AI抗体设计：特定表位从头设计Agent深度研究

一、从规则到生成，从模型到Agent

1. 两条技术演化线在抗体领域的汇合

如果把“AI抗体设计、特定表位从头设计Agent”（下文简称“AI表位设计Agent”）拆开来看，其实是两条独立演化线在近三五年内撞到了一起：

• • 一条来自 蛋白质结构预测与生成模型：从 AlphaFold 打开折叠黑盒，到 RFdiffusion、Chroma 等扩散式结构生成模型，再到针对抗体–抗原复合物的专用变体，奠定了“原子级结构生成 + 下游序列设计”的技术底座。
• • 另一条来自 大模型 + Agent 工作流自动化：LLM 在科研、药物发现中的应用从“写代码、查文献”逐步演化到能主动规划、调用工具、闭环迭代的 agentic 系统，为“从文字目标到实验就绪序列”的端到端自治工作流提供了模板。

传统抗体发现主要靠免疫动物、噬菌体展示或 B 细胞克隆，依赖大规模实验筛选，周期通常以月计，且对“困难表位”（如高度保守但隐蔽的病毒区域、GPCR 跨膜表位等）往往无能为力。生成模型的出现改写了这个前提：

• • 生成式 AI 可以直接在对接几何和表位约束下“造出”抗体结合界面，再反推对应的氨基酸序列，实现从“先有 binder 再优化”转向“从目标 + 表位出发设计 binder”。
• • 同时，Agent 框架把原本松散的 DMTA（Design–Make–Test–Analyze）周期编排成可自动执行的流程，从目标解析、文献综述、表位选择、候选生成到计算打分、实验设计都可以由同一系统调度。

“AI表位设计Agent”正是这两条线在抗体场景里的交叉点：既是特定表位约束下的生成式抗体设计技术集合，也是能围绕这一技术自主规划、执行完整设计战役的智能体。

2. 萌芽期（2018–2021）：从语言模型到结构驱动设计

2018–2021 年，AI 在抗体领域的角色还是“助手”而非“创作者”。代表性工作包括：

• • 蛋白语言模型（ESM-1b 等）：在海量蛋白序列上预训练的 transformer 能学到丰富的进化与功能信息，被用于抗体亲和力成熟、人源化等任务，例如利用语言模型指导突变，提升已知抗体的亲和力和成药性。
• • 抗体专用语言模型 IgLM、Sapiens 等：在数亿抗体序列上训练，用于生成人源化程度更高、CDR 合理的序列，为后续 de novo 设计提供先验分布。
• • 结构预测革命（AlphaFold2）：虽然早期对多链抗原–抗体复合物支持有限，但极大降低了从序列到结构的门槛，让“先预测结构，再做界面工程”的思路变得可行。

这一阶段，研究者开始尝试 将深度学习用于抗体优化和局部设计，但距离“从无到有造出抗体”仍有显著距离：

• • 主要聚焦于单链或 CDR 段的点突变推荐，而非完整 VH/VL 结构–序列联动设计。
• • 设计流程高度依赖人工：目标和表位的选择、设计空间的限定、打分函数设定都由专家手工完成，模型只是工具而非主体。

3. 转折点（2022–2024）：扩散模型 + 结构条件生成把“从头抗体”拉进现实

真正的范式转折发生在 结构扩散模型 出现之后。

2022–2023 年，RFdiffusion 等通用蛋白扩散模型被提出，可以从随机噪声迭代生成三维蛋白结构，并支持对接口残基进行“热点”约束，实现带条件的蛋白–蛋白界面设计。研究者很快意识到这一框架与“表位特异抗体”高度契合：

• • 抗体–抗原结合本质上就是一个带强表面几何约束的蛋白–蛋白复合物设计问题。
• • 只要能固定框架（FR），就可以把难题缩小为“在特定表位附近设计 CDR 结构与序列”。

