Nat. Biotechnol. | 基于实验亲和力与可开发性的计算抗体发现盲法前瞻性基准评测

近年来，人工智能和生成式模型被广泛用于抗体发现与优化，但多数计算方法仍主要依赖回顾性数据集进行评价，模型往往在已经公开的抗体序列、结构或亲和力数据上进行训练和测试，因此难以判断其在真实药物发现流程中的实际能力。为建立更加严格的评价体系，研究人员发起 AIntibody Challenge，借鉴蛋白质结构预测领域CASP的思路，通过前瞻性、盲法并以真实实验结果为最终标准的方式，对当前计算抗体设计方法进行系统评测。

来自29个组织的团队共提交511个AI设计或预测抗体，围绕三个任务展开竞争：利用早期筛选测序数据进行计算亲和力成熟；从三个HCDR3序列簇中预测最高亲和力且具有良好可开发性的抗体；以及设计原始实验文库中不存在的新CDR组合。所有候选抗体均以完整IgG形式表达，通过表面等离子体共振和KinExA独立测定亲和力，同时采用五项实验评价其可开发性。

结果表明，计算方法已经能够在部分明确任务中产生极高质量抗体。亲和力成熟任务的最佳设计达到约95 pM，相比亲本抗体提高约2,000倍；HCDR3簇预测中也获得9.2 pM和50 pM等高亲和力抗体；文库外CDR设计的最佳抗体达到2.9 pM。然而，这些成功并不具有普遍性。尤其在HCDR3簇内排序任务中，除一个模型外，AI选择高亲和力抗体的整体表现甚至低于随机挑选；不同任务的获胜方法也明显不同，没有一种算法能够稳定统治全部任务。研究表明，AI已经能够辅助特定条件下的抗体优化，但亲和力预测、文库外设计以及跨任务泛化仍是计算抗体发现的关键瓶颈。

蛋白质结构预测领域的快速发展很大程度上受益于严格、独立和持续的基准评测。与单纯使用公开数据进行回顾性测试不同，前瞻性盲测要求研究团队在不知道实验答案的情况下提交预测结果，随后由独立实验统一验证。这种方式能够减少数据泄漏、模型选择和评价指标差异造成的偏差，更真实地反映方法在未知问题上的能力。

抗体设计尤其需要这样的评价体系。治疗性抗体并不是只要获得较高结合亲和力即可。一个候选分子即使能够以极高亲和力结合抗原，如果同时出现严重的自相互作用、非特异性结合、疏水性、聚集或热稳定性问题，也可能无法继续开发。因此，抗体设计实际上是一个典型的多参数优化问题：模型必须在提高亲和力的同时尽可能保持良好的生物物理性质。

另一个困难来自训练数据。蛋白质和抗体序列虽然可以被语言模型表示，但氨基酸序列并不像自然语言一样能够直接由人类标注其“语义”。可靠的亲和力标签需要通过实验产生，而大量工业抗体筛选数据又受到知识产权限制，公开数据不仅数量有限，而且具有明显的数据分布偏差。因此，即使模型在历史数据集上获得较高准确率，也不能保证能够在真正未知的抗体设计问题中工作。

AIntibody Challenge正是为解决这一问题而建立。研究人员选择数据极其丰富的SARS-CoV-2 RBD作为第一轮靶点，并向参赛团队提供比通常早期抗体发现项目更加丰富的测序和部分亲和力信息。因此，这一评测实际上已经在相对有利于计算方法的条件下进行，其结果更应被理解为当前技术在该类靶点上的能力上限，而不是AI已经具备针对任意抗原进行通用抗体设计的证据。

研究人员设置三个相互关联但难度逐渐增加的任务。任务1从实验亲和力成熟第一阶段产生的CDR文库测序结果出发，要求模型保持HCDR3和抗体框架不变，仅重新设计HCDR1、HCDR2以及LCDR1–3，获得比亲本抗体亲和力更高且具有良好可开发性的序列。任务2提供三个具有不同HCDR3特征的抗体序列簇27F、28F和47F，要求从已有序列中识别最高亲和力且可开发的抗体。任务3进一步提供包含32,059条独特序列的完整筛选数据以及142个抗体的实验亲和力，要求模型产生原始数据集中不存在的新CDR或CDR组合，同时保持框架不变。所有提交序列统一合成为完整IgG，首先利用高通量SPR测定结合动力学，再使用KinExA对高亲和力候选进行正交验证。可开发性通过AC-SINS自相互作用、BVP多反应性、HIC疏水性保留、熔解温度和聚集温度五项实验共同评价，每项分为通过、可疑和失败，累积评分不高于3的抗体被认为具有可接受的可开发性。

