这两年AI 设计抗体从学术论文里的概念逐渐变成了很多生物医药团队实际在调研的方向。一方面以 AlphaFold 为代表的蛋白质结构预测确实把计算生物学推到了新高度另一方面药企和科研机构真正关心的问题却很朴素AI 设计的抗体序列进了湿实验室之后到底能不能用结合亲和力够不够表达是否正常会不会还没到临床阶段就因为稳定性、免疫原性等问题被淘汰这些问题靠一两篇论文很难回答。因为不同团队用的数据集、评估指标、验证方案都不完全一样横向对比意义有限。近期看到的这场盲测很有参考价值29 家机构、511 条序列被拉进同一个评测框架里用统一标准检验 AI 设计抗体的真实水平。这篇文章就围绕这场盲测展开拆解 AI 抗体设计的技术原理、评测逻辑、工程落地时的常见问题以及如何在项目里建立一套“计算 实验”的可信闭环。如果你是做 AI 算法、生物信息学或者是药企里负责抗体发现和序列设计的研发人员这篇文章会帮你建立一套判断 AI 抗体设计工具能力的评估框架也能少走一些重复踩坑的路。1. 背景与核心概念1.1 什么是 AI 抗体设计抗体设计是一个典型的“搜索 优化”问题。抗体分子通过可变区尤其是 CDR 区域与抗原表位结合理论上CDR 区域的氨基酸组合空间巨大传统实验方法只能覆盖极小的范围。AI 抗体设计的目标就是通过计算模型从巨大的序列空间中搜索高概率、有功能潜力的候选抗体序列。传统流程通常包括动物免疫或杂交瘤筛选、噬菌体展示、酵母展示等实验手段。这些流程成熟但周期长、成本高。AI 设计试图在前端做筛选把实验重点放到更小的候选集上理论上能压缩抗体发现周期。从技术角度看AI 抗体设计并不仅仅等于“用 GAN 生成序列”它至少包括三个层次序列层生成 CDR 序列优化互补决定区。结构层预测抗体三维结构评估 CDR 构象。功能层预测抗原-抗体结合亲和力、稳定性、可开发性。层次越高任务越复杂评估难度也越大。1.2 为什么需要一场“盲测”AI 模型在训练集上的表现通常很好但真实场景下的泛化能力是另一回事。很多研究在发表时使用内部数据集评估结果容易受数据泄漏、评价指标不统一等因素影响。盲测的核心价值在于统一数据集所有参与者面对同一个测试集避免各说各话。统一评价指标用同一套标准评估生成序列质量。降低期望偏差在公布模型身份之前先看结果减少“品牌效应”影响。29 家机构参与、511 条序列进入统一评测这相当于在行业内做了一次“横向对比实验”。即便最终结果不能完整代表生产环境也能反映出一个重要信息目前 AI 设计抗体处在什么水平哪些环节已经很成熟哪些环节还明显不足。1.3 29 家机构与 511 条序列意味着什么从信息量上看29 家机构具备一定的行业代表性覆盖了学术界、AI 制药初创公司、大型药企的计算平台团队等不同背景。511 条序列构成一个中等规模的测试集排除了“模型只在一个靶点上表现好”的偶然性也让评估结果具备相对的统计可信度。但这里要理性看待。511 条序列并不等于 511 个成功设计的抗体先导分子。盲测更可能关注的是在统一任务定义下每一条生成序列是否满足设计要求比如序列合理性、结构可行性、与参考抗体的相似度、可开发性预测指标等。因此盲测结果更适合解读为“AI 设计能力的横向切片”而不是“哪家机构直接拿到了临床候选分子”。1.4 容易混淆的概念围绕 AI 抗体设计三个概念容易混淆抗体生成 vs 抗体优化。生成是从零构建 CDR 或完整可变区序列优化是在已知抗体基础上改造例如提高亲和力、降低免疫原性。盲测中如果任务定义偏向某个方向结果不能随意推广到更大范围。结构预测 vs 功能预测。AlphaFold2 能预测结构但不能直接告诉你这个抗体能不能结合目标抗原。结构预测解决的是“三维形态长什么样”功能预测回答的是“这个形态能不能工作”。序列多样性 vs 功能多样性。模型可能生成 1000 条序列完全不同的抗体但其中 990 条在表达、折叠、结合能力上都不合格。多样性指标高不一定代表功能空间被充分探索。理解这几个区别才能正确解读后续的评估结果。2. 盲测设计解读到底在测什么2.1 从算法到湿实验评测链条一次完整的 AI 抗体设计评测通常不会只停留在计算层面。按阶段划分计算阶段模型生成序列或结构。干实验验证用已知数据回测、结构预测、可开发性指标计算。湿实验验证ELISA、SPR、FACS 等实验检测是否真实结合。后期筛选表达量、聚集温度、稳定性、CMC 属性。大多数公开盲测只覆盖前两步。