2024–2025 年，几篇关键工作标志着从“概念可行”走向“实验闭环”的突破：

1. 1. RFdiffusion 抗体版本：
• • Baker 实验室对 RFdiffusion 进行抗体结构微调，专门训练其生成 CDR 环并同时设计抗体–抗原对接几何。
• • 模型接受固定框架结构和目标抗原，同时输入部分目标表位残基作为“热点”，在扩散过程中引导 CDR 向这些残基形成界面。
• • 生成结构后再用 ProteinMPNN 反推序列，并通过酵母展示与 OrthoRep 亲和力成熟，将初始中低亲和力设计优化为纳摩尔级 binder。
• • 这一工作首次证明：可以在完全未免疫的情况下，从计算机直接走到功能性 VHH/scFv 设计，并精准打在预定义表位上。
2. 2. JAM（Joint Atomic Modeling）系统：
• • 由一支马萨诸塞团队提出，将生成模型用于在原子分辨率层面联合建模抗体与抗原结构，设计出具有治疗级性质的抗体。
• • JAM 可在 VHH 与配对格式（scFv/mAb）两种形式下 de novo 生成抗体，针对可溶蛋白和多次跨膜蛋白，首创性地给出了 Claudin-4 与 GPCR CXCR7 的完全计算设计抗体。。
• • 设计–重组表达–功能表征全流程控制在 6 周以内，多靶标并行的边际成本极低。
3. 3. Germinal 框架：
• • 由 Stanford/Arc 团队提出的“表位靶向 de novo 抗体设计”流水线，以指定表位为条件，通过结构预测 + 抗体语言模型组合，进行 CDR 设计与筛选。
• • 在 4 个多样化靶标上，仅测试 43–101 个设计，就能达到 4–22% 的成功率，获得纳摩尔亲和力的功能性抗体。
• • Germinal 还开源了代码和详细协议，将“特定表位 de novo 设计”从实验室黑科技变成社区可以复现的工具链。
4. 4. 工业界的“零样本”宣言：
• • Absci 在与 Caltech 合作中，利用其生成平台设计针对 HIV“caldera”保守区域的抗体——这一表位此前用传统方法久攻不下。
• • 公司对外宣称自己是“第一个用零样本生成式 AI 从头设计并验证新抗体”的平台，将“zero-shot generative AI for antibodies”作为核心叙事。

这些工作共同完成了三件事：

• • 在科学上证明：特定表位、原子级别的 de novo 抗体设计是可行的，而不仅是理想化愿景。
• • 在工程上搭起了一条初步可复用的流水线：从表位定义、结构条件生成、序列反推，到多模型打分和有限实验筛选。
• • 在叙事上把“由 AI 设计的抗体”推上产业话题榜，吸引资本与跨国药企的注意。

不过此时，“Agent”尚未登场：

• • 设计流程由专家人工串联，脚本与 pipeline 分散；
• • 决策逻辑隐含在论文作者脑中，而非显式暴露在系统中；
• • 更像是“强大的 design engine + 熟练驾驶员”，而非“自治驾驶系统”。

4. 走向系统化（2024–2025）：表位特异设计工作流成型

随着 Germinal、JAM、tFold 等系统陆续发表，特定表位设计逐渐从“单篇论文”演化为“可以复刻与改造的模块化工作流”。

4.1 tFold 系统：四步一体的工作流化思路

tFold 系统把 de novo 抗体设计抽象成四个连续模块：CDR 恢复、抗体结构预测、抗体–抗原复合体预测和虚拟筛选，每一步都有相应的深度模型支撑。

• • 输入：抗原序列、指定表位、已知抗体框架。
• • 过程：生成 CDR 结构与序列、联立预测抗体与复合物结构、基于 ipLDDT 等信心评分反复回收重建低分设计片段。
• • 输出：针对指定表位的、高评分抗体候选，随后进入实验验证。

可以把 tFold 看作早期“AI 表位设计系统”的雏形，其特点是：

• • 把表位当作一等公民输入，而非事后打分约束；
• • 通过设计–预测–筛选的闭环实现自动化结构–序列共优化；
• • 仍然缺乏顶层决策层：选哪个靶标、哪个表位、何时停止迭代，基本由人来定。

4.2 Germinal 与 JAM：设计哲学的分化

Germinal 与 JAM 代表了两种略不同的设计哲学：

• • Germinal 更像“开源学术派”：强调在低 n 实验测试条件下实现较高成功率，把 AlphaFold-Multimer 与抗体特化语言模型结合，通过反向传播和自定义损失精细约束 CDR 结构与序列。
• • JAM 更偏“工业攻坚派”：定位于“首个全计算设计的 GPCR 抗体”等高难靶标，主打“治疗级性质”“多靶标并行 6 周搞定”等产业友好指标。

