納米抗體工程化：從傳統文庫到AI設計的方法學核心進展

1993年，科學家在駱駝血液中發(fā)現了一類天然缺失輕鏈的抗體——僅由重鏈構成。進一步研究發(fā)現，這些重鏈抗體的可變區(qū)（VHH）可以獨立存在并保持完整的抗原結合能力，直徑僅2.5納米，分子量約15 kDa，是已知最小的抗原結合單元。這就是納米抗體。

三十年來，納米抗體憑借其小尺寸、高穩(wěn)定性、強特異性、易于表達等優(yōu)勢，在疾病診斷、治療、成像等領域展現出巨大潛力。但一個核心問題始終懸而未決：我們如何高效獲得高性能的納米抗體？

2025年發(fā)表于Journal of Nanobiotechnology的綜述系統梳理了納米抗體工程化的三大支柱：文庫構建、展示平臺、人工智能優(yōu)化。本文聚焦方法學本身：哪些技術真正改變了游戲規(guī)則？它們的邊界在哪？下一個突破口可能藏在何處？

一、文庫構建：多樣性是王道

獲得高親和力納米抗體的第一步，是擁有一個高質量的文庫。目前主要有三種類型，各有千秋。

免疫文庫：體內篩選的“黃金標準”

通過對駱駝（羊駝、美洲駝）進行目標抗原免疫構建，利用動物體內親和成熟機制，獲得高親和力、特異性強的納米抗體。標準流程：4-5次免疫，間隔一周，末次免疫后4-5天采集50-100 mL血液，分離淋巴細胞，提取mRNA，巢式PCR擴增VHH序列。文庫規(guī)模需達到10?以上。

方法學要點：優(yōu)點是體內已完成親和篩選，保真度高；缺點是周期長達數月，需要動物，且對低免疫原性或毒性抗原不適用。

天然文庫：一庫通用的“瑞士軍刀”

繞過免疫步驟，直接從10-20只未經免疫的動物采集超過10 L血液構建。文庫規(guī)模需達到10?-1011以彌補缺乏體內親和成熟的不足。

方法學要點：優(yōu)勢是“一庫通用”，可針對任何抗原篩選；但獲得的納米抗體親和力較低，需后續(xù)體外成熟。

合成/半合成文庫：擺脫動物的“多樣性之王”

完全擺脫動物依賴，基于已知納米抗體骨架設計CDR區(qū)多樣性。骨架設計注重穩(wěn)定性與通用性，常用cAbBCIII10等高穩(wěn)定性支架；CDR設計則通過簡并密碼子（如NNK、NNS）或三核苷酸合成實現氨基酸多樣性。CDR3是重中之重，因其長度和構象多樣性直接決定抗原識別能力。文庫規(guī)?？蛇_10?-101?，是目前多樣性最高的選擇。

方法學要點：優(yōu)勢是完全擺脫動物依賴，通過人工設計實現文庫規(guī)模和多樣性的最大化；劣勢是骨架和CDR的設計組合能否正確折疊、穩(wěn)定表達并有效結合抗原，需要實驗驗證，存在“設計有效性”的不確定性。

維度

天然文庫

免疫文庫

合成文庫

動物依賴

需要（但無需免疫）

需要（需免疫）

完全不需要

血液需求

>10 L

50-100 mL

0

文庫規(guī)模

10?-1011

10?-10?

10?-101?

親和力起點

低（μM級）

高（nM級）

中-低

通用性

一庫通用

一抗原一庫

一庫通用

構建周期

數周至數月

數月

數周

后續(xù)工作

必須體外成熟

可能不需

通常需優(yōu)化

方法學啟示：三種文庫常組合使用——先用合成文庫初篩，再用免疫文庫優(yōu)化，取長補短。

二、展示平臺：從表達到篩選的十八般武藝

有了高質量文庫，下一步就是高效篩選。展示平臺是連接基因型與表型的橋梁，決定了篩選的通量與精度。

噬菌體展示：應用最廣泛的“老將”

