira Therapeutics发布了迄今最大规模的单细胞扰动测序数据集X-Atlas/Orion，用于支持"虚拟细胞"研究——这种高性能虚拟细胞模型有可能在药物研发流程中，在不良生物学效应真正出现之前就将其排除，这比单纯设计某一个分子的野心更大，目标是模拟整个细胞对药物干预的响应。

4. 大语言模型路线正在与扩散模型路线并行甚至融合。 Profluent率先证明了大语言模型可以生成功能性蛋白质，并设计出了首个完全由AI从头创造的CRISPR基因编辑系统，还首次证明了缩放定律同样适用于蛋白质设计。缩放定律适用于蛋白质设计"这一结论尤其重要——它意味着蛋白质设计可能像大语言模型一样，存在"砸算力和数据就能持续提升性能"的规律，这会进一步刺激资本对计算基础设施的投入。

四、人工酶最具潜力的五大应用场景

虽然"AI设计酶"听起来很前沿，但它的应用场景其实横跨了好几个不同成熟度的层次。我把它们按"确定性从高到低"大致分成五类：

场景一：酶替代疗法的下一代改良

这是目前唯一已有上市药物、模式被充分验证的场景。酶替代疗法通过输注体内缺失或不足的酶来治疗疾病，已被批准用于戈谢病、法布雷病、I型和II型粘多糖贮积症、VI型粘多糖贮积症及庸德病等溶酶体贮积症。

痛点很集中：现有酶药多为天然酶简单修饰，半衰期短、给药频繁、免疫原性高。以PKU药物Pegvaliase为例，这是一种聚乙二醇化的苯丙氨酸代谢酶，皮下注射给药，常见不良反应包括注射部位反应、关节痛、超敏反应及持续14天以上的皮肤反应等。更棘手的是，III期研究中所有受试者均产生抗药抗体，中和抗体在6个月内出现并长期持续，对疗效构成持续威胁。

AI的价值正在于此，从头改造酶的表面序列，在保留活性的同时降低免疫原性、提升稳定性，甚至实现口服化。Codexis的CDX-6114正是一种口服PKU酶，针对苯丙氨酸羟化酶缺陷导致的苯丙氨酸蓄积及脑损伤；学术界也在用材料手段铺路，将PAL酶整合进丝纤蛋白基质后，可在37°C保持稳定并在模拟肠液中保留活性，为口服化提供可能。

特点：适应症明确（罕见病为主）、监管路径有先例可循，AI带来的是分子质量的迭代，而非机制创新。

场景二：作为RNA/基因治疗"基础设施"的工业酶

这是一个容易被忽视、但市场体量正在快速放大的场景。人工酶不直接作为药物本身，而是作为生产mRNA等疗法所必需的关键工具酶。

在mRNA体外转录（IVT）生产中，5'帽结构对降低免疫原性、提升稳定性和翻译效率至关重要。加帽过程需用牛痘病毒加帽酶将帽子结构固定在5'端，但目前工艺仍无法完全去除三磷酸盐，存在引发细胞内免疫反应的风险，加帽酶性能直接决定下游产品的安全性和有效性。

mRNA原料酶涵盖加帽酶、2'O-甲基转移酶、无机焦磷酸酶、Poly(A)聚合酶、核糖核酸酶抑制剂、RNA聚合酶、限制性内切核酸酶、脱氧核糖核酸酶I等品类。全球核心厂商包括Thermo Fisher、NEB、TriLink、Merck、Aldevron，前五大占约62%份额，加帽酶是最大细分品类，北美占约41%市场。

随着RNA疗法管线爆发式增长，这些幕后酶的需求量与性能要求（更高产率、更低杂质、更好特异性）同步提升，AI驱动的酶工程是最直接的提升手段。Codexis的CodeEvolver平台已将RNA治疗列为核心应用领域之一。