尽管实现细节不同，两者都在用事实证明：

只要有足够强的结构预测与生成模型，再加上合理的打分与筛选逻辑，AI 完全可以在指定表位条件下产出具备临床前水准的抗体候选。

5. Agent 出场（2025–2026）：从“强引擎”到“自动驾驶”

真正把“AI 表位设计”推向 Agent 形态的，是 2026 年 Latent Labs 发布的 Latent‑Y。

5.1 Latent‑Y 的诞生背景

• • Latent Labs 先前已经开发了 Latent‑X2 ——一个专门用于设计“药物样”抗体和肽的前沿生成模型，能够在结构与生化属性空间里生成优化候选。
• • 但在实践中，团队发现真正耗时的不是调用生成模型本身，而是围绕它的“胶水工作”：
• • 查文献、理解靶点生物学与疾病路径；
• • 确定可行表位（既要有功能意义，又具可成药性）；
• • 制定设计策略（多物种交叉、表位组合、亲和力–特异性–可开发性权衡）；
• • 串联多种预测工具与数据库完成筛选；
• • 最后还要把结果整理成实验就绪的构建列表。

Latent‑Y 试图解决的正是这一“人力瓶颈”：

用一个 Agent 把从“文本描述的设计目标”到“实验可下单的抗体序列列表”的全过程自动化，并在多战役并行时保持策略一致与可追溯的决策记录。

5.2 Latent‑Y 的首次亮相与定位

2026 年 3 月，Latent Labs 在论文与新闻稿中正式发布 Latent‑Y，定位为“首个经实验验证的 de novo 生物制剂设计 Agent”，主打能力包括：：

• • 接受自然语言 prompt 或科研论文作为输入；
• • 自主完成：
• • 文献综述与靶点分析；
• • 表位识别与优先级排序；
• • 调用 Latent‑X2 等生成模型进行候选设计；
• • 结构、亲和力与可开发性等多维预测打分；
• • 输出“实验就绪”的序列与推荐实验方案。
• • 支持全自动模式与人类协同模式：研究者可以在关键节点审阅、插话、调整策略，Agent 会实时适配。

从深度视角看，这一节点的意义在于：

• • 首次把“表位发现 + 抗体生成 + 计算验证”三个步骤封装在同一个自治系统中，而非分散在多个工具和人员手里。
• • 强调决策可解释：每一步调用了哪些数据源、使用了什么打分标准、为什么淘汰 A 留下 B，都被记录为显式推理轨迹。
• • 在生物学家体验层面，把“使用生成模型”抽象为“对 Agent 下达任务”，降低了上手门槛。

5.3 实验闭环与关键里程碑

按照公开报道与论文，Latent‑Y 在首轮验证中完成了三类抗体设计战役：

1. 1. 基于治疗规格的表位发现与设计：
• • 从描述性目标出发（例如“需要阻断某一受体–配体相互作用但保留其他功能”），Agent 自动搜索文献、解析结构信息，提出候选表位并设计抗体。
2. 2. 跨物种 binder 设计：
• • 为了同时作用于人和模型动物，Agent 需要在多物种序列与结构差异中寻找兼容表位，实现功能与跨物种可转化性的平衡。
3. 3. 基于论文的复制与拓展设计：
• • 将一篇针对人转铁蛋白受体（hTFR1）的血–脑屏障穿越抗体论文作为输入，Latent‑Y 自动解析实验设定与表位信息，设计新的抗体候选并提出验证策略。

在这些战役中，Latent‑Y 在多个靶点上获得了经实验验证的单数字纳摩尔亲和力抗体，整体“靶点级成功率”约 67%，且中间步骤完全由 Agent 自主执行，无人工筛选干预。新闻稿与报道特别强调了两个数字：

• • 时间压缩： 将原本需要专家团队数周的计算工作缩短到数小时；
• • 规模扩展： 单一研究者可以并行驱动数十个战役，大幅提高项目管线探索广度。

从此，“AI 表位设计 Agent”不再是一堆脚本与模型的组合，而成为一个具备“任务理解–规划–执行–反思”闭环能力的系统形态。

6. 决策逻辑：关键节点上的“为何如此”