原因很直接511 条序列全部做湿实验成本和时间跨度太高。因此盲测结果能告诉我们 AI 模型“在计算指标上表现如何”但未必能直接断言“这批序列能成为药物”。2.2 核心任务拆解根据常见的 AI 抗体设计评测范式盲测通常拆解成以下几类子任务任务输入输出评估重点CDR 序列设计抗原序列或结构、框架区序列CDR 序列序列合理性、多样性亲和力成熟已知抗体序列 抗原信息改造后的序列预测结合力提升结构生成目标表位信息抗体结构结构合法性、结合界面可开发性预测抗体序列稳定性/表达指标预测值与实验相关性不同的任务对应不同的模型设计思路。一个模型很难在所有任务上同时夺冠这也是盲测最有信息量的地方它展示了当前方法的能力分布。2.3 盲测的关键训练集、测试集与信息泄漏如果你做机器学习应该对信息泄漏非常敏感。抗体设计领域同样如此。假设测试集里的某个靶点、某个表位在训练集中出现过模型相当于“见过答案”生成结果自然更好。而真正有意义的盲测应满足测试集靶点与训练集靶点无重叠测试集序列与训练集序列的序列一致性低于阈值公开数据库中的已知结合抗体不能作为测试集正样本这三点是判断一次盲测是否可信的基础。说“29 家机构、511 条序列进入盲测”读者首先应该看的就是任务划分和数据隔离策略而不是直接比较分数排名。2.4 评分方式的常见设计为了量化生成质量盲测通常会设计多维评分序列层面氨基酸分布合理性是否具有天然抗体特征。结构层面CDR 环区构象有效性是否与框架区冲突。功能层面与抗原的对接打分结合自由能预测。可开发性层面聚集倾向、溶解度、表达预测。不同指标之间往往存在冲突。比如追求高亲和力预测值可能牺牲可开发性追求多样性可能让整体序列质量下降。因此盲测的设计者通常用综合排名或 Pareto 前沿来评估参与者而不是只看单一指标。理解这一点你才能读懂结果里出现的“某个团队序列多样性第一但总体排名并不靠前”这类现象。3. 技术原理拆解AI 设计抗体背后的主流方法3.1 基于序列的蛋白语言模型PLM蛋白语言模型是近年来抗体设计的核心工具之一。思路与 NLP 中的预训练语言模型类似在大规模蛋白序列上做自监督预训练再通过微调适配下游任务。代表性方法包括ESM 系列通过掩码语言建模学习蛋白序列表征。ProtBERT / ProtTrans基于 Transformer 的蛋白序列模型。专门针对抗体的模型如 AntiBERTa在抗体序列数据上预训练。在抗体设计任务中PLM 通常被用来提取 CDR 序列的特征表示评估生成序列的“自然度”或“合理度”作为生成模型的结构化先验工程上的典型做法是先用 PLM 对候选序列做打分排序再进入结构层面的筛选。3.2 基于结构的生成模型结构层面的抗体设计比序列层面难一个量级。输入通常是抗原结构或表位信息输出是抗体结构或满足结构约束的序列。常用方法包括扩散模型Diffusion Models从随机状态逐步去噪生成结构。图神经网络GNN把抗体和抗原建模成空间图预测残基间相互作用。基于流匹配的生成模型近年来在蛋白质设计领域逐渐增多。这类方法的优势在于能显式建模空间约束尤其是 CDR H3 环区与抗原的几何互补性。难点在于采样复杂度高、计算资源需求大且生成结果必须经过严格的物理化学检查否则可能出现主链原子重叠、二面角不合理等问题。3.3 亲和力预测与排序模型不管模型生成多少条序列最终都需要排序筛选。亲和力预测模型是这个环节的核心。常见思路基于结构特征的打分函数使用 Rosetta、DeepMind 等工具计算结合能。基于学习的方法用已知的抗原-抗体复合物做监督训练预测结合亲和力标签。基于 PLM 的表征 回归头把序列或结构编码成向量再预测 pIC50 或 KD 值。需要注意的是目前亲和力预测模型的绝对精度仍然有限。更常见的工程策略是“相对排序”不关心模型预测的具体 KD 值是否准确只关心排序靠前的候选是否比排序靠后的候选有更高实验阳性率。3.4 计算 - 实验闭环真正成熟的 AI 抗体设计平台不会只依赖一个生成模型而是构建一个“生成 → 筛选 → 验证 → 微调”的闭环生成模块产出大量候选序列。计算筛选过滤掉理化性质不合理的序列。结构验证对剩余序列做结构预测或结构生成。实验测试挑选 top-N 序列做湿实验。数据回流实验结果反馈到模型用于下一轮迭代。在盲测中因为缺少湿实验反馈团队实际上只能依赖前三个步骤。