特点：不需要患者临床数据，商业模式是B2B工具销售，现金流和确定性高于直接做药，但天花板有限，更像"卖水的"角色。

场景三：基因编辑工具的AI再设计（新一代Cas蛋白/编辑器）

CRISPR-Cas系统本质上是一类天然存在的核酸酶，而目前临床开发中的Cas9、Cas12等编辑工具，大多来源于天然细菌蛋白的发现与改造。AI设计正在尝试做更彻底的事情——不仅优化天然Cas蛋白，而是直接设计全新的基因编辑系统。2025年，Profluent在《Nature》发表研究，推出由大语言模型设计的OpenCRISPR系统，被认为是首批由生成式AI设计并获得实验验证的CRISPR基因编辑系统之一。这项工作证明，AI不仅能够理解天然蛋白质的“语言”，还能够生成具有实际生物学功能的新型编辑蛋白。这一方向最大的吸引力在于，它有望突破天然Cas蛋白的固有局限。例如，现有编辑工具普遍面临脱靶效应、递送困难、专利限制和潜在免疫原性等问题，而AI设计的编辑蛋白理论上可以针对特定需求进行优化，甚至绕开现有专利体系，创造全新的编辑架构。

从产业角度看，这一赛道与基因治疗、体内基因编辑和细胞治疗高度交叉，未来商业价值可能远超单纯的酶工程领域。但与此同时，从头设计核酸酶的安全性、长期稳定性和人体免疫学特征仍缺乏充分验证，目前仍属于偏早期但战略意义极高的方向。

特点：技术壁垒高、平台价值大，有望成为下一代基因编辑工具的重要来源，但距离大规模临床应用仍有较长距离。

场景四：罕见病与代谢病的全新酶疗法（从“找酶”到“造酶”）

目前获批的酶替代疗法主要集中于少数几类溶酶体贮积症，但实际上，大量罕见代谢病的根本病因同样是某种关键酶的缺失或功能异常。过去许多项目长期停留在理论阶段，并非因为疾病机制不清楚，而是因为始终找不到合适的天然酶作为开发起点。

这正是AI从头设计最具颠覆性的价值所在。传统酶工程本质上是在天然酶基础上进行改造，而生成式AI则有机会摆脱天然同源酶的限制，直接根据目标反应、底物特异性、稳定性和人体应用需求，从零开始设计全新的催化蛋白。换句话说，过去的逻辑是“先找到酶，再开发药物”；未来则可能变成“先确定治疗需求，再设计酶”。

PvP Biologics开发的KumaMax是这一思路的早期代表。该项目针对乳糜泻（Celiac Disease）患者无法有效降解谷蛋白的问题，通过工程化改造天然酶实现对致病肽段的高效切割。虽然KumaMax仍属于天然酶优化范畴，但它展示了人工设计酶治疗特定疾病的可行性。

更长远来看，AI设计的价值并不只是优化现有酶，而是创造自然界原本不存在的催化功能。如果未来能够针对某些目前无药可治的代谢缺陷疾病，从头设计出满足治疗需求的新型酶分子，那么人工酶有望像抗体药物一样，形成可持续复制的疾病开发平台。

特点：单个适应症患者规模通常较小，但孤儿药政策友好、监管路径相对明确。一旦底层设计平台成熟，同一技术体系有望快速扩展至多个罕见病和代谢病适应症，形成管线矩阵。

场景五：通用蛋白质设计平台

这是最具想象空间、也最受资本关注的方向。Xaira、Isomorphic Labs、Generate Biomedicines等公司正在构建“通用蛋白质基础模型（Protein Foundation Model）”，目标并非设计某一种酶，而是设计任意功能蛋白。酶只是其中一个应用场景，抗体、细胞因子、AAV载体蛋白和基因编辑蛋白同样属于其覆盖范围。

特点：商业化最远、风险最高，但潜在市场空间最大，更适合用“平台估值”而非“管线估值”的逻辑理解。

五、全球头部公司与融资版图

把目前活跃的主要玩家按定位简单梳理，可以发现人工酶赛道正在向“蛋白质基础模型”演化。

蛋白质基础模型平台（融资规模最大、估值最高）

· Xaira Therapeutics：2024年成立即获得10亿美元融资，由斯坦福大学前校长Marc Tessier-Lavigne担任CEO，2024年诺贝尔化学奖得主David Baker担任联合创始人，整合RFdiffusion、ProteinMPNN等前沿技术，目标是构建下一代AI驱动药物研发平台。

· Generate Biomedicines：自2020年以来累计融资近7亿美元，2023年完成2.73亿美元C轮融资，投资方包括安进、NVentures和阿布扎比投资局等。公司利用生成式AI设计全新功能蛋白，并同步推进多个自研药物项目。

· Isomorphic Labs：谷歌DeepMind衍生公司，希望将AlphaFold积累的结构生物学能力延伸至药物发现与蛋白质设计，被视为AI药物研发领域最受关注的平台之一。