深度回顾上述演化，可以抽象出几次关键决策及其背后的逻辑约束：

6.1 从序列优化到结构驱动设计：为什么必须拥抱结构？

• • 约束条件：
• • 抗体–抗原界面是高度三维几何约束问题，仅靠序列统计难以直接控制表位精度与空间相容性。
• • 语言模型擅长“像过去的序列”，却难以保证“在特定沟槽里以正确姿势抓住目标残基”。
• • 决策： 从纯序列生成转向“结构先行”的扩散与联合建模，优先生成满足几何约束的 3D 结构，再设计或优化序列。
• • 结果： 实验数据证明结构驱动方法在表位特异性与成功率上显著优于仅依赖序列分布的模型。

6.2 从“目标级”到“表位级”输入：为什么要把表位拉到前台？

• • 约束条件：
• • 许多治疗靶点拥有多个功能表面，随机针对整个蛋白设计的 binder 很可能命中“无功能”或者“引发副作用”的表面。
• • 传统筛选往往“先随机命中，再做表位 mapping”，效率低且难以刻意布局生物学机制。
• • 决策： 设计流水线中显式引入“指定表位”输入，让模型在设计起点就针对目标残基区域生成界面与 CDR。
• • 结果： Germinal、tFold、RFdiffusion 等工作证明，显式表位约束不仅提升功能相关性，也有助于控制安全性与开发性（避免影响关键保守结构或引发 ADE 等风险）。

6.3 从 pipeline 到 Agent：为什么要把“人肉胶水”自动化？

• • 约束条件：
• • 生成模型本身已足够强，但围绕它的工作流碎片化严重：不同工具之间格式不统一、参数需要手调、文献和数据库查询高度依赖个人经验。
• • 大药企项目管线多、靶点复杂，计算设计人力成为瓶颈。
• • 决策： 用 Agent 把这些步骤封装成可编排、可重放的决策流程：LLM 负责理解目标与规划步骤，调用各类专用工具与模型完成子任务，并在每一轮依据打分与反馈调整策略。
• • 结果： Latent‑Y 展示了在无需人工过滤的情况下完成多场设计战役，并显著缩短周期、提升并行度。

6.4 为什么坚持“人–机协作”而非完全黑箱自动化？

• • 约束条件：
• • 药物发现对安全性和可解释性要求极高，监管与企业内部合规都不允许“黑箱模型说了算”。
• • 生物学问题往往涉及多学科权衡（药理、毒理、CMC、临床可转化性），目前模型难以独立优化所有维度。
• • 决策：
• • Agent 提供“全自动模式”和“专家在环模式”，允许人在关键节点插手调整目标与约束。
• • 系统记录所有设计决策与依据，形成可审计的“推理日志”。
• • 结果： 一方面保留了效率优势，另一方面让专家能够“看着系统做事”，逐步建立信任，也有利于未来监管框架的对接。

7. 现状（截至 2026 年初）

综合公开论文与产业报道，可以将“AI 表位设计 Agent”的技术栈概括为几层：

1. 1. 基础模型层：
• • 蛋白序列大模型：ESM 家族、IgLM、Ab-specific LM，为序列生成与可开发性评估提供先验。
• • 结构预测与联合建模：AlphaFold-Multimer、AlphaFold3、tFold-Ab/Ag 等，用于抗体结构与复合物结构预测。
• • 结构生成：RFdiffusion 抗体版、JAM、Germinal 的 hallucination 模块等，用于在表位约束下生成界面结构。
2. 2. 设计–筛选流水线层：
• • 典型流程包括：表位定义 → 结构 hallucination → 序列设计（ProteinMPNN/AbMPNN/LM 采样）→ 多模型结构预测与打分 → 开发性与免疫原性预测 → 候选排名与多样性去冗余。
3. 3. Agent 层：
• • 以 Latent‑Y 为代表，将 LLM 作为“决策大脑”，统一负责：目标解析、工具选择、参数设定、批次规划与结果总结。
• • 在企业环境中，往往还会接入 LIMS、ELN、自动化实验平台，实现 DMTA 闭环。
4. 4. 应用与业务层：
• • 典型应用包括：
• • 困难靶点（GPCR、离子通道、隐蔽病毒表位）抗体发现；
• • 高精度机制干预（仅阻断某一相互作用或构象态）；
• • 跨物种共享表位设计与多物种可转化性优化；
• • 疫情应急中针对新发病原的快速抗体发现。

