当前AI制药领域最热闹也最容易被误解的一句话是“AI设计抗体”。宣传材料里AI可以在几分钟内生成几万条抗体序列亲和力预测分数漂亮得惊人仿佛距离新一代抗体药物只差一次“跑代码”。但真正做过湿实验的团队都知道现实往往是这样计算端报告“结合亲和力提升100倍”实验端却连蛋白都表达不出来或者一纯化就聚集沉淀。为什么差距这么大因为单点Demo和系统验证是两回事。近期看到一场规模不小的盲测29家机构、511条序列被放进同一套评测流程里进行统一评估。这篇评测最值得关注的不是“哪家机构拿了第一名”而是它把AI抗体设计从“各自晒结果”拉到了“同一考场、同一标准、实验验证”的层面。这篇文章想回答一个很实际的问题AI设计抗体到底行不行哪些环节已经可以工程化使用哪些环节仍然是“看起来很美”。内容不会停留在观点层面会给出一个可以跑通的最小筛选流程帮你理解AI候选序列从生成到进入湿实验之间到底经历了什么。1. 为什么AI抗体设计需要一场盲测抗体设计这个方向过去几年的新闻很多但有一个显著问题缺少公开、统一、可重复的第三方评估。每个团队都有自家的数据集、自家的打分函数、自家的Success Case。你换一个靶点、换一批表达细胞结果可能完全不同。这正是盲测的价值所在。盲测意味着提交方在结果出来之前不知道评估方的完整标准评审方在实验验证阶段也不知道哪条序列是哪家机构设计的。在这种机制下“讲故事”的成分会被明显压缩。29家机构、511条序列共同进入同一条验证流水线很大程度上反映了当前AI抗体设计在一个相对公允尺度下的真实水位。盲测和普通Benchmark的区别也很关键。普通Benchmark通常是拿历史数据回测模型完全有机会在训练集上“记住答案”盲测则更接近真实世界它测试的是AI工具面对新靶点、新场景时的泛化能力。湿实验环节更是普通计算Benchmark无法覆盖的——只有把序列真正表达出来才能检验可开发性。从行业角度看这场盲测的溢出价值在于它逼着所有参与方定义清楚“AI设计抗体成功”的标准到底是什么。是序列生成多样性是结构预测置信度是表达成功率高还是结合活性达到纳摩尔级别这几个标准之间的差距可能比模型本身的能力差距还要大。2. 盲测方法论AI抗体设计竞赛到底测什么一场规范盲测的组织方式通常可以拆成几个阶段。理解这套流程比理解某个模型架构重要得多。任务定义阶段。评测方会给出一条目标抗原的结构信息、序列信息或表位信息要求参与方提交一定数量的候选抗体序列。这里最常见的分歧在于抗原结构是否公开、是否允许使用第三方结构预测工具补充信息。不同的任务设置会直接影响AI工具的真实表现。计算筛选阶段。参与方用各自的AI模型生成候选序列然后通过结构预测、亲和力打分、可开发性过滤等步骤做一轮“内筛”。提交的最终序列数量通常会远小于生成数量——511条序列意味着每一条都是经过计算筛选后的精选结果。盲审与实验验证阶段。序列统一编号隐藏提交方身份进入湿实验。核心指标一般包括表达量、纯化后收率、与抗原的结合活性、特异性以及热稳定性或聚集倾向。这一阶段是整个盲测最硬核的部分也是淘汰率最高的环节。统计排名阶段。多条指标加权汇总得到最终结论。不同评测方的权重设计通常不同这就导致同一批序列在A评测中排名靠前、在B评测中排名靠后。看到这类结果时建议先问一句评估指标是什么权重怎么设计实验验证用了什么平台可以用一张表对比普通Benchmark和抗体盲测的关键差异对比维度普通 Benchmark抗体设计盲测数据来源历史数据集回测新靶点、新任务设计评估主体计算指标自动打分计算打分 湿实验验证参与者模型直接推理模型 人工筛选流程核心风险过拟合与数据泄漏计算指标与实验结果脱节结果意义反映算法能力上限反映工程化落地水平这类盲测最容易被忽视的一点是它测的不只是AI而是“AI 人的协作流程”。同样的生成模型有人提交的序列在实验中一塌糊涂有人却表现不错背后的差异往往在筛选策略、序列清洗、可开发性过滤这些“非模型环节”。3. AI设计抗体的技术底座生成、预测与优化三件套要给AI抗体设计一个准确判断先要理解它的技术栈。目前的AI抗体设计不是单一模型解决全部问题而是一套流水线核心可以分成三层。第一层序列生成模型。这是AI抗体设计的入口任务是产生多样化的候选序列。常见的技术路线包括蛋白质语言模型如ESM系列、扩散模型、基于Transformer的自回归模型。生成模型的输入可以是抗原结构、CDR区骨架、已知抗体序列库也可以是“针对某个表位生成互补CDR序列”这类条件约束。这一层的核心指标是多样性、天然性、序列合理性。第二层结构预测与打分。生成序列后需要知道它折叠成什么结构、能不能与抗原结合。主流做法是用AlphaFold类模型做结构预测再通过物理能量函数、经验打分函数或几何深度学习模型评估结合界面。