不用免疫、不用筛选：AI 第一次从零"画"出原子级精度的抗体

导语
抗体发现有一百多年历史，但起点几乎没有变过：免疫动物、筛选文库、或者从康复患者体内分离。三条路本质上都是"先造出来，再挑一个能用的"。2026 年 1 月，华盛顿大学 David Baker 团队在《自然》上给出了另一种可能——不靠免疫、不靠天然文库，直接按用户指定的表位把抗体"算"出来，并用冷冻电镜证明设计结构与实际结构在原子尺度上吻合。

一、第一座山跨过去了：Nature 的原子级设计

这项研究（Bennett 等，Nature，2026，649(8095):183–193）的做法是双引擎：一边是经过微调的 RFdiffusion 网络——一种能从头生成蛋白质三维结构的扩散模型；另一边是酵母展示筛选，用来从海量计算产出里捞出真正能结合的候选。

它的核心突破是"表位特异性"。研究者可以指定靶标表面的具体位置，让模型只在那里生成结合界面，从而从头设计出纳米抗体（VHH，一种只有重链可变区的单域抗体）、单链可变区片段（scFv）以及完整抗体。

• 冷冻电镜验证：针对流感血凝素与艰难梭菌毒素 B（TcdB）设计的纳米抗体，结合姿态与设计模型一致
• 流感纳米抗体结构分辨率达 3.0 埃，其中以柔性著称的 CDR3 环（决定抗原识别特异性的关键环区）与设计值偏差仅 0.8 埃
• 亲和力：初始设计处于几十到几百纳摩尔（nM）区间，最好的流感纳米抗体为 78 nM；经 OrthoRep 亲和力成熟后可提升到个位数 nM
• 代价也要说清：纳米抗体的成功率在 0–2% 之间，每个靶点需要筛选 9000 个以上设计

二、第二座山：模型分不清"能结合"和"看着像能结合"

一项区分性测试给出了冷水。研究者用 106 个经过实验测定的纳米抗体—抗原复合物，对上 11000 多个随机打乱的配对，考验 AlphaFold3、Boltz-2、Chai-1 能否把它们区分开。结论是：三者都几乎无法区分真实复合物与随机配对。Boltz-2 给更多候选打了高分，但最终区分度并没有变好。

更麻烦的是置信度指标。模型的置信度跟踪的是"内部结构自洽"，而不是"生物学正确"——因此会出现"自信地错"与"不自信地对"，并且不同工具之间的结论一致性很弱。结构冲突分数（clash score）也无法把真实复合物挑出来，有些随机配对的分数甚至更好。

基准测试同样说明了差距：FoldBench 显示 AlphaFold3 在抗体—抗原对接上表现最好，DockQ 成功率 47.9%、高质量对接成功率 13.4%；而 Boltz-1 在抗体—抗原任务上的成功率只有 21%。结论很清楚：结构可行，不等于结合特异。

这个设计其实非常贴近真实使用场景。真正的问题从来不是"模型能不能画出一个看着合理的复合物"，而是"在一万个看起来都很合理的候选里，模型能不能把唯一那个真会结合的挑出来"。抗体与抗原的界面本来就不像酶—底物那样有深口袋和明确的化学互补，接触面积大、极性弱、构象柔性高，仅靠结构合理性打分，很容易把"贴合得好看"误判成"结合得牢固"。这也解释了为什么"生成"环节的进展远快于"判别"环节。

三、绕路：把筛选压力搬进模型内部

既然单靠结构预测判不出来，另一条思路是让"结构工具 + 序列语言模型"互相约束。

Germinal（Mille-Fragoso 等，Nature Biotechnology，2026）把 AlphaFold-Multimer（预测两个蛋白如何拼合）与 IgLM（在 5.58 亿条抗体序列上训练、用来保证序列"像真抗体"的语言模型，Shuai 等，Cell Systems，2023）组合起来，在选定框架上从头设计 CDR，循环迭代直到两个工具都满意。在 PD-L1、IL-3、IL-20、BHRF1 四个靶点上，成功率 4–22%，每靶点测试 43–101 个设计，部分抗体达到亚微摩尔到纳摩尔亲和力；团队用冷冻电镜与表位图谱复核，并开源了代码。作者自己也指出局限：只测了四个靶点，泛化性仍然未知。

尚未经过同行评审的信号也值得记录，但只能当信号看：Chai Discovery 的 Chai-2 报告命中率约 16%，每靶点用 20 个以内的设计；mBER 针对 436 个细胞表面靶点设计了 115 万条以上纳米抗体序列，在 145 个靶点上做了噬菌体展示，其中 65 个靶点命中率提升，最佳表位在严格过滤下可达 38%。另一项值得留意的工作是 BoltzGen（MIT，2025 年 11 月），报告对 66% 的新靶点实现了纳摩尔级结合。

四、对做抗体与试剂的团队，实际意义在哪

• 能立刻用上的部分：把结构预测当作常规输入、做表位可行性与可及性分析、把从头设计视为杂交瘤与噬菌体展示的补充路径，而不是替代品。
• 真正稀缺的能力不是"生成结构"，而是"判别"。谁拥有高质量的实验反馈闭环——展示筛选、亲和力成熟、可复现的表位表征——谁才真正握住了这条流水线的产出率。
• 试剂端最直接的受益者是"难免疫抗原"：毒性蛋白、高度保守蛋白、肽—MHC 复合物，这些传统免疫路线极难拿到抗体的靶点，第一次有了可编程的入口。
• 别把预印本的命中率当产能。成功率高度依赖靶点选择与筛选强度，"四个靶点上的 22%"和"另一个靶点上的 0%"，说的是同一件事的两面。
• 一个容易被忽略的成本项：实验筛选仍是不可省的一环。文献里每靶点动辄筛选数千到上万个设计，意味着展示筛选的通量、测序深度与数据分析能力，才是把 AI 设计变成抗体的真正瓶颈。计算门槛在下降，实验门槛没有。

五、可以立刻用上的三条判断

1. 评估任何一款 AI 抗体设计工具，只问三个问题：能不能指定表位？成功率是在哪些靶点、用多少个设计换来的？有没有独立的实验结构或结合数据验证？
2. 引入顺序建议反过来：先用结构预测做靶点与表位可行性分析，再决定是否投入从头设计，并且必须预留展示筛选与亲和力成熟的实验预算——这部分省不掉。
3. 永远不要用"结构准"替代"结合好"。最终结论必须由独立的结合实验读出，表面等离子共振（SPR）、生物膜干涉（BLI）或流式细胞术都可以，但一定要有。

参考资料

1. Bennett N R, et al. Atomically accurate de novo design of antibodies with RFdiffusion. Nature, 2026, 649(8095): 183–193. https://doi.org/10.1038/s41586-025-09721-5
2. Mille-Fragoso 等. Germinal：AlphaFold-Multimer 与 IgLM 联合的抗体从头设计. Nature Biotechnology, 2026
3. Shuai R W, et al. IgLM：抗体序列语言模型. Cell Systems, 2023
4. Masters 等（2025）对抗性实验分析；Gaudreault 等（2025）Boltz-1 抗体任务评估；Xu 等（2025）FoldBench 基准
5. Frontiers in Chemistry, 2026：AlphaFold3、Boltz、Chai-1 抗体—抗原预测能力对比综述
6. Chai Discovery（2025）与 mBER（2025）：预印本，尚未经同行评审，数据仅作参考

本文数据均来自公开期刊文献与预印本，其中预印本内容尚未经同行评审，仅供行业交流，不构成任何研发或投资建议。