此时的“AI 表位设计 Agent”还远未定型，但已经清晰体现出：

• • 底层模型正从“能生成”走向“能约束地生成”；
• • 系统形态从“研究者 + 若干脚本”走向“研究者 + Agent + 模型群”；
• • 故事叙事从“AI 帮我优化抗体”升级为“我让 Agent 去打一场设计战役”。

二、赛道版图与代表性系统对比

1. 赛道界定与竞品场景判断

“AI 表位设计 Agent”并非单一公司或单个产品，而是一类结合了三种能力的系统：

1. 1. 具备 特定表位约束的 de novo 抗体生成能力（而非仅优化已有抗体）；
2. 2. 能在 结构–序列–可开发性 多维上进行计算筛选与迭代；
3. 3. 通过 Agent 框架编排 工作流，从文本目标或高层实验构想到实验就绪候选。

在这一界定下，当前生态大致可分三类：

• • A 类：拥有完整 Agent 形态并明确强调“从文本到抗体”的系统 ——目前典型代表是 Latent‑Y。
• • B 类：拥有强大的表位特异 de novo 设计引擎，但工作流仍以 pipeline 工程为主 ——如 Germinal、JAM、RFdiffusion 抗体版、tFold 系统等。
• • C 类：工业平台公司（Absci、Generate:Biomedicines 等），具备类似能力但多以“平台 + 服务”形式呈现，对 Agent 叙事相对克制。

因此，本文将按“场景 C：竞品充分”处理，重点挑选 3–5 个代表性系统进行对比：

• • 代表性 Agent：Latent‑Y；
• • 代表性学术/准产业级发动机：Germinal、JAM、RFdiffusion 抗体版、tFold；
• • 代表性平台公司：Absci（以表位设计为亮点）、Generate:Biomedicines（广义生成平台）。

2. 代表性系统画像

下表给出几个关键玩家在“AI 表位设计 Agent”语境下的简要画像：（能力以公开信息为基础，侧重技术与工作流特征）

下面分别从技术路线、产品形态/商业模式、用户视角与生态位几个方面展开。

3. 技术路线与底层逻辑对比

3.1 结构生成 vs. 结构预测驱动

• • Latent‑Y 本身不直接暴露生成内核细节，但明确依赖 Latent‑X2 这样的“药物样抗体生成模型”，结合结构与可开发性预测器完成设计与筛选。可合理推断其更接近 JAM/Chroma 等类的联合结构–序列生成范式。
• • Germinal 强调 “预测 + 优化”范式：利用 AlphaFold‑Multimer/AF3 的结构预测能力和抗体语言模型的序列先验，通过反向传播与 loss 设计在结构–序列空间里“雕刻”出表位兼容解，而非先随机 hallucination 再粗筛。
• • RFdiffusion 抗体版 属于典型 结构扩散生成 路线：在三维坐标空间中以热点约束引导扩散过程，生成满足几何要求的 CDR 与界面，然后再通过 ProteinMPNN 设计序列。
• • tFold 与 JAM 则更像是 多模块联合建模：分别负责抗体结构、复合物结构、结合能与开发性等的模型协同，整体工作流偏“工程化集成”。

对“Agent”而言，关键差异在于：

• • 结构扩散类引擎（RFdiffusion）提供的是“高自由度探索”，适合在 Agent 策略层决定“如何取样、如何控制多样性”。
• • 预测+优化类引擎（Germinal）则更像“可微分的控制系统”，适合 Agent 调整 loss、约束与表位定义来渐进式收敛。
• • 企业平台类（Latent‑X2、JAM）因未完全公开技术细节，Agent 更多把它们当作黑盒 oracle，重点在“何时调用、如何与其他工具组合”。

3.2 表位处理方式：显式 vs. 隐式

• • Germinal、tFold、RFdiffusion 抗体版都 显式接收表位残基或区域作为输入，在结构/损失层面直接约束 CDR 与界面生成。
• • JAM 与 JAM‑2 宣称可以覆盖 30–70% 用户定义表位，并在 GPCR 等困难靶点上“意图化”设计绑定区域，但具体实现更接近“在多候选中筛选命中目标区域者”。
• • Absci 强调“zeroing in on epitopes of interest”，即在生成时对表位进行聚焦，但公开技术细节有限，多通过案例展示其“命中难表位”的能力。
• • Latent‑Y 则把“表位选择”前移到 Agent 理性层：先通过文献与结构分析界定哪些表面区域具有治疗意义、风险如何，再调用生成引擎针对这些表位设计，既做表位识别，又做表位约束设计。