抗体结构预测有专门的挑战比如CDR H3环长度长、构象灵活通用结构预测模型在H3区往往不够准。这一层的关键是排序能力即“能不能把真正结合的序列排在前面”。第三层可开发性与优化。抗体能结合抗原只是起点能不能成为药物还取决于表达量、溶解性、热稳定性、特异性、免疫原性、人源化程度等一系列性质。这一层通常用规则过滤器、机器学习分类器、物理模拟等方法完成。大量计算上“看起来很完美”的序列在这一步会被淘汰。三层之间的关系可以用一个类比理解序列生成模型是“海选海投”结构预测是“笔试筛选”可开发性评估是“面试体检”。只优化其中任何一层都无法交出最终可用的分子。这里有一个新手容易产生的误解以为“会生成序列”就等于“会设计抗体”。实际上生成一条氨基酸序列非常简单难的是生成一条“在细胞内能折叠、在体外能表达、在血清中能保持稳定、对靶点有高特异性”的序列。盲测中高比例序列在表达阶段被淘汰往往不是因为生成模型太差而是因为可开发性评估做得不够。4. 从盲测视角看AI抗体设计的真实能力边界如果把AI抗体设计的能力按步骤拆开看当前阶段可以用“分层成熟度”来描述。已经相对成熟的部分多样性生成。AI在产生大规模序列池方面的能力远超传统方法尤其是针对已知抗体骨架做CDR区改造。给定一个母本抗体AI可以生成成千上万条CDR变体这是噬菌体展示文库做起来周期更长、成本更高的事情。基本可用但需要谨慎的部分结构预测与亲和力排序。目前的模型在“给一批候选序列排序把相对高亲和力序列放到前面”这件事上已经有一定实用价值。但排序靠前不代表绝对亲和力能达到实验数值更不代表结合表位与预期一致。模型给出的数值是“打分”不是“真值”。仍然不够成熟的部分可开发性、特异性与免疫原性。表达失败、聚集、多靶点交叉反应、免疫原性过高这些都是计算预测与实验结果偏差最大的环节。尤其是特异性两个蛋白序列相似度很高时AI几乎无法只凭序列信息判断抗体会不会脱靶。这也是盲测湿实验淘汰率最高的环节之一。如果回到29家机构、511条序列这场盲测的语境最值得关注的判断是511条序列中有多少条能顺利表达并纯化有多少条真的检测到结合信号有多少条在特异性测试中不脱靶。这三个比例比“某家机构模型刷了多少分”更有信息量。不过要特别提醒不同盲测任务的抗原难易程度相差很大指定到某个困难表位时整体成功率会明显下降。所以看到这类成功率数据时一定要看任务定义不能直接横向比较。对于实际研发团队这意味着选型策略应该调整为用AI做大规模探索和快速筛选把相对可靠的候选交给实验验证在实验中积累反馈数据反哺模型。把AI当作一个“高强度筛选漏斗”而不是“可以直接产出临床候选药物的黑盒”。5. 一个最小可落地的AI抗体候选筛选流程前面聊了方法和边界这里给出一个可以跑通的最小流程。核心目标很简单拿到几万条AI生成的候选序列后怎么用计算手段把它筛到几十条值得进湿实验的程度。5.1 准备工作与环境本文示例使用Python实现建议环境为Python 3.9及以上。主要依赖如下pip install torch transformers scikit-learn pandas numpy说明一下代码只是一个通用演示目的是让你理解筛选流程的整体结构。实际项目中模型选择和参数需要按你的序列库特点调整。5.2 第一步用蛋白质语言模型生成序列向量处理蛋白质序列的第一步是把氨基酸序列转换成向量表示。这里选用Hugging Face生态中的ESM-2模型来提取序列嵌入它的训练任务与蛋白质语言建模匹配适合作为序列表示的工具。# 文件路径embed_sequences.py import torch import pandas as pd from transformers import AutoTokenizer, AutoModel MODEL_NAME facebook/esm2_t33_650M_UR50D BATCH_SIZE 8 tokenizer AutoTokenizer.from_pretrained(MODEL_NAME) model AutoModel.from_pretrained(MODEL_NAME) model.eval() def embed_sequences(seq_list): embeddings [] device cuda if torch.cuda.is_available() else cpu model.to(device) for i in range(0, len(seq_list), BATCH_SIZE): batch seq_list[i:i BATCH_SIZE] inputs tokenizer(batch, return_tensorspt, paddingTrue, truncationTrue, max_length512) inputs {k: v.to(device) for k, v in inputs.items()} with torch.no_grad(): outputs model(**inputs) # 取CLS位置向量作为整条序列的表示 seq_vecs outputs.last_hidden_state[:, 0, :].cpu().numpy() embeddings.extend(seq_vecs) return embeddings # 假设你已经有一个候选序列列表 df pd.read_csv(candidate_sequences.csv) sequences df[sequence].tolist() embeddings embed_sequences(sequences) # 保存嵌入向量便于后续复用 emb_df pd.DataFrame(embeddings) emb_df[seq_id] df[seq_id] emb_df.to_csv(sequence_embeddings.csv, indexFalse) print(嵌入计算完成共处理, len(sequences), 条序列)这段代码做了几件事加载ESM-2模型对候选序列分批编码并取序列第一个token对应的隐藏状态作为整条序列的向量表示。ESM-2的tokenizer会自动在序列前后加上特殊标记所以这里不需要手动处理。如果你的显卡显存有限可以把模型换成facebook/esm2_t12_35M_UR50D速度更快但表示能力会弱一些。5.3 第二步聚类去冗余挑出代表性候选AI生成序列天然具有很高的冗余度很多序列彼此之间只有一个氨基酸的差异。直接全部送湿实验不现实先用聚类把相似的序列归为一组再每组挑选代表性序列。# 文件路径cluster_sequences.py import pandas as pd import numpy as np from sklearn.cluster import MiniBatchKMeans from sklearn.preprocessing import StandardScaler emb_df pd.read_csv(sequence_embeddings.csv) seq_df pd.read_csv(candidate_sequences.csv) # 取出向量列 feature_cols [c for c in emb_df.columns if c ! seq_id] X emb_df[feature_cols].values # 标准化避免不同维度尺度差异影响聚类 scaler StandardScaler() X_scaled scaler.fit_transform(X) # 聚类数量可以按目标湿实验通量来设置这里以50簇为例 N_CLUSTERS 50 cluster_model MiniBatchKMeans(n_clustersN_CLUSTERS, batch_size1024, random_state42) labels cluster_model.fit_predict(X_scaled) seq_df[cluster] labels # 每组内挑取与聚类中心最近的一条作为代表序列 rep_ids [] for c in sorted(seq_df[cluster].unique()): idx seq_df[cluster] c center cluster_model.cluster_centers_[c] dist np.linalg.norm(X_scaled[idx] - center, axis1) rep_pos np.argmin(dist) rep_ids.append(seq_df.loc[idx].iloc[rep_pos][seq_id]) representatives seq_df[seq_df[seq_id].isin(rep_ids)] representatives.to_csv(representative_sequences.csv, indexFalse) print(聚类完成共挑选代表序列, len(representatives), 条)MiniBatchKMeans适合处理数据量较大的场景几十万条序列也能在可控时间内完成。聚类数N_CLUSTERS的设定很关键如果你的湿实验通量是一次96孔板设置50到80个聚类代表比较合适。5.4 第三步基础可开发性规则过滤聚类之后还需要做一轮规则过滤进一步排除明显存在风险、不值得占用实验资源的序列。规则覆盖频率与氨基酸组成、长度、疏水斑块和聚集倾向等。