· EvolutionaryScale：由Meta AI团队创立，开发了ESM系列蛋白质语言模型。其发布的ESM3被认为是目前最具代表性的蛋白质基础模型之一，目标是实现通用蛋白质生成与设计。

· Profluent：累计融资约1.5亿美元，专注于大规模生物学基础模型开发。公司推出OpenCRISPR系统，证明生成式AI能够设计具备功能的基因编辑蛋白。

AI蛋白设计与商业化合作平台

· Absci：AI抗体与蛋白质设计平台企业，已与Merck达成最高6.1亿美元合作，是AI蛋白设计向大型药企输出能力的代表案例。

· Chai Discovery：由前OpenAI研究人员创立，专注于生成式AI驱动的蛋白质设计与药物发现。从2024年种子轮到2025年B轮，15个月内累计融资约2.3亿美元，成为AI生物学领域增长最快的新锐公司之一。

传统酶工程龙头（向AI转型）

· Codexis：人工酶产业化最成熟的代表企业之一。其CodeEvolver平台经过20多年迭代，已广泛应用于制药、RNA治疗、工业生物技术和诊断领域，是酶工程商业化最成功的案例之一。

中国市场

目前中国尚未出现类似Xaira或Generate Biomedicines那样以AI人工酶设计为核心定位的头部企业，但在AI蛋白设计、生命科学大模型和药物研发平台领域已形成一定布局。

· 百图生科（BioMap）：由李彦宏和原百度风投CEO刘维共同创立，定位于生命科学基础大模型平台企业。公司开发了生命科学基础模型xTrimo和发现系统BioMap OS，布局蛋白质设计、抗体研发、AI酶工程、靶点发现和生物制造等多个方向。

· 西湖云谷智药：聚焦AI赋能药物研发，在蛋白质设计、分子生成和智能药物发现等领域持续布局，是国内AI药物研发平台的重要参与者之一。

· 晶泰科技（XtalPi）：国内AI制药代表企业之一，结合量子物理计算、人工智能和自动化实验平台开展药物研发。公司近年来持续向蛋白质设计、生物大模型和AI驱动生物药研发拓展，是中国少数同时具备计算平台与实验闭环能力的企业之一，并于2024年在香港联交所上市。

· 工业酶产业链：在mRNA原料酶领域，诺唯赞、翌圣生物、恺佧生物科技等本土企业已形成一定竞争力，推动加帽酶、RNA聚合酶等关键原料酶的国产替代，成为国内人工酶产业化最接近商业落地的一环。

整体资金面观察

根据行业统计，自2019年以来，AI药物发现与蛋白质设计领域累计融资已超过100亿美元。尽管2025年以来生物科技融资环境整体趋冷，但头部平台公司仍持续获得资本支持。这反映出投资逻辑正在发生变化：资本市场不再单纯为“AI故事”买单，而是越来越关注技术平台能否转化为真实产品和临床数据。未来几年，首批AI设计药物的临床表现将成为决定行业估值的关键分水岭。从长期看，人工酶或许只是蛋白质设计革命的第一个应用场景。真正的竞争终局，很可能是围绕“通用蛋白质基础模型”的平台之争。

与欧美市场相比，中国目前的优势更多体现在AI研发平台、自动化实验体系和工业酶供应链，而非原创人工酶药物。未来能否出现类似Xaira或Generate Biomedicines级别的平台公司，仍有待观察。

六、大药企为何开始布局人工酶？

从本质上看，大药企布局人工酶，并不是因为“酶”本身突然变得热门，而是因为AI正在改变蛋白质设计的底层研发逻辑。过去几十年，新药研发长期受困于“双十定律”，平均需要10年以上研发周期和超过10亿美元投入。无论是小分子还是大分子药物，研发过程都高度依赖科学家的经验判断和大量实验试错，效率始终难以突破。

AI蛋白质设计提供了一种全新的可能性：通过结构预测、生成式设计和高通量实验验证，将原本依赖“寻找和优化”的研发模式，逐步转变为“设计和验证”的研发模式。这种潜在的效率提升，正是吸引大药企持续投入的核心原因。

目前，大药企的布局主要呈现三种模式：

模式一：投资平台公司。

例如安进、NVIDIA旗下NVentures等机构参与Generate Biomedicines融资，本质上是在AI蛋白设计真正跑出重磅产品之前，提前获得技术窗口和合作机会。

