EpiBench | 大语言模型能否真正理解抗体表位？

近年来，大语言模型在医学问答、文献理解和科学推理等任务上展现出了快速提升的能力。然而，对于生命科学研究而言，一个更关键的问题是：大模型究竟是在“记忆和复述”生物医学知识，还是能够真正从生物序列中理解分子之间的相互作用规律？

在抗体药物发现中，这一问题尤为重要。抗体是否能够发挥治疗作用，不仅取决于其是否能够识别抗原，还与它具体结合抗原的哪个区域密切相关。这个被抗体识别的抗原区域被称为表位。表位决定了抗体的结合模式，并进一步影响功能阻断、治疗特异性以及免疫逃逸等重要性质。因此，理解抗体、抗原与表位之间的关系，是抗体发现和优化过程中非常核心的问题。

针对这一问题，Valhalla Technology 团队提出了 EpiBench，一个面向抗体药物发现的表位推理基准数据集。EpiBench 不再只测试模型“是否知道某个抗体或者蛋白质的知识”，而是直接向大模型提供抗原序列、抗体序列、候选表位以及突变等分子层面的信息，系统评估模型能否从序列出发完成抗体研发中的一系列表位相关决策。EpiBench 共包含 1,609 个经过整理的样本和五项相互关联的任务，标签分别来源于抗体–抗原复合物结构、功能性 B 细胞实验以及深度突变扫描数据。

现有的大语言模型已经能够回答大量生物医学问题，也能够解释抗体、抗原、CDR、表位等专业概念。但这并不意味着模型已经能够解决真实的分子层面问题。

传统的表位预测研究通常围绕一个相对固定的目标展开，例如根据抗原序列预测潜在 B 细胞表位，或者结合三维结构预测抗体–抗原界面。近年来的蛋白质语言模型和蛋白质 benchmark 则更加关注结构、功能、适应度、蛋白互作等通用蛋白质表征能力。这些研究证明，蛋白质序列中确实包含可以通过机器学习捕获的结构和功能信息，但对于抗体药物发现而言，一个尚未得到系统回答的问题是：一个通用 LLM 能否仅根据抗体和抗原序列，推断抗体究竟识别哪个表位，并进一步判断不同抗体之间的表位关系、表位对应的生物学功能以及突变是否会导致抗体逃逸？这也是 EpiBench 希望回答的核心问题。与传统的单一表位预测任务不同，EpiBench 将表位理解放入抗体发现和优化的完整语境中，希望评估的是一种更接近真实科研决策过程的表位级推理能力。

图 1: Epibench整体框架。

EpiBench 将抗体药物研发中的表位问题划分为五项相互关联的任务。

• 第一项是可靶向区域发现。在尚未给定具体抗体的情况下，模型需要从完整抗原序列中找出更可能被抗体识别的区域。这对应抗体发现早期对潜在可靶向区域的判断。

• 第二项是抗体特异性表位识别。此时模型不仅获得抗原序列，还获得一个具体抗体的重链和轻链序列，并需要从多个候选表位中判断该抗体真正识别哪一个区域。相比第一个任务，这项任务要求模型进一步理解特定抗体与特定抗原区域之间的对应关系。

• 第三项是表位分选。给定针对同一个抗原的两个抗体，模型需要判断它们是否结合相同或高度重叠的表位。在真实抗体开发中，epitope binning 常用于区分不同作用机制的抗体、筛选多样化候选物以及设计抗体组合。

• 第四项是功能性表位评估。并不是所有能够结合抗原的表位都具有相同的治疗意义。模型需要从多个候选表位中判断，哪些表位与抑制、保护或抗体介导的细胞毒性等功能性结果相关。这个任务进一步将“是否结合”推进到“结合这个位置是否能够产生功能”。

• 第五项是抗体逃逸评估。给定一个抗体、一段野生型抗原序列以及一个抗原突变，模型需要判断这一突变是否会导致该抗体失去结合。该任务对应抗体研发过程中非常重要的耐药和免疫逃逸风险评估。

为进一步覆盖不同的生物学情境和任务难度，EpiBench 还从可靶向区域数量、抗原来源、表位分箱难度、功能机制以及突变类型等多个维度，对五项任务设置了相应的子类别，从而更加细粒度地评估模型在不同条件下的表位理解能力。

图 2: 各评测任务的子类型分布。

五项任务最终构成了一条从寻找潜在表位 → 判断特定抗体结合位置 → 比较不同抗体 → 判断表位功能 → 评估突变逃逸的连续决策链，使 EpiBench 不再只是一个单一的 epitope prediction dataset，而是一个面向抗体药物发现过程的综合评测框架。

在统一的零样本设置下系统评估九个通用大语言模型，并与任务专有的表位预测模型进行比较。实验得到的一个总体结论是：

当前大语言模型已经能够捕获部分与表位相关的序列信号，但尚未形成可靠的、抗体特异性的表位理解能力。

例如，在可靶向区域发现任务中，一些模型能够大致找到更可能包含表位的抗原区域。但当问题进一步要求模型判断“这个具体抗体究竟结合哪里”，或者预测“这个突变是否会导致该抗体逃逸”时，模型性能明显下降。在具有直接可比方法的任务上，专门针对表位预测训练的模型仍然整体优于通用 LLM。这说明，识别一个区域是否具有普遍的“表位特征”，与真正建立特定抗体和特定抗原区域之间的对应关系是两个不同层次的问题，而后者正是当前模型的重要瓶颈。

进一步分析发现，长蛋白序列中的精确定位尤其困难。随着抗原序列变长，模型在可靶向区域发现任务上的性能明显下降，说明能够处理长 context 并不意味着模型能够在长蛋白序列中准确追踪关键残基。

图 3: 不同抗原序列长度下的大语言模型性能。

研究还发现，更长的推理过程并不会稳定改善结果。链式思维（Chain-of-Thought） 对不同模型和任务的影响并不一致。错误分析显示，模型常常能够生成听起来合理的生物学解释，却过度依赖 序列基序、氨基酸理化性质、CDR 相似性或记忆中的抗体知识，而没有真正建立当前抗体–抗原之间的特异性关系。

一个典型案例中，模型能够正确识别 SARS-CoV-2 RBD，并回忆出相关抗体逃逸知识，但由于序列坐标映射发生错误，最终在错误的残基位置上使用了“正确知识”，从而得到相反的逃逸判断。这一结果揭示了LLM 在生物领域面临的核心挑战：“了解基础知识”并不等于能够把知识准确地落到具体序列、具体残基和具体分子相互作用上。

因此，EpiBench 不仅希望提供一个模型排行榜，更希望作为一个诊断工具，系统衡量大模型在长序列定位、抗体特异性序列对应以及功能和逃逸推理等方面的能力缺口，为未来面向药物发现、序列感知的科学语言模型提供评测基础。

Zirui Wang, Jiaqi Wang, Qinghan Wang, Yuzhi Xu, Gang Du, Tingjun Hou and Odin Zhang. “EpiBench: Can LLMs Understand Epitopes for Antibody Drug Discovery?” (2026).

https://arxiv.org/abs/2608.06022