下面是一个简单示例实际项目中可以按你的靶点特点继续增加过滤条件。# 文件路径filter_by_rules.py import pandas as pd df pd.read_csv(representative_sequences.csv) def check_sequence(seq): reasons [] # 规则1序列长度应该在合理范围内这里以VH单域为例 if len(seq) 100 or len(seq) 140: reasons.append(length_out_of_range) # 规则2异常氨基酸比例过高通常与表达/稳定性风险相关 unusual_aa [C, M, W] unusual_ratio sum([seq.count(aa) for aa in unusual_aa]) / len(seq) if unusual_ratio 0.1: reasons.append(high_unusual_aa_ratio) # 规则3连续三个以上疏水氨基酸容易引发聚集 hydrophobic set(AILMFVW) max_hydrophobic_run 0 current_run 0 for aa in seq: if aa in hydrophobic: current_run 1 max_hydrophobic_run max(max_hydrophobic_run, current_run) else: current_run 0 if max_hydrophobic_run 5: reasons.append(long_hydrophobic_run) # 规则4CDR H3区长度过短或过长都可能影响结合活性 # 在实际项目中需要先准确注释出CDR位置这里简化为总序列判断 return ;.join(reasons) df[filter_reason] df[sequence].apply(check_sequence) passed df[df[filter_reason] ] rejected df[df[filter_reason] ! ] passed.to_csv(final_hit_candidates.csv, indexFalse) rejected.to_csv(rejected_candidates.csv, indexFalse) print(通过过滤:, len(passed), 条) print(被过滤:, len(rejected), 条)这里为什么没有直接在聚类前过滤因为先聚类、再过滤能保证最终选出来的序列既能覆盖不同序列簇又满足可开发性要求。如果先过滤再聚类可能因为过滤条件太严格导致某些序列簇被整个丢掉。5.4 汇总整个流程跑起来把三个脚本串起来在项目根目录下执行python embed_sequences.py python cluster_sequences.py python filter_by_rules.py整个流程的输入是一份candidate_sequences.csv包含seq_id和sequence两列输出是final_hit_candidates.csv这就是计算端推荐的湿实验候选清单。6. 运行结果与验证怎么判断筛选是否有效流程跑完后重点关注输出文件的三组数字第一组是嵌入计算的完成数量。如果原本有2万条序列嵌入阶段理应全部完成。如果某条序列输入后报错优先排查是否包含非标准氨基酸比如U、O、X这类字符会让ESM-2的tokenizer拒绝处理。第二组是聚类后的代表序列数量。例如2万条序列被聚成50簇说明这2万条序列的多样性并不算太高可能在生成阶段抽样温度太低导致输出过于保守。反过来如果30个簇中有好几个簇的代表序列都被规则过滤掉了那就代表生成模型输出了一部分“理论上有意义、实际上有风险”的序列。第三组是通过过滤的候选数量。假设最后留下30条这30条就是计算端认为“可推进”的候选。但一定要清醒这30条只是计算层面的结果真正验证必须靠实验。比较好的做法是每隔一段时间把上一轮湿实验的表达率、结合率数据拉出来回头修改过滤规则和聚类参数。示例中表达量、结合率等数值需要以你的实验结果为准。判断筛选流程是否有效的核心指标不是“留下了多少条”而是“进入湿实验后首轮表达成功率”。如果首轮表达成功率长期在20%以下说明计算端的规则过滤太宽松或者生成模型输出的序列天然性偏低如果首轮表达成功率超过80%可以考虑放宽过滤条件给实验带来更多多样性。这里给一个参考思路实际项目中可以把表达成功率作为反馈信号持续迭代过滤规则。7. 常见问题与排查思路计算筛选表面上只是跑几个脚本实际上坑非常多。