传统抗体研发依赖免疫、展示文库和大量筛选。生成式AI则先学习蛋白质结构与序列规律,再尝试生成候选骨架、互补决定区(CDR)和序列。
An等2026年在《In Silico Pharmacology》发表综述,聚焦生成式AI在肺癌抗体工程中的新思路与转化瓶颈。核心问题是:生成的分子能否成为可开发、可验证的候选药物。
AIx生物制药微信⑥群已开启
扫描上方群二维码,加入AIx生物制药微信交流群,进群备注姓名、公司名,交流一线产业观点。
01 肺癌抗体研发,难在靶点不“标准”
全长抗体难以穿过细胞膜,因此,KRAS G12C这类胞内靶点不能被简单视为普通表面抗原。原文介绍的TCR模拟策略,是识别由MHC I呈递到细胞表面的突变肽—MHC复合物,再借助双特异性T细胞衔接器招募T细胞。
对于CXCR4/7等多次跨膜受体,难点则是构象复杂、纯化后不稳定、胞外表位有限。零样本设计希望依据预测结构直接生成结合分子,但仍需在原生细胞膜环境中验证受体功能。
此外,EGFR×MET双特异性设计可促进受体共同内化和溶酶体降解;面向肿瘤微环境的设计,则尝试同步优化溶解度、酸性条件稳定性和多特异性。这四条路径展示了AI的设计空间,并不代表它们具有相同的临床成熟度。
图1|生成式AI应对肺癌治疗瓶颈的四类策略
02AI不是一个模型,而是一组分工工具
原文表1列出了模型分工:RFdiffusion/RFantibody利用等变扩散和热点修复生成界面骨架;Chroma统一处理骨架折叠与序列设计;IgFlow以流匹配加速采样并探索长CDR-H3设计,表中注明其证据来自预印本或Workshop。
AbEgDiffuser加入侧链和物理约束,以减少原子碰撞;ProteinMPNN与AbLang则侧重序列优化和人源化,引入抗体序列的进化先验。
AI生成的是待验证候选物,而不是自动成为药物的分子。其真正价值,是把结合界面、序列与可开发性联动起来。
表1|肺癌抗体设计相关核心AI模型
03能结合只是第一关,能否开发决定走多远
高浓度制剂中的黏度、聚集,生产中的溶解度,以及临床中的免疫原性,都可能让“漂亮结构”止步于开发阶段。
以DeepViscosity为例,它根据Fv序列区分低黏度(≤20 cP)与高黏度(>20 cP)。原文报告其在两个独立实验数据集上的分类准确率为87.5%–89.5%,样本量分别为16和38。DeepSP通过空间电荷图和空间聚集倾向寻找聚集热点;T-SCAPE预测T细胞表位与抗药抗体风险;ProG-SOL则面向热力学溶解度和沉淀风险。
这些工具适合早期筛查,不宜直接替代制剂与安全性实验。黏度还受Fc、浓度、pH、离子强度、辅料和糖基化等影响;免疫原性也与患者HLA、抗原加工、给药途径和疾病状态有关。
表2|用于抗体可开发性优化的AI工具
04最大的落差:结合率不等于功能率
原文以相关研究经验指出,计算生成序列经实验确认后,初始“结合命中率”可约为10%,而真正引起预期细胞效应的“功能命中率”常降至不足1%。能结合,不代表能阻断信号、招募免疫细胞或产生预期药效。
同时,pLDDT只是模型对局部折叠几何的置信度,不等于热力学稳定性或临床疗效。训练数据对复杂膜蛋白和高密度N连接糖基化修饰覆盖不足;CDR-H3多变且柔性高,环越长,预测与生成越困难。过度追求疏水堆积和芳香族接触,还可能增加多反应性、非特异性结合与自聚集。
因此,原文图2给出验证漏斗:体外结合之后,还要检查正常细胞交叉反应、多聚体状态、热稳定性、体内PK/PD及PBMC细胞因子释放。
图2|计算与实验相结合的候选抗体验证漏斗
原文表3按证据分层:EGFR/MET双抗为已获批治疗;KRAS G12C与半抗原化新抗原有临床前或平台证据;高浓度黏度预测有计算与回顾性实验验证;CXCR4/CXCR7零样本设计仍是计算假设。已获批的EGFR/MET双抗,并不等于AI设计药物已经获批。
表3|不同研究与应用的证据等级映射
从研发视角看,AI的落地价值不是“一键生成分子”,而是建立lab-in-the-loop闭环:计算提出候选,高通量实验验证,再把阳性和阴性结果反馈给模型。
未来真正拉开差距的,是谁能把生成、验证和反馈闭环做得更扎实。
参考文献
An X, et al. Generative AI in antibody engineering: emerging concepts and translational bottlenecks in lung cancer. In Silico Pharmacology. 2026;14:189. DOI: 10.1007/s40203-026-00701-9.
识别微信二维码,添加抗体圈小编,符合条件者即可加入
抗体圈微信群!
请注明:姓名+研究方向!
本公众号所有转载文章系出于传递更多信息之目的,且明确注明来源和作者,不希望被转载的媒体或个人可与我们联系(cbplib@163.com),我们将立即进行删除处理。所有文章仅代表作者观点,不代表本站立场。
热门跟贴