如果分子诊断能做到抗原检测的速度？那么分子POCT能不能站上IVD大舞台？ 分子POCT领域长期受微流控技术限制，高昂成本与有限空间使其不具备普惠性。本文从分子检测核心要素“酶”出发，分析AI进化酶能否重新定义分子POCT成本结构。 
设计一台分子POCT产品？首先需要做到怎么把流程塞进芯片和卡盒里？然后把反应体系本身，尤其是酶，做得更快、更稳、更耐复杂样本。 设计好的产品是否能和成熟的抗原快检、卡盒式分子POCT一起竞争？
基础技术发展如上图所示，这些技术已经发展超三五十年。对于分子行业，最初想要解决的问题：怎样在极低丰度、极复杂背景里把目标核酸可靠找出来？所以早年一直关注的是灵敏度、特异性和可重复性，实验室化、中心化、重设备，是时代不可避免的代价。 把发展推向分子POCT，就是要解决传统PCR实验室流程太复杂的问题。标准化常规核酸检测通常包含试剂配制、样品处理、核酸提取纯化、扩增和检测等步骤，需要专业人员和物理分区空间，流程长、人工介入多、污染控制要求高，这些都与随到随检的临床场景天然冲突。 于是分子POCT被定义成一种工程化压缩：把流程尽量塞进同一封闭系统，实现样品进结果出。这也是为什么微流控在相当长时间里成了行业默认答案，因为它最能符合微型化、集成化、自动化和封闭化这些POCT的硬指标。 但微流控成为主流，并不意味着它他是最好的选择。传统微流控芯片往往依赖外接泵阀、复杂宏微接口和流路控制，液体试剂在芯片上的长期存储、可控释放本身也很难做，外接储液方案还会带来泄漏、污染、气泡和死体积等问题。 换句话说，微流控确实解决了“把实验室缩小”的问题，却没有自动解决“把分子检测做便宜”的问题。 行业之所以长期忍受这套架构，是因为在技术约束下，芯片和卡盒几乎是最现实的封闭自动化方案，比起重新发明反应体系，先把流路和封装做出来更可落地。 接下来这些年，分子POCT的主线基本就是“把实验室PCR工程化封装”。从学术侧看，1990年代以后微流控芯片被明确设想为可在一张芯片上完成进样、预处理、反应与检测的“微全分析系统”；从产业侧看，卡盒化、封闭化、单样本随机访问逐渐变成产品共识。 临床想要的是可靠结果、可控污染和低培训门槛，而不是最优雅的技术路线；因此哪条路最容易把稳定合规固化进机器，哪条路就更容易先商业化。于是，分子POCT很长时间并不是在和抗原检测比“谁更便宜”，而是在和中心实验室比“谁能把PCR搬到更近的地方”。 这一逻辑在新冠时期被推到极致，也让几条成熟路线的优缺点被暴露得非常彻底。Roche的cobas Liat、Cepheid的Xpert Xpress、Abbott的ID NOW。但新冠并没有把分子POCT自动推向大众化，反而让它的经济矛盾更明显，专用仪器模式的成本开支并不轻松。 目前分子POCT发展的根本矛盾就是：已经足够快也足够准，但要靠专用卡盒、专用光机电系统和复杂制造体系来换速度与闭环，性能虽然提升但普惠还远远不够。 
微流控和整机工程已经把流程压缩到了相当程度，接下来若想继续降本、降复杂度、提高复杂样本适配性，突破口更可能在反应体系本身，而不是继续在流路上做“更复杂的复杂化”。一些分子POCT产品正通过合成生物学突破聚合酶瓶颈，实现30分钟内完成45个循环，同时保持不差于常规检测的灵敏度和特异性，但只要体系仍高度依赖温度循环，配套控制仪器成本就依然偏高。 关注点实现从“芯片中心主义”转向“酶中心主义”。当行业把问题重新写成“能不能找到更快、更稳、更抗抑制、更适合复杂样本的酶”，AI恰好在同一时间给出了新工具箱。 传统酶改造的问题，设计依赖经验知识，定向进化依赖大量试错，效率和搜索空间一直是硬瓶颈。AI辅助酶工程主要为酶功能预测和酶分子改造两大任务，今天相关研究已经基于公开数据集在溶解度、功能、稳定性和结构预测等任务上取得了可用结果。