图1｜AIntibody盲法前瞻性计算抗体发现基准评测总体设计。

第一个任务最接近实际抗体先导优化流程。研究人员提供亲本抗体以及第一阶段酵母展示筛选得到的CDR序列信息，但不向参赛团队提供候选抗体的实验亲和力。计算方法需要从这些数据中识别有利突变并重新组合CDR，在保持HCDR3和框架不变的情况下提高对SARS-CoV-2 RBD的结合能力。

这一任务也是三个挑战中表现最好的。25个组织共提交165个有效候选，其中118个能够结合RBD，22个达到个位数纳摩尔亲和力，5个达到亚纳摩尔水平，并有1个进入100 pM以内。与此同时，86.1%的设计通过可开发性评价，说明多数团队并非简单通过牺牲生物物理性质换取更强结合。

虽然AI设计抗体的整体亲和力分布仍然弱于实验筛选得到的抗体，但最优秀的计算设计已经达到实验方法的水平。最佳AI抗体的SPR亲和力为340 pM，而最佳实验抗体为517 pM；进一步采用KinExA测量后，最佳AI设计约为95 pM，最佳实验抗体约为113 pM，两者置信区间重叠，没有显著差异。

最终获胜设计来自Aureka，其亲和力相比亲本抗体提高约2,000倍，并且与亲本抗体CDR之间存在19个氨基酸替换，与实验数据中的任何序列至少相差12个位置，说明模型并非简单复制实验筛选结果。不过，一个值得注意的对照来自ProBioGen：其没有使用AI，而是直接根据各CDR文库的统计共识构建序列，却获得约540 pM的KinExA亲和力和完美的可开发性评分，并排名第三。这表明在数据丰富的亲和力成熟任务中，合理利用实验筛选数据本身就是一个非常强的基线。

图2｜计算抗体亲和力成熟任务的实验评价结果。 

第二项任务并不是生成新抗体，而是从已有实验筛选序列中挑出最好的候选。三个HCDR3簇27F、28F和47F分别包含2,524、3,554和410条独特序列。理论上，这一问题比从头设计更加简单，因为模型只需要完成候选排序。

部分团队确实找到了非常强的抗体。27F簇的最佳预测抗体达到9.2 pM，相比簇中最丰富的对照序列提高4倍；47F簇的获胜抗体达到50 pM，相比378 pM的对照提高7.6倍；28F则相对困难，最佳结果仅改善约1.8倍。

然而，从整体表现看，这一任务暴露了当前计算亲和力预测的核心问题。此前实验表明，从这些序列簇中随机选择抗体，约39%能够获得比最丰富序列更高的亲和力。相比之下，AI提交序列中只有约9.8%–13.8%优于相应对照。除WashU外，所有AI策略选择高亲和力抗体的效率均低于随机抽取。换言之，对于多数团队而言，使用复杂AI模型进行排序反而降低了找到更好抗体的概率。

这一结果尤其重要，因为“给定大量候选序列，准确预测哪一个结合最强”通常被认为是AI抗体发现最有价值的应用之一。实验结果说明，序列是否富集、是否结合以及结合亲和力究竟有多强，是三个并不等价的问题。模型能够学习抗体的一般序列规律，并不意味着能够可靠预测微小CDR变化造成的自由能差异。

图 3｜三个HCDR3序列簇中的抗体亲和力排序表现。

第三项任务进一步增加难度。模型获得32,059条实验筛选序列和142个抗体的亲和力数据，但必须生成原始文库中不存在的新CDR或CDR组合。因此，该任务更接近利用已有实验知识向未知序列空间外推。

整体结果呈现明显的两极分化。168个提交抗体中，117个能够结合RBD，但仍有51个完全不结合；57个达到亚纳摩尔亲和力，其中24个进入100 pM以内。约71.4%的设计通过可开发性评价，最终同时满足“能够结合”和“具有可开发性”的比例为53.6%。

最佳结果非常突出，获胜抗体的KinExA亲和力达到约2.9 pM，说明计算方法确实能够从已有筛选数据出发探索新的CDR组合，并产生实验文库之外的超高亲和力分子。然而，这并不能代表整体模型能力。AI设计中存在大量非结合抗体，而且结合抗体的总体亲和力通常弱于实验筛选序列；随着亲和力提高，可开发抗体的比例还出现下降，反映出在未知序列空间中同时优化结合和生物物理性质仍然十分困难。

该任务还暴露了评价体系本身的问题。最终排名第一的设计虽然亲和力极高，但无法从HIC色谱柱正常洗脱，提示其存在严重疏水性问题。由于最初的综合评分允许极高亲和力抵消单项可开发性失败，该抗体仍然获胜。研究人员因此提出，未来评测需要设置严格的“go/no-go”门槛，任何严重生物物理缺陷都应直接取消候选资格，而不能被亲和力优势抵消。