下面按出现频率整理排查方向问题现象可能原因排查方式解决方案嵌入计算时报错“unknown token”序列中有非标准氨基酸或空白字符打印序列并检查字符集添加数据清洗步骤把非标准氨基酸统一替换或删除聚类后代表序列仍然高度相似生成阶段采样多样性不足或聚类数太少检查簇内平均距离提高生成温度或增加聚类数N_CLUSTERS过滤后候选为0条规则过滤条件过严逐条规则单独统计淘汰数量放宽可疑规则保留更多边界序列进入实验确认计算打分很高实验全不结合模型排序能力与实验绝对值有差距用已知阳性序列作对照校准打分阈值不要直接信任得分绝对值改用排序百分比并结合多模型集成序列在大肠杆菌中表达正常哺乳动物细胞中不表达密码子偏好和翻译效率差异检查表达系统的密码子偏好表对哺乳动物表达做专门的密码子优化蛋白表达但聚集严重可开发性过滤不严格检查疏水残基分布和表面电荷增加聚集倾向预测工具或者在序列设计阶段引入人源化参考这里最需要提醒的是第一条数据清洗。很多人拿着生成模型直接输出的序列就往嵌入模型里塞结果各种报错。标准做法是在进入任何模型之前先统一序列格式保证所有序列都是标准20种氨基酸的大写形式。第二条中提到的“聚类后代表序列仍然高度相似”也很常见。有些生成工具默认输出低多样性结果因为它的训练目标就是“接近训练集分布”天然倾向保守。这时候不要在聚类环节反复调整参数而是回到生成环节修改采样策略这样才能真正提升多样性。8. 工程最佳实践与团队协作建议AI抗体设计的落地强度很大程度上取决于工程规范而不只是模型好坏。下面几条建议来自多个团队的实践经验值得在项目开始前就认真设计。序列ID要能追溯生成参数。推荐格式类似model_version_batch_seed_index例如igdiff_v1_b3_seed42_0017。这样实验拿到一个阳性结果时你可以直接知道它来自哪个模型版本、哪个批次、哪个随机种子从而复现并继续优化。所有筛选步骤必须可复现。不要只保存最终序列列表要把生成参数、聚类参数、过滤规则、模型版本都记录在案。最简单的方式是把所有参数写进YAML配置文件并放到代码仓库里统一管理。团队协作时不推荐直接传CSV文件那样很容易出现“版本对不上”的问题。湿实验数据必须回流到计算端。这是最容易被忽略但最重要的一条。AI抗体设计要形成数据飞轮计算和实验之间必须有反馈闭环。每个实验批次都可以记录表达成功率、表达量、结合信号、特异性结果然后把这些数据加上标签作为下一轮模型微调或规则校准的输入。没有这个闭环AI工具很难越用越准。指标不要只盯亲和力。真实项目中一条表达产量高、特异性好、亲和力中等的抗体序列往往比一条亲和力极高但表达困难的序列更有价值。把表达率、聚集比例、纯化回收率、热稳定性纳入核心评价指标能明显提升候选序列的可开发率。这里需要特别提醒一句计算模型给出的亲和力排序在抗体设计流程中通常作为筛选条件使用而不应直接作为上线标准使用。真实决策中还是以SPR或BLI实验数据为准。安全与合规边界。如果设计出的抗体序列后续要进入动物实验或人体样本测试相关流程必须先通过伦理与合规审查。AI生成序列不等于普通科研试剂使用时必须遵循所在机构的生物安全规范。涉及改造已知抗体药物序列的项目还要提前做专利与知识产权排查。小步快跑用批实验替代一次性大实验。不要一次性把几百条序列全送进实验。建议先送一个小批次比如30到50条验证表达体系再根据结果决定是否扩大。这样做的好处是计算端有足够时间根据第一批结果调整策略而不是盲目等着最终结果。9. 结论AI设计抗体的“行”与“不行”取决于怎么定义成功回到最初的问题AI设计抗体到底行不行答案是分层的。AI在序列生成和候选多样性方面已经明显超过人工启发式方法在亲和力排序上能达到“辅助人工筛选”的水平在可开发性、特异性、免疫原性这些决定成败的维度上仍然离不开湿实验的校验。一句话AI能把抗体设计的搜索空间扩大几个数量级也能帮你把候选范围缩小到实验可承受的规模但“直接生成一个可进临床的分子”的预期还不符合当前技术现实。29家机构、511条序列的盲测最大的意义不是给出一个“谁胜谁负”的排名而是让整个领域第一次用同一把尺子衡量AI抗体设计。对于一线研发人员来说这种评测不会直接给你一个更好用的模型但会告诉你当所有宣传话术被剥掉之后AI抗体设计在真实任务里的水位到底在哪里。无论是做算法、做湿实验还是做平台都可以在这个基础上建立更准确的预期。如果想深入这个方向接下来值得学习的内容包括抗体序列编号规则IMGT与Kabat、深度生成模型在蛋白质序列上的应用、抗体结构预测模型的项目实践、以及表达体系的实验操作验证。这套计算筛选流程可以作为你的第一版工具链但一定要用自己项目的真实数据去校准它。建议收藏这篇作为参考框架等真正跑通一轮实验闭环之后再回来对照你会对“AI设计抗体行不行”有更准确的答案。