在“表位特定 Agent”的世界观里，Latent‑Y 的做法有两个优势：

• • 能把 生物学与临床语境纳入表位选择：例如优先选择不会引发 ADE、与现有药物互补的表位，而不只是纯几何上好设计的位置。
• • 能在 多个候选表位之间做组合策略：比如同时设计多个表位 binder，后续组合为双特异/多特异抗体或鸡尾酒疗法。

3.3 可开发性与多目标优化

• • Germinal 在设计流程中纳入了表达、溶解性等开发性指标，并利用 AlphaFold3 与 PyRosetta 等工具对结构稳定性和界面质量进行评估。
• • JAM 在公开资料中强调其生成的抗体具备“早期开发指标达到临床基准”，并在多靶点实验中展现出药物级亲和力与可制造性。
• • Absci 与 Generate:Biomedicines 的市场叙事则高度聚焦于“drug-like developability”，强调模型不仅生成能 bind 的抗体，还要在免疫原性、聚集倾向、可表达性等维度达标。
• • Latent‑Y 依托 Latent‑X2 这一“药物样抗体生成模型”，把开发性作为设计初期就考虑的目标之一，而非事后筛选。

对于 Agent，关键在于如何在不同目标之间做权衡：

• • 高亲和力 vs. 良好 PK/PD 特性 vs. 低免疫原性 vs. 可生产性；
• • 这类权衡目前仍需专家设定权重与约束，但 Agent 可以负责执行多目标搜索与 Pareto 前沿探索。

4. 产品形态、商业模式与组织结构

4.1 学术开源系：Germinal、RFdiffusion 抗体版

• • 产品形态：代码仓库 + 预训练权重 + 文档；用户需要自己搭建算力与数据流。
• • 组织结构：以 PI 主导的学术实验室为单位，项目多围绕方法论创新与概念验证。
• • 优点：
• • 社区可复现与扩展，成为众多企业/机构内部 pipeline 的底层模块；
• • 在论文和 preprint 形式中详细披露技术细节，便于优化与比较。
• • 短板：
• • 缺乏“产品级”的稳定性与支持；
• • 与 LIMS/自动化实验平台的集成需要各家自建；
• • 不直接提供 Agent 层，需要研究者自己编排工作流。

4.2 平台公司系：Absci、Generate:Biomedicines、JAM 背后的 Biotech

• • 产品形态：内部是高度自动化的平台，对外以合作开发、授权、里程碑付款 + 分成等模式输出候选分子。
• • 组织结构：
• • 集合计算生物学家、平台工程师、实验生物学家与临床前开发团队；
• • 设立多个治疗领域方向或靶点小组，围绕统一平台执行项目。
• • 优点：
• • 能将 de novo 设计直接接入 GLP 实验与临床前开发，完成“从模型到 IND”的长链条；
• • 拥有丰富的自有实验数据，可持续改进模型性能与校准打分体系。
• • 短板：
• • 外部世界很难获取其真实技术细节与成功率分布；
• • Agent 化程度不透明，对客户来说更像黑盒服务；
• • 商业合作周期长、门槛高，中小团队难以直接使用其能力。

4.3 Agent 平台系：Latent‑Y 所代表的新范式

Latent‑Y 的特别之处在于，它自定位为“Agent”，而不仅是“平台的一部分”：

• • 产品形态：
• • 作为 Latent Labs 平台中的一个“智能设计角色”，用户通过界面或 API 提交文本目标或文献，即可触发一场设计战役；
• • 输出除了候选序列外，还有完整的推理与决策日志，方便审查和协作。
• • 商业模式：
• • 对外开放给精选合作伙伴，未来可能演进为 SaaS 或私有部署模式；
• • 强调“一个研究者可以跑多战役”的杠杆效应，对希望放大计算设计团队产能的药企有天然吸引力。
• • 组织结构：
• • 更像“AI 研究公司 + 工程平台公司”的混合体，内部重视 Agent 框架、工具编排与平台化能力。

5. 用户视角：口碑、使用体验与“真实用法”