如果盲测结果显示某些团队在这一阶段表现不佳很可能是“干实验筛选器”的设计不够严谨而不是生成模型本身完全不可用。4. 工程实战搭建一个简易抗体序列评估流水线盲测离普通工程开发有点远但“评估生成的抗体序列是否靠谱”这件事可以直接落地成一套代码流水线。这一节给出一个可行的最小示例帮助你建立自己的评估框架。4.1 环境准备建议使用以下环境Python 3.9 或以上版本操作系统Linux/macOS 均支持Windows 需要适配部分依赖第三方库BioPython、NumPy、Pandas、Scikit-learn安装命令pip install biopython numpy pandas scikit-learn如果要用到蛋白语言模型提取序列特征还需要安装pip install fair-esm说明示例重点演示流程和思路实际项目中需要根据你使用的 PLM 版本调整模型加载方式。4.2 数据准备读取 FASTA 文件先准备一个包含候选抗体序列的 FASTA 文件。示例文件结构如下candidate_001 EVQLVESGGGLVQPGGSLRLSCAASGFTFSSYAMSWVRQAPGKGLEWVS AISGSGGSTYYADSVKGRFTISRDNSKNTLYLQMNSLRAEDTAVYYCAK DRGSYYYGMDVWGQGTTVTVSS candidate_002 EVQLVESGGGLVQPGGSLRLSCAASGFTFSSYAMSWVRQAPGKGLEWVA SISGSGGSTYYADSVKGRFTISRDNSKNTLYLQMNSLRAEDTAVYYCAR GGYYYGMDVWGQGTTVTVSS读取并统计序列长度分布# 文件路径scripts/read_fasta.py from Bio import SeqIO import pandas as pd records list(SeqIO.parse(candidates.fasta, fasta)) data [] for record in records: data.append({ id: record.id, length: len(record.seq), seq: str(record.seq) }) df pd.DataFrame(data) print(df.describe())这一步可以快速发现序列长度异常、空序列、非法字符等问题。实际项目中建议清洗阶段就移除不符合抗体长度范围的序列。4.3 序列特征提取使用 ESM 做表征如果项目需要判断序列“是否符合天然蛋白特征”可以提取 ESM embedding再用下游分类器评估。示例# 文件路径scripts/extract_embedding.py import torch from esm import pretrained # 加载 ESM2 模型以 8M 参数版本为例 model, alphabet pretrained.load_model_and_alphabet(esm2_t6_8M_UR50D) model.eval() batch_converter alphabet.get_batch_converter() def get_embedding(seq): data [(seq, seq)] _, _, batch_tokens batch_converter(data) with torch.no_grad(): results model(batch_tokens, repr_layers[6]) # 取最后一层输出的平均池化向量 embedding results[representations][6].mean(dim1).squeeze() return embedding.numpy() # 示例计算单条序列的 embedding seq EVQLVESGGGLVQPGGSLRLSCAASGFTFSSYAMSWVRQAPGKGLEWVS emb get_embedding(seq) print(emb.shape)说明这里为了演示简化了 batch 处理。实际项目建议批量提取并缓存到本地避免重复计算。4.4 理化性质与序列合法性检查生成序列里经常出现的问题是“模型记忆了氨基酸分布但忽略了理化性质”。