將納米抗體基因融合到M13噬菌體衣殼蛋白（如pIII）N端，展示于噬菌體表面。標準流程包括3-5輪“吸附-洗脫-擴增”生物淘選，最后用ELISA鑒定陽性克隆。核心優(yōu)勢：文庫容量大（>1011）、技術成熟、操作簡便。

挑戰(zhàn)：原核表達系統缺乏真核翻譯后修飾，某些納米抗體可能無法正確折疊。改進策略：全細胞淘選、脂質體展示、納米盤展示等方法可保持膜蛋白抗原的天然構象。

酵母展示：流式細胞術的“黃金搭檔”

利用釀酒酵母Aga1p-Aga2p系統將納米抗體展示于細胞表面。關鍵優(yōu)勢：真核系統支持正確折疊和二硫鍵形成，且與流式細胞術（FACS）兼容，可定量篩選高親和力克隆。MACS預富集+FACS精細分選是標準流程。

挑戰(zhàn)：文庫規(guī)模受限于真核轉化效率（通常10?-10?），且約10%的納米抗體可能發(fā)生N-糖基化修飾，影響抗原結合能力。

細菌展示：性價比最高的“快槍手”

以大腸桿菌為代表，將納米抗體融合到外膜蛋白（如OmpF）、脂蛋白或自轉運蛋白上展示。優(yōu)勢：轉化效率高，文庫可達101?-1011；培養(yǎng)成本低，生長快。

挑戰(zhàn)：原核還原性環(huán)境可能阻礙二硫鍵形成。解決方案：共表達分子伴侶、使用氧化型突變菌株（如Origami）、胞外分泌表達。

無細胞展示：文庫容量最大的“黑馬”

核糖體展示利用不含終止密碼子的mRNA，在體外翻譯系統中形成“蛋白-核糖體-mRNA”三元復合物進行篩選。優(yōu)勢：文庫容量最大（1012-101?），可引入體外突變實現定向進化。mRNA展示用嘌呤霉素連接mRNA和蛋白，穩(wěn)定性更高，篩選偏差更小，是體外親和成熟的利器。

挑戰(zhàn)：復合物穩(wěn)定性要求高，需無RNase環(huán)境。

新興技術：

1. 近年出現“噬菌體初篩+酵母精篩”的混合策略，取二者之長。

2. Nestlink將DNA條形碼與納米抗體文庫嵌套，結合NGS和LC-MS/MS，可在單個動物模型中同時監(jiān)測數百個候選藥物的體內分布。

3. Sybody結合核糖體展示和噬菌體展示，針對高度保守蛋白快速獲得合成納米抗體。

4. 高通量測序+質譜鑒定策略直接從免疫動物骨髓淋巴細胞測序，10天內即可獲得數十種納米抗體序列。

三、人工智能：從預測到設計的范式革命

盡管傳統方法成熟，但耗時長、成本高、依賴經驗。AI的介入正在改變游戲規(guī)則。

結構預測：從“草圖”到“藍圖”

AlphaFold2、RoseTTAFold等通用蛋白結構預測工具為納米抗體研究提供了基礎。但納米抗體的獨特結構——尤其是長CDR3環(huán)和凸型構象——催生了專用算法。

NanoNet是首個針對VHH的深度學習結構預測工具，基于CNN和ResNet，可直接從序列生成主鏈和Cβ原子的3D坐標，毫秒級完成預測，適合高通量分析。但對長CDR3預測仍有局限。

NanoBodyBuilder2作為ImmuneBuilder工具包的一部分，針對納米抗體優(yōu)化，在CDR3預測上表現優(yōu)異，比AlphaFold2快100倍，并提供每個殘基的不確定性估計。

H3-OPT巧妙結合模板比對、AlphaFold2特征和ESM2語言模型，在高質量納米抗體測試集上實現平均RMSD 2.24 ?，優(yōu)于其他通用或專用模型，尤其擅長長CDR3環(huán)的高精度預測。