图4｜文库外CDR优化和设计的实验表现。 

研究人员进一步按照技术路线将参赛方法分为统计或启发式方法、经典机器学习、蛋白质语言模型或注意力模型，以及显式利用三维结构的方法。结果没有显示某一种技术路线具有绝对优势。

任务1由结合蛋白质语言模型、注意力和结构信息的方法获胜；27F簇由经典机器学习和结构方法并列领先；28F由序列模型相关方法获胜；47F由自定义Transformer获得最佳结果；任务3则由蛋白质语言模型方法获得第一。甚至简单的统计共识方法也能在任务1中取得非常靠前的成绩。

更值得关注的是跨任务泛化能力。一个团队在某项任务中获胜，并不意味着同样的方法在另一项任务中仍然有效。所有公开获胜团队都至少存在一个任务，其最佳设计明显落后于领先水平。因此，目前不存在可以被称为“通用最优”的抗体AI设计算法。

这也说明不同抗体任务实际上需要解决不同问题。亲和力成熟主要是在已有实验信号附近进行局部优化；簇内排序要求模型准确识别微小序列变化造成的亲和力差异；文库外设计则要求模型向训练数据之外进行外推。一个模型擅长其中一种能力，并不能保证拥有另外两种能力。

图5｜不同计算方法类别及其跨任务表现。 

AIntibody Challenge最大的价值并不在于证明“AI能不能设计抗体”，而在于通过统一实验标准更准确地回答：当前AI究竟在哪些抗体发现任务中已经有用，又在哪些任务中仍然不可靠。 研究采用统一的SPR、独立KinExA以及五项可开发性实验评价所有提交序列，从而避免不同论文使用不同数据集和指标造成的横向比较困难。这使其成为对2025年初计算抗体发现能力的一次实验锚定的客观快照。

结果最支持AI应用的场景是已有实验筛选数据基础上的亲和力成熟。在任务1中，大约13%的设计获得至少20倍的亲和力提升，多个团队得到亚纳摩尔抗体，最佳计算设计与最佳实验筛选结果基本相当。这意味着AI目前已经可能用于减少传统多轮抗体成熟所需的实验周期，在实验筛选产生初步序列后，通过计算快速提出下一轮候选。

但结果同时对“AI能够直接准确预测抗体亲和力”这一更强的主张提出了明显警示。HCDR3簇任务中，大多数方法甚至无法超过随机选择。这表明目前模型学习到的序列或结构规律仍不足以稳定解析非常接近的抗体之间细微的结合自由能差异。真正可靠的亲和力预测可能需要数量级更大的、多样化并经过标准化实验测量的数据，而现有公开抗体数据在规模、分布和质量方面都存在明显限制。

文库外设计则体现了生成式AI目前典型的“高上限、高方差”特征。模型能够偶尔产生极其优秀的低皮摩尔抗体，但与此同时也会产生大量完全不结合或可开发性不佳的序列。因此，仅展示少数最佳成功案例很容易高估模型能力。对于实际药物发现，更重要的问题是成功率、候选数量、实验成本，以及在多个不同靶点上能否重复取得类似结果。

研究还特别强调了可开发性不能成为亲和力之后的附加指标。治疗性抗体需要同时满足亲和力、特异性、稳定性、低聚集倾向和低多反应性等要求。一个2.9 pM的抗体如果存在严重疏水性或聚集问题，其药物价值可能低于一个亲和力稍弱但性质均衡的候选。因此未来AI抗体设计需要从“最大化亲和力”逐渐转向真正的多目标优化。

这项研究本身也存在边界。第一轮AIntibody只测试了一个高度研究充分的SARS-CoV-2 RBD靶点，而且任务2和任务3向参赛者提供了远多于真实早期发现阶段通常能够获得的亲和力数据；此外，盲法主要依赖组织者诚信，而没有完全通过信息系统隔离，同时部分公开声称具有较强抗体AI能力的团队没有参与。因此，研究人员明确认为这些结果更接近当前方法在有利条件下的能力上限，而不是通用抗体设计能力。

总体而言，AIntibody Challenge给出了一个比单纯算法排行榜更加谨慎的结论：AI已经能够在实验数据充分、搜索空间受到约束的条件下有效优化抗体，甚至产生皮摩尔级且具有可开发性的候选；但可靠的亲和力预测、未知序列空间设计和跨任务泛化仍未解决。 下一阶段真正决定计算抗体发现价值的，不是模型能否展示一个令人印象深刻的最佳案例，而是能否在多个未知抗原、不同数据量和真实药物发现条件下，以高于实验基线的成功率持续产生兼具亲和力与可开发性的抗体。

Erasmus, M.F., Bedinger, D., Hopkins, E. et al. A blinded, prospective benchmark of in silico antibody discovery anchored to experimental affinity and developability. Nat Biotechnol (2026). 

https://doi.org/10.1038/s41587-026-03238-6