一个可运行的基础检查脚本# 文件路径scripts/physicochemical_check.py from Bio.SeqUtils.ProtParam import ProteinAnalysis from Bio.SeqUtils import molecular_weight from Bio.Seq import Seq def check_sequence(seq): protein ProteinAnalysis(str(seq)) return { length: len(seq), molecular_weight: molecular_weight(seq, seq_typeprotein), aromaticity: protein.aromaticity(), instability_index: protein.instability_index(), isoelectric_point: protein.isoelectric_point(), gravy: protein.gravy(), } # 示例 seq EVQLVESGGGLVQPGGSLRLSCAASGFTFSSYAMSWVRQAPGKGLEWVS print(check_sequence(seq))在实际筛选中可以重点关注理论等电点是否在正常抗体范围内不稳定指数大于 40 通常被认为不稳定GRAVY 值过高可能出现溶解性或聚集问题4.5 组装成完整评估流水线将上述模块组合起来形成一条简单的过滤管线# 文件路径scripts/pipeline.py def evaluate_candidate(seq): # 检查序列合法性 if len(seq) 80 or len(seq) 140: return {status: reject, reason: length_out_of_range} # 理化性质检查 phys check_sequence(seq) if phys[instability_index] 40: return {status: reject, reason: unstable} if phys[gravy] 0.5: return {status: reject, reason: hydrophobic_too_high} # 模型打分示例中省略具体模型 score 0.8 # 替代为你自己的排序模型输出 return {status: pass, score: score, phys: phys}运行以上代码会输出候选序列的“通过 / 拒绝”状态和原因。这一层筛选是 AI 抗体设计中最容易被低估的环节。盲测中很多模型生成序列被淘汰往往不是模型生成能力不够而是生成后过滤规则太弱。5. 从盲测角度看真实边界AI 设计抗体容易“翻车”的环节5.1 序列生成不等于实验阳性这是 AI 抗体设计新手最容易混淆的点。模型可以生成一条看起来非常“像抗体”的序列氨基酸分布正常结构预测也能折叠出抗体结构但放到 SPR 实验里却没有任何结合信号。原因在于生成模型学习的是“抗体序列的统计规律”而不是“针对特定抗原的结合规律”。如果模型没有充分引入抗原表位约束生成结果只能算“看起来像抗体的蛋白”离“能结合目标抗原的抗体”还有距离。在盲测中这类序列通常会在功能评估阶段被大量淘汰。这也是为什么很多机构的报告里序列多样性指标很高但结合成功率却不理想。5.2 结构预测精度与结合能预测误差AlphaFold2 已经大幅提升了单链蛋白质结构预测精度但抗原-抗体复合物结构预测依然是难题。CDR H3 环区柔性大、构象多样是目前结构预测最容易出错的区域之一。结合自由能预测同样存在系统性误差。不同打分函数在同一复合物上的排序可能完全不同。因此当盲测中某个团队的亲和力预测评分很高但结构预测显示结合界面存在严重冲突时需要谨慎看待该团队的可靠性。5.3 可开发性是最大的暗礁可靠结合只是第一步。抗体药物开发对分子有额外的“可开发性”要求高表达量低聚集倾向高稳定性低免疫原性良好的溶解度AI 模型在生成序列时往往会偏向“最大化结合预测分数”导致生成的 CDR 区域高度疏水、带电量异常从而引发聚集问题。这类序列在计算阶段可能很漂亮但进入 CMC化学、制造和控制评估时会被迅速淘汰。现在很多团队已经意识到这一点开始在生成模型中加入可开发性约束或者在筛选阶段强制设置多个 CMC 指标的阈值。5.4 评估标准不统一带来的结果差异观察盲测结果时需要特别关注评估指标的定义。