图：定向进化、理性设计和人工智能辅助的酶工程策略示意图(源自文献) 深度学习和生成式AI能够支持大规模序列空间探索、结构—功能关系预测，并能借助强化学习进行多目标优化，这意味着酶工程开始从“被动筛选”转向“带方向的主动设计”。在分子POCT中，它的意义并不只是把酶做得更“强”，而是把整机、流路、样本处理、温控精度这些外围负担往下游挤压，从而改变整个系统的成本结构和适用边界。2025年2月，David Baker团队在《Science》上发表工作，首次利用AI从零开始设计出具有复杂活性位点的丝氨酸水解酶，被科技媒体称为酶工程的重要里程碑。 这件事未必直接等于“明天就能造出低成本分子POCT”，但它在技术史上的意义非常明确：AI不再只是帮你在候选库里筛更好的一批突变体，而是在某些任务上开始具备从头构造功能蛋白的能力。对于你的研究对象而言，这正是范式跃迁最关键的一步，因为它把酶从“系统里的一个材料件”，重新抬升为“系统架构的决定因素”。 所以，分子POCT的上半场是把实验室PCR塞进卡盒里，下半场才可能是真正把分子检测重新发明成一种适合近场、复杂样本和大规模普及的反应系统。 AI进化酶之所以在这个时间点变得重要，不是因为它比所有旧路线都“更酷”，而是因为它有机会去触碰旧路线最难碰的那层硬约束：复杂样本兼容性、反应鲁棒性、硬件复杂度和总成本。
AI进化酶驱动的分子POCT目前像底层能力，类似有卡盒式PCR POCT、超快分子POCT，以及抗原快检参照系等。
几条路线其实各自“活成了不同的人设”。Liat最像“稳健的临床派”，被选择的理由是结果像PCR、流程像POCT；Xpert最像“平台派”，用户会为成熟生态和标准化买单；ID NOW最像“速度派”，在时间极其敏感的场景里很有吸引力，但并不自动解决所有工作流问题。 而AI进化酶路线会隐藏在反应体系、试剂盒或平台能力里，它大概率是未来最可能的商业形态，不是“一家AI酶公司单挑所有整机厂”，而是作为上游能力嵌入现有平台，或者反过来被现有分子POCT厂商内生化吸收。 所以这条路线占据了底层再分配权，卡盒式分子POCT已经证明了临床愿意为分子级准确性买单，超快分子POCT也证明了速度可以被继续压缩，但它们共同留下的空白是：怎样把这种性能更低成本地做出来，并且更能适配复杂样本和分散场景。它不是在复制Liat、Xpert或ID NOW，而是在试图改写这些产品背后的成本函数和系统边界。 未来最可能冒出的竞争者，我判断会来自三个方向。第一，现有分子POCT巨头自己把AI蛋白设计吸收进反应体系研发，把“AI进化酶”做成平台内部能力；第二，做酶工程和合成生物学的上游供应商向诊断场景延伸；第三，做通用蛋白设计模型的平台切入特定诊断酶任务。 这三类对手的共同点是：他们未必会以“AI分子POCT新物种”的名义出现，但都可能从底层把你的研究对象吃掉。因此，真正的护城河就是“有没有临床数据、工程放大能力、法规路径和量产一致性”。
分子POCT这条赛道，真正的瓶颈已经从“能不能把分子检测做到现场”转成了“能不能把它做成一种大规模、低摩擦、低总成本的现场能力”。 上半场，微流控和卡盒化解决的是“从实验室走出来”的问题；下半场，AI进化酶想解决的成本和平台问题。 一旦酶的设计能力能在复杂样本耐受性、扩增速度、稳定性、多目标优化上持续兑现，很多今天必须靠芯片结构、严格温控和复杂机电来补偿的问题，就会被部分前移到生化层解决。 微流控让分子检测第一次接近POCT，AI进化酶则让分子POCT第一次接近普惠；前者解决“能不能做”，后者要回答“能不能真正大规模用得起、用得顺”。 这条路线的未来，胜负大概率不在单一指标，而会在一个更朴素的组合：是否能在接近抗原式体验的同时，保住分子检测的准确性，并把系统总成本拉到临床愿意大范围部署的区间。 这不仅是一场“更快一点”的竞赛，而且是一场“谁能重新定义分子POCT成本结构”的竞赛。 参考文献 [1]分子诊断常用技术50年的沿革与进步[EB/OL]. 2014[2026-04-22].DOI:10.3969/j.issn.1673-8640.2014.03.002. [2]人工智能驱动的酶改造与设计研究进展[J/OL]. 生物技术通报, 2025-12-25. [3]人工智能辅助的酶分子改造应用进展[J/OL]. 微生物学报, 2024-06-24 [4]酶工程领域重要里程碑——AI首次“从零开始”设计蛋白酶[EB/OL]. 中国科技网, 2025-02-23 |
/3 
浙公网安备33010802005999号 