模式二：通过BD合作锁定未来资产。

例如Absci与Merck达成最高6.1亿美元合作，英矽智能与施维雅达成总额8.88亿美元合作。这类交易通常采用“较低首付款+高额里程碑付款”的结构，在控制风险的同时提前布局潜在创新资产。

模式三：将AI能力内化到研发体系。

越来越多药企开始建设自己的AI研发团队，将AI工具逐步嵌入靶点发现、蛋白质设计、临床开发等环节。对于大型药企而言，AI不再只是外部合作对象，而正在成为未来研发体系的一部分。

不过，目前大多数药企仍然倾向于“投资+合作”而非全面自建。原因很简单：AI模型可以帮助设计分子，但真正将一个候选药物推进临床、完成注册审批并实现商业化，仍然需要药企长期积累的研发、监管、生产和市场能力。因此，大药企布局人工酶的本质，并不是押注某一个酶分子，而是在押注一种新的药物研发范式。如果AI能够持续提高蛋白质设计效率，那么人工酶、抗体、基因编辑工具乃至更多生物药形态，都有可能成为这场变革的受益者。

七、人工酶会诞生下一个百亿美元Biotech吗？

如果把人工酶理解为一个独立赛道，那么答案可能是否定的。历史经验表明，无论是酶替代疗法、口服酶还是单一功能蛋白，最终更可能走向“小而美”的并购退出，而非成长为百亿美元级独立公司。David Baker参与创立的PvP Biologics（开发口服酶KumaMax治疗乳糜泻）于2020年被武田制药以3.3亿美元收购，就是一个典型案例。

但如果把人工酶放到“AI蛋白质设计”这一更大的框架下，答案则完全不同。过去几年，Xaira、Generate Biomedicines、Isomorphic Labs、EvolutionaryScale等公司获得的融资规模，已经反映出资本市场押注的并不是某一个酶分子，而是“设计任意蛋白质”的能力。如果这种能力最终被证明能够持续产生新药、新工具和新平台，那么其价值将远超人工酶本身。

真正值得关注的，不是未来是否会出现一个成功的人工酶药物，而是是否会出现一个类似于“蛋白质设计操作系统”的平台型公司。这样的公司可以同时设计酶、抗体、细胞因子、AAV载体和基因编辑工具，并持续输出新的药物资产。不过，市场最关心的问题仍然没有答案：AI设计出来的蛋白质，能否在人体中真正安全有效？

未来几年将是关键验证窗口。随着首批AI设计药物陆续进入临床，2027-2028年前后有望出现第一批真正具有说服力的人体数据。届时，行业将从“相信AI能够设计蛋白质”，进入“验证AI能否设计出好药”的阶段。

因此，与其说市场在等待下一个百亿美元人工酶公司，不如说市场在等待第一个被临床验证成功的AI蛋白质设计平台。

如果这一天到来，人工酶或许只是整个故事的开始。

凤凰观察：

1. 不要把人工酶当成一个独立赛道，而要把它看成AI蛋白质设计革命的一个应用场景。

今天市场讨论人工酶，容易让人联想到ADC、AOC、DAC这样的新药模态。但人工酶更像抗体、基因编辑工具、AAV载体一样，属于蛋白质设计能力的具体输出。真正决定长期价值的，不是某一个酶分子，而是底层的蛋白质基础模型、生成式设计能力以及干湿实验闭环。

2. 短期看工业酶，中期看酶疗法，长期看平台。

未来3-5年内，最容易率先兑现商业价值的未必是AI设计的新药，而可能是mRNA原料酶、基因编辑工具酶等“卖铲子”的基础设施市场。酶替代疗法则有望成为最早看到临床验证的应用场景。而真正决定行业天花板的，仍然是通用蛋白质设计平台能否持续产出新药资产。

3. 2027-2028年将成为AI蛋白设计的关键验证窗口。

过去几年资本市场主要在为“AI能否设计蛋白质”买单，未来几年则要回答更关键的问题：AI设计出来的蛋白质，能否在人体中真正安全有效。如果首批AI设计药物能够在临床获得成功，行业可能迎来类似AlphaFold时刻之后的第二次价值重估；反之，平台估值体系也将面临重新定价。

4. 中国可能不会复制美国路径。