夜雨聆风AI 蛋白工程下一轮估值分化，不会只看生成能力，而会看谁能更早判断分子为什么失败。
论文标题：Large-scale discovery, analysis and design of protein energy landscapes作者：Allan J. R. Ferrari、Sugyan M. Dixit、Jane Thibeault、Pascal Notin、Lauren Carter、Cheryl H. Arrowsmith、Miklos Guttman、Gabriel J. Rocklin 等机构：Northwestern University Feinberg School of Medicine、Center for Synthetic Biology、University of Toronto、Harvard Medical School、University of Washington 等发布时间：2026 年 5 月 13 日期刊：Nature技术成熟度：工程验证早期。距离大规模商业化预计仍需 3-5 年，主要瓶颈在通量、成本、空间分辨率和跨项目复用能力。
AI 生物过去几年的主线，是结构预测。
这条线已经产生了巨大价值。但从一级市场项目质量看，结构预测带来的边际溢价正在下降。很多公司最终仍停留在“生成一个结构合理的蛋白分子”。这离药物资产还有相当距离。
药企和产业客户更关心后面的环节：表达、稳定性、聚集、制剂、免疫原性、批次一致性。这些问题归到一起，就是 developability。一个分子结构再漂亮，如果无法生产、制剂不稳定、聚集风险高，商业价值会迅速折损。
这篇 Nature 的价值，不在于提出新的大模型，而在于把蛋白质“如何运动、哪里松动、哪些区域可能失控”转化为可规模化测量的数据。
对于 AI 蛋白工程，这是一类比静态结构更接近产业决策的数据。
一、结构预测的红利正在进入后半段
今天再把“具备蛋白结构预测能力”作为核心壁垒，已经很难支撑高估值。
真正影响项目成败的问题更具体，也更工程化。
因此，AI 制药平台的竞争正在从“能否生成候选”转向“能否提前识别失败”。
生成能力仍然重要，但不再稀缺。没有湿实验闭环、没有高质量失败数据、没有 production-ready 评价体系的平台，公司故事会越来越难讲。
结构预测是入场券。真正影响客户付费的，是降低后期失败率。
二、这篇 Nature 的资产，是一条数据生产线
论文使用的方法是 mHDX-MS，即 multiplex hydrogen-deuterium exchange mass spectrometry。
简化理解：通过氢氘交换和质谱，观察蛋白哪些区域更容易打开。区域越容易打开，通常越可能带来稳定性、聚集或构象风险。mHDX-MS 的关键，是把这个过程做成高通量。
研究团队从 15,715 个初始序列出发，成功分析了 5,778 个小型蛋白结构域，并筛出 3,590 个稳定结构域。对于蛋白动态数据，这已经不是传统单点实验，而是接近平台化数据生产的雏形。
论文后续训练了机器学习模型。全局稳定性预测 R2 约为 0.40-0.53，cooperativity 只有 0.16-0.24。
这个结果并不强。也正因为不强，才说明行业还处在早期。实验数据开始 scale，但模型尚未充分吸收这类物理信号。
如果有人把这篇论文包装成“AI 已经理解蛋白动态”，判断偏乐观。更稳妥的结论是：蛋白动态数据开始进入 AI 训练闭环。
三、药企付费点在“提前排雷”
AI 制药过去几年有一个常见误区：把生成能力过度金融化。
药企并不缺候选分子。药企缺的是更低的试错成本。
蛋白项目后期失败，通常不发生在“结构不好看”这一层，而发生在表达、稳定性、聚集、制剂和体内行为。越晚发现，成本越高。
这会把一部分公司推到台前：能跑 developability 闭环的公司。不是只给候选列表，而是能把“设计-表达-测量-学习-再设计”做成可重复系统，并让每轮数据沉淀为平台资产。
mHDX-MS 这类动态数据，如果通量继续提升，会成为这套闭环里重要的一类标签。
这会淘汰一批只讲生成模型的轻资产公司。尤其是没有实验闭环、没有独占数据、仍在讲“平台适配所有靶点”的团队。
2021-2023 年的 AI 制药叙事，已经不足以支撑下一轮估值。投资人会更关注：平台是否真实降低客户研发成本？是否提前剔除失败分子？数据资产能否跨项目复利？
回答不清楚，估值就会承压。
四、质谱和湿实验回到价值链中心
过去投 AI 制药，市场对模型层关注过多。
论文、benchmark、生成效果，容易形成传播。但进入产业化阶段，真正稀缺的往往是高质量实验数据生产能力。质谱、自动化样本制备、蛋白表达纯化、信号解析软件，这些工具链环节会重新获得定价权。
更值得关注的机会主要集中在四类：
未来表现好的公司，未必是“纯 AI 公司”。更可能是湿实验自动化、数据资产和模型能力的组合体。
这类公司不轻，但深科技里，过轻的模式往往很难形成护城河。
钱大概率会流向两类团队：一类是拥有真实实验平台、能持续生产差异化数据的 AI 蛋白公司；另一类是站在工具链上的公司，尤其是质谱软件、样本自动化和蛋白组学数据系统。
它们不一定最适合讲故事，但有机会卡住整个行业的成本曲线。
五、不要把早期信号误读成商业成熟
这篇论文离产业化仍有距离。
研究对象主要是 28-64 个氨基酸的小型结构域。真实商业蛋白复杂得多。抗体、多结构域蛋白、膜蛋白，都不能简单外推。
空间分辨率也有限。当前方法可以看到 opening energy 分布，但很多时候还不能精确定位到具体残基。产业客户需要的不只是“有风险”，还需要知道“改哪里”。
成本和标准化同样是硬问题。HDX-MS 对 pH、时间点、回交换、质谱状态、样本质量都敏感。单团队跑通，不等于多中心可复制。
所以，这不是一个“立刻改变 AI 制药”的产品级突破。
它更像底层数据栈扩容的早期信号。对投资来说，这已经足够值得关注。
六、中国机会在工具链和垂直场景
中国并不缺应用端。
创新药、抗体工程、合成生物、工业酶、诊断 binder，都需要更好的蛋白稳定性和 developability 评估。国内也有 CRO/CDMO、基因合成、自动化实验室和 AI 工程人才。
短板集中在三处：高端质谱和关键部件、复杂质谱数据软件、复合型团队。
这个方向需要同时理解蛋白物理化学、质谱、机器学习和药企真实付费逻辑。单纯 AI 团队或单纯实验团队，都不容易做成平台。
只讲“国产 AlphaFold+蛋白设计平台”的项目，估值弹性会变小。叙事拥挤，同质化明显。
更现实的切口在工具链和垂直场景：
真正可能跑出来的公司，未必靠“更会生成蛋白”。更可能靠更快、更便宜、更稳定地告诉客户：哪些分子不值得继续投入。
结语：下一代 AI 生物公司，要先学会预测失败
AI 生物前一阶段解决的是“看见结构”。
下一阶段会转向“看见风险”。
结构预测、生成设计、活性筛选仍会继续进步。但市场不会长期为漂亮 demo 支付高溢价，药企也不会为候选清单持续买单。
更早排雷，才是接近真实付费的能力。
这篇 Nature 不是成熟商业产品，也不是可以直接复制的创业方案。它提示的是一个更长期的方向：蛋白工程的数据层正在从静态结构，向动态、稳定性和可开发性延伸。
这个方向值得持续跟踪。
资本会继续筛掉只讲模型故事的公司。留下来的，往往是愿意投入湿实验、工具链和工程化能力的团队。