从用户（主要是药物发现科学家与计算设计工程师）的视角看，不同系统的“真实用法”与官方定位并不完全一致。

5.1 Germinal / RFdiffusion：从“黑科技”到“工具箱标配”

• • 学术界与早期采用者把 Germinal 与 RFdiffusion 抗体版视为“必备工具”：
• • 在有明确表位与框架的项目中，用于快速生成少量高质量设计，然后结合自有打分体系筛选；
• • 也常被用作“思路探索器”——先看看模型在某表位附近能否给出合理界面，再决定是否值得投入湿实验资源。
• • 常见槽点包括：
• • 算力要求高、流程配置复杂，新手上手成本不低；
• • 对输入表位定义敏感，若表位定位不准确或结构信息不足，结果易跑偏；
• • 与内部数据仓与 LIMS 缺乏无缝集成，需要大量工程工作。

5.2 平台公司：服务体验与“神话–质疑”并存

• • 对合作方而言，Absci、Generate 等平台的吸引力在于：
• • 可直接获得已验证的候选抗体，无需自建复杂管线；
• • 可以求助平台团队处理高难靶点或特殊机制需求。
• • 同时，外界对其“AI 造药”宣传存在质疑：
• • 有媒体与专家指出，宣传中“零样本设计”“完全由 AI 完成”可能夸大了自动化程度，实际仍高度依赖人工过滤与实验反复。
• • 用户更关心的是“成功率、成本和时间”这三个硬指标，而非纯粹的 AI 叙事。

5.3 Latent‑Y：早期口碑与潜在使用模式

• • 初期公开报道与技术论文给出的信号是正面的：
• • 在三类抗体战役中取得 67% 靶点级成功率，亲和力达到单数字纳摩尔；
• • 用户研究显示，使用 Latent‑Y 的 PhD 级专家完成设计战役所需时间比独立估计缩短 56 倍。
• • 预期的真实使用模式可能包括：
• • “规划助手”模式：研究者用它生成完整战役计划与候选方案，再基于经验进行删改与优先级调整；
• • “多战役调度器”模式：一个团队设置一批目标，由 Agent 先跑一轮探索，筛出值得进一步投入的方向；
• • “实验前室”模式：在实际投入昂贵实验前，用 Agent 快速验证不同表位策略的可行性，减少无效探索。
• • 未来潜在槽点也可预见：
• • 过度依赖 Agent 可能让团队失去对关键决策的直觉，尤其是对于边界条件复杂的靶点；
• • 若推理日志与可解释性做得不好，将难以满足监管与内部审计需求。

6. 生态位分析：AI 表位设计 Agent 在版图中的位置

从更宏观的“抗体发现–开发”价值链来看，AI 表位设计 Agent 主要改变的是 最前端的“创意生成 + 早期筛选”环节：

• • 在传统流程中，这一环节高度依赖免疫与展示技术，实验成本高、时间长，且表位控制力有限。
• • 生成式 AI 与 Agent 的引入，使得：
• • 设计空间从“免疫系统能产生的抗体”扩展为“所有在结构–序列空间合理、且具良好开发性的抗体”；
• • 表位可以被当作可调参数，而非事后观察结果；
• • 项目团队可以在投入湿实验前完成大量“虚拟战役”，只把最有希望的方案送进实验环节。

在整个赛道版图中，AI 表位设计 Agent 主要扮演三个生态角色：

1. 1. 靶点–机制层面的“思维放大器”：帮助科学家在同一靶点上快速探索多个机制假设与表位组合，降低“只沿一条路径走到底”的路径依赖风险。
2. 2. 计算–实验接口的“编排中枢”：统一调度结构、序列、可开发性等模型，以及高通量或自动化实验平台，实现 DMTA 闭环优化。
3. 3. 平台化能力输出的“前台窗口”：对外向合作方暴露的是“Agent 能力”，背后则是复杂的模型与数据基础设施，形成新的差异化壁垒。

7. 机会与风险

7.1 技术与产品层面的趋势

• • 从“单 Agent”走向“多 Agent/多角色协同”：
• • 未来系统可能拆分为“靶点情报官”“结构设计师”“可开发性评估师”“实验调度员”等多个专门 Agent，通过协调协议协作完成战役。
• • 生成引擎向“统一蛋白–复合物模型”演化：
• • APM 等 all-atom 多链生成模型显示出直接在复合物层面建模与设计的潜力，为统一处理抗体、受体、配体等提供可能。
• • 端到端“文献 → 机制 → 表位 → 抗体 → 组合疗法”链条逐步打通：
• • Latent‑Y 以论文作为输入的演示只是起点，未来 Agent 有望直接处理专利、临床数据、真实世界证据，做跨阶段设计与优化。