例如“序列多样性”可以定义为 CDR 序列两两之间的 Levenshtein 距离均值也可以定义为氨基酸频率分布的熵。定义不同排名就可能变化。三个团队用同一个模型如果下游筛选策略不同最终提交结果也可能差异很大。因此盲测排在末位的团队不代表其模型完全不可用可能只是工程策略不匹配。阅读此类评测时建议把注意力放在“任务设计”和“指标定义”上而不是单纯看排名。6. 常见问题与排查思路以下表格汇总了 AI 抗体设计项目落地时最常见的问题以及对应的排查建议问题现象常见原因解决思路生成序列同源性过高缺少多样性训练集偏见生成策略过于保守调整采样温度、提高多样性奖励、对 CDR 区域做定点突变结构预测结果与生成序列不符序列-结构一致性差模型步骤割裂引入序列-结构联合生成模型或增加结构约束损失亲和力预测分数高但实验无信号打分函数过拟合抗原表位未参与建模用已知阳性/阴性数据校准打分模型添加表位约束序列理化性质异常聚集倾向高生成阶段未加入理化约束增加 GRAVY、疏水矩等约束项或后置过滤器不同团队之间结果对比困难评估指标定义不一致项目内部优先固定指标再做横向对比模型生成速度慢迭代效率低采样候选量过大未做预筛使用浅层模型快速过滤再做深度模型精筛数据泄漏导致评估虚高训练集中包含测试靶点按序列一致性聚类划分训练/验证/测试集如果你在项目中发现生成结果整体质量尚可但实验阳性率很低优先检查“筛选标准”和“模型是否真正用到了抗原信息”。大多数情况问题出在这里。7. 最佳实践与工程建议7.1 不要用单一模型走完全流程抗体设计是一个多阶段问题试图让一个模型同时完成生成、排序、可开发性预测往往效果有限。更稳妥的工程架构是LG用轻量模型做快速生成和初筛。结构模型对 top 候选做结构验证。排序模型用实验数据校准的监督模型做最终排序。实验验证只测试最后 20-50 条序列。这套架构能降低单一模型误差带来的风险也更容易定位问题。比如生成结果不合格先看是不是初筛条件太宽松结构验证失败再看是不是结构模型与生成模型不匹配。7.2 实验数据要及时回流AI 抗体设计项目里最容易犯的错误是“模型训练一次之后永远不再更新”。如果实验验证了 100 条序列这 100 条结果应该作为新的监督信号回流到排序模型或生成模型中。即使只有几十条数据也能显著改善排序模型在目标靶点上的表现。工程实现上建议建立统一的实验数据表至少包含以下字段序列 ID完整序列目标抗原是否结合亲和力值如果有表达量稳定性指标实验批次持续积累下来的内部数据往往比公开数据集更有价值因为它们和你的实际研发管线高度一致。7.3 建立内部基准集与阶段性评测不要等到盲测这样的外部评测才评估模型。项目内部应该提前划分训练集用于模型训练验证集用于超参数调优测试集用于最终效果评估保留集模拟真实盲测数据的未知靶点在立项时就把“序列聚类去冗余”做好避免跨集合泄漏。内部评测频率建议按版本管理模型每迭代一版都跑同一套基准集记录性能变化趋势。7.4 安全与合规边界AI 设计抗体涉及生物医药领域工程落地时需要注意所有序列生成和筛选行为应在合法授权范围内进行尤其是涉及具体靶点、病原体或人体蛋白时。涉及生产环境、临床前数据时必须保证数据来源合法、脱敏、符合机构伦理要求。计算模型只能作为辅助筛选工具不能直接作为临床决策依据。数据库、模型文件、训练数据的访问应有权限管理防止核心资产泄露。这些不是形式要求而是项目能否长期推进的基本前提。8. 总结与下一步学习路线从这场 29 家机构、511 条序列的盲测中可以看到 AI 抗体设计目前正处于一个“能生成、能优化、但还不能完全脱离湿实验验证”的阶段。计算工具已经能显著提高抗体发现的初始筛选效率但从一条计算上合理的序列到真正可开发的先导分子中间仍然需要大量实验筛选和数据回流。对于刚进入这个方向的开发者建议按以下路线逐步深入掌握抗体结构基础尤其是可变区、框架区、CDR 区的作用。熟悉常用序列工具BioPython、ESM、HHblits。理解结构预测工具AlphaFold2、OpenFold 的用法与局限。学习生成模型原理扩散模型、GNN、语言模型在蛋白领域的适配方式。做一个小型闭环项目从公开数据集里选一个靶点生成候选序列用计算指标筛选并对比已知阳性抗体。AI 设计抗体不是“一键生成药物”的魔法而是一套需要结合计算与实验、持续迭代的系统工程。下次再看到类似的盲测报告希望你能从任务设计、指标定义、数据隔离、筛选策略这些维度做出自己的判断。