相互作用預測：從“盲人摸象”到“精準制導”

預測納米抗體-抗原結合位點和結合模式是核心挑戰(zhàn)。AlphaFold-Multimer在蛋白復合物預測上取得突破，但在納米抗體上仍面臨CDR建模和糖基化抗原等難題。

NanoBERTa-ASP基于RoBERTa架構，通過注意力機制捕捉CDR3等關鍵區(qū)域特征，將結合位點預測轉化為逐殘基的二分類任務，直接從序列預測抗原結合位點。

NbX聚焦于對接構象的重排序。通過訓練決策樹分類器，整合能量、接觸、界面性質等結構特征，將“近天然構象”的中位排名提升了8倍，顯著優(yōu)于ClusPro等傳統對接算法。SHAP值分析顯示，CDR3殘基在抗原結合位點中的比例是最重要的特征。

性質優(yōu)化：從“試錯”到“定向設計”

多反應性預測：Harvey等開發(fā)了一套機器學習模型（邏輯回歸、CNN、RNN），從序列數據預測納米抗體的多反應性，并定量評估氨基酸突變的影響。研究發(fā)現，CDR2和CDR3中的酸性氨基酸通常與低多反應性正相關，而精氨酸則相反——但位置效應顯著?；诖?，他們成功優(yōu)化了AT118i4h32納米抗體，在保持親和力的同時降低了多反應性。

親和力與穩(wěn)定性優(yōu)化：Cheng等通過計算親和力成熟優(yōu)化抗CD47納米抗體，獲得4個結合力和熱穩(wěn)定性均提升的突變。ModiBodies通過分子動力學模擬和迭代能量優(yōu)化，實現親和力與特異性雙重提升。nanoBERT是專門為納米抗體設計的Transformer模型，可預測氨基酸突變的可行性，評估突變對結構和功能的影響。

熱穩(wěn)定性預測：NbThermo數據庫收錄了564個納米抗體的熔解溫度（Tm）數據?；诖?，TEMPRO工具采用蛋白嵌入和深度學習，實現高精度Tm預測，大幅減少實驗測量成本和時間。

四、方法學展望：融合與協同

回顧納米抗體工程化的三十年，一條清晰的主線浮現：從自然篩選到理性設計，從經驗試錯到數據驅動。

未來的趨勢將是多平臺融合：噬菌體展示的廣度 + 酵母展示的精度 + 無細胞展示的深度 + AI預測的效率。合成文庫將整合計算優(yōu)化的骨架和定向進化的CDR多樣性；展示平臺將發(fā)展混合篩選策略；AI模型將融合序列、結構、功能多模態(tài)數據，實現從“預測”到“設計”的躍遷。

挑戰(zhàn)依然存在：數據標準化、免疫原性評估、模型可解釋性、用戶友好度——這些都需要領域共同推進。但可以預見，當AI真正成為納米抗體工程師的“第二大腦”，我們將迎來一個“按需設計、精準定制”的新時代。

結語：從駱駝血液到AI設計

從駱駝血液中的偶然發(fā)現，到AI驅動的精準設計，納米抗體工程化走過三十年。這篇綜述的價值，不僅在于系統梳理了文庫、展示平臺、AI三大支柱的技術細節(jié)，更在于勾勒出方法學演進的內在邏輯：

我們不再滿足于“淘”到好抗體，而是要“設計”好抗體。

文獻來源：Liu, J., Wu, L., Xie, A. et al. Unveiling the new chapter in nanobody engineering: advances in traditional construction and AI-driven optimization. J Nanobiotechnol 23, 87 (2025). https://doi.org/10.1186/s12951-025-03180-6

識別微信二維碼，添加抗體圈小編，符合條件者即可加入

抗體微信群！

請注明：姓名+研究方向！

本公眾號所有轉載文章系出于傳遞更多信息之目的，且明確注明來源和作者，不希望被轉載的媒體或個人可與我們聯系(cbplib@163.com)，我們將立即進行刪除處理。所有文章僅代表作者觀不本站。