7.2 商业与监管层面的趋势

• • 从“平台故事”向“可量化指标”回归：
• • 媒体与投资界对 Absci 等的质疑表明，市场正在从“AI 叙事”转向更关注成功率、成本、时间压缩等硬指标。
• • 这会推动 Agent 系统在对外沟通中更加透明地披露战役统计与失败案例，而非只展示成功样本。
• • 监管可能要求“Agent 决策可审计”：
• • 对于真正进入临床路径的 AI 设计抗体，监管机构可能要求保留从目标提出、表位选择到候选确定的完整决策轨迹。
• • 这反过来有利于以 Latent‑Y 这类“重视决策日志”的 Agent 形态，而不利于纯黑箱引擎。

7.3 关键风险

• • 过度乐观与能力错配：
• • 若企业过度依赖 Agent 输出而缺乏足够生物学审核，可能导致在错误表位或不可开发空间上投入过多资源。
• • 数据偏倚与模型安全性：
• • 训练数据中偏重某些类型靶点或表位，可能导致模型在新机制或边缘案例上表现失常。
• • Agent 在文献与数据库检索中也可能受到信息偏倚影响（如过度依赖高被引但过时的工作）。
• • 组织变革与人才结构调整的阻力：
• • 引入 Agent 后，研发组织在角色分工与 KPI 上需要调整：从“手工执行者”转向“问题提出者与审核者”，这不是所有团队都能快速适应的。

三、时代脉络中的判断与展望

从深度调研可以得出：“AI 表位设计 Agent”经历了从规则与语言模型辅助优化、到结构驱动的 de novo 设计、再到 Agent 编排战役的三阶段演进，每一个阶段都伴随着底层技术的飞跃与组织形态的重构。从广度上看，它既处在生成式抗体设计赛道的前沿，又与自动化湿实验、Agentic 科研框架等邻近赛道交织，形成一个高度互相依赖的技术–业务生态。

综合两条维度，可以对“AI 抗体设计、特定表位从头设计 Agent”当前所处位置与未来走向做出如下判断：

1. 1. 从“概念验证”进入“工具化普及前夜”：
• • Germinal、JAM、RFdiffusion 抗体版等已经证明：在多个靶点上，表位特定 de novo 设计不仅能出结果，而且具有可重复的成功率与可接受的实验成本。
• • Latent‑Y 则进一步证明：可以用 Agent 把这一能力封装成对研究者友好的“战役执行体”，在真实环境中缩短周期、提升并行度。
• • 这意味着赛道正处于从“前沿实验室尝鲜”向“主流药企和 Biotech 工具箱标配”迁移的临界点。
2. 2. 竞争焦点将从“有没有”转向“好不好用”与“能不能落地”：
• • 在技术层面，大家都在用类似的构件：语言模型、结构预测、扩散生成、多目标打分；差异更多体现在：
• • 表位处理与生物学整合的深度；
• • 与湿实验平台、LIMS、企业数据仓的集成程度；
• • Agent 在真实复杂项目中的鲁棒性与可解释性。
• • 在商业与组织层面，谁能让现有研发团队在最小文化冲击下拥抱 Agent，并证明在多个管线中稳定带来时间与成本优势，谁就更有机会成为“新基础设施”。
3. 3. 未来 3–5 年的主要演化路径：
• • 技术深化：
• • 更统一的蛋白–复合物生成模型（类似 APM）将逐渐替代“结构预测 + 生成 + 打分”拼接式流程，为 Agent 提供更平滑的设计空间。
• • 针对表位的可视化和交互式设计工具会与 Agent 深度整合，让科学家可以“拖拽表位、实时观察模型响应”。
• • Agent 演化：
• • 多 Agent 协作框架在药物发现中落地：例如一个 Agent 负责结构–表位层，一个负责机制–临床转化层，一个负责实验设计与资源分配。
• • Agent 开始承担“知识沉淀”角色：跨项目积累表位–机制–成功率的经验库，反向指导新项目规划。
• • 产业生态：
• • 药企内部会出现“AI 设计平台 + 多 Agent + 自动化实验”统一集成的“数字化药物工厂”；
• • 中小 Biotech 与学术团队则更依赖开放 Agent 平台与开源引擎，在更轻量的 infra