首個由AI開發的藥物或許即將面世，眾多候選中，抗體一騎絕塵

生物學家在蛋白質設計領域去年取得了里程碑式的成就：利用人工智能（AI）設計全新的抗體分子。這些原理驗證性設計缺乏商業抗體藥物所具有的效力和其他關鍵特性，但它們每年的銷售額高達數百億美元。

相關鏈接：https://www.nature.com/articles/d41586-024-00846-7

經過一年的進展，科學家們表示他們正接近將人工智能設計的抗體轉化為潛在療法。在最近幾周，眾多團隊報告成功使用專有商業 AI 工具和開源模型制作出具有抗體藥物特性的抗體。

丹麥哥本哈根技術大學（Technical University of Denmark in Kongens Lyngby）的蛋白質工程師 Timothy Jenkins 補充說，新抗體從頭設計的最新成功“將會對從頭設計的療法的誕生速度與數量上產生巨大影響”。

相關信息以「What will be the first AI-designed drug? These disease-fighting antibodies are top contenders」為題，于 2025 年 12 月 9 日發布在《Nature》。

原文鏈接：https://www.nature.com/articles/d41586-025-03965-x

精準納米抗體

治療性抗體通常是通過篩選大量不同的素材來尋找能夠識別特定靶標的抗體。但有時，這些篩選只會出現與靶標結合較弱或識別其錯誤區域的抗體。

麻省劍橋抗體設計公司 Nabla Bio 的首席執行官 Surge Biswas 表示，這其中的精確度并不高。科學家們希望能更明確抗體的目標——例如與疾病相關的酶的活性位點——并由 AI 模型提出設計建議。“AI 指導設計的承諾在于你可以達到原子級的精確度。”Biswas 補充道。

抗體——免疫蛋白，能夠以極高的特異性識別外來分子，如病原體產生的分子——一直是人工智能設計的一大挑戰。像 AlphaFold 這樣的人工智能模型預測抗體識別其靶標的柔性環區域的形狀一直存在困難。

但麻省理工學院劍橋分校的機器學習科學家 Gabriele Corso 表示，過去一年開發的新工具——包括 AlphaFold 的更新版本——在模擬這些柔性區域方面表現更好。抗體設計方面的進展也隨之而來。

相關鏈接：https://www.nature.com/articles/d41586-024-01383-z

10 月，Corso 和同事在一篇預印本中描述了 BoltzGen 模型，展示了該模型能夠巧妙設計“納米抗體”——一種小而簡單的抗體，這些抗體針對與癌癥、病毒和細菌感染及其他疾病相關的蛋白質。

圖示：BoltzGen 在九個無已知結合劑的靶點上的測試。

在大多數情況下，研究人員在細胞中表達 15 種最有潛力的設計并在實驗室測試后，就識別出了具有強目標結合能力的抗體。但這些分子尚未在疾病模型中進行測試。

世界各地的其他團隊也取得了類似的進展。例如，加利福尼亞州斯坦福大學和加利福尼亞州帕洛阿爾托的 Arc 研究所的一個團隊也發布了一個能夠高效設計納米抗體的模型。上個月，2024 年突破背后的研究人員——由在華盛頓西雅圖華盛頓大學的諾貝爾獎獲得者生物物理學家大衛·貝克領導——在《Nature》雜志上報告了他們使用另一個開源工具在納米抗體設計方面取得的顯著改進。

全長抗體

在人工智能抗體設計領域，最雄心勃勃的聲明來自那些致力于解決這一挑戰的公司。上個月，加利福尼亞州舊金山的 Nabla 和 Chai Discovery 的科學家表示，他們已使用人工智能工具制造出“藥物樣”抗體。

雙方團隊均表示，除了由單一鏈氨基酸組成的納米抗體外，他們還生成了全長的抗體。貝克團隊也在其報告中報告了這類設計。一些設計分子能夠識別多種疾病靶點——包括被稱為 G 蛋白偶聯受體（GPCR）的分子——其效力與商業抗體藥物相似。它們還具備一些關鍵特性，例如能夠以高水平的產量生產，并且只識別其預定的靶點。

圖示：T2 噬菌體吸附在綠色的大腸桿菌細胞壁上。

Jenkins 和其他科學家表示，他們希望看到 Nabla 和 Chai 的聲明背后的數據，但兩家公司都沒有發布其設計的抗體序列。Jenkins 補充說，尚不清楚專有模型與他的團隊正在使用的最佳開源工具相比如何，這些工具用于設計蛇抗毒血清、癌癥療法和生物威脅的應對措施。

南舊金山 K2 Therapeutics 抗體治療公司的聯合創始人 Liu 表示：開源抗體設計工具對那些沒有資源開發自己的初創公司也很有吸引力。這些模型還有潛力促進一個更大規模的科學家生態系統，他們使用并在此基礎上進行開發。

臨床試驗

很快，完全由人工智能設計的抗體可能就會進入人體試驗。LIU 說，最新的工具或許已經能夠產出合格的設計方案。但它們在不同靶點上的表現不均一，且無法預測設計的關鍵特性（如結合強度），這可能會減緩其應用進程，還需要幾年時間才能完全依賴模型進行開發。

上周，位于馬薩諸塞州索默維爾的 Generate Biomedicine 公司啟動了一項針對重度哮喘的抗體藥物的大規模臨床試驗。該公司利用人工智能優化了現有抗體，以改善其結合能力、穩定性及其他特性。

相關鏈接：https://www.nature.com/articles/d41586-025-03441-6

Biswas表示，一個關鍵的懸而未決問題是，身體是否會將 AI 設計的抗體識別為外來分子，從而引發免疫。這些抗體看起來與傳統方法開發的抗體無異，但在試驗前仍需進一步安全測試。

藥物開發者還需要時間來確定 AI 抗體的最佳疾病靶點。Biswas 表示，他希望 AI 抗體能夠解鎖過去一直存在的挑戰靶點，比如 GPCRs。人工智能還可能設計具有獨特特性的抗體，比如能夠穿透大腦或在單一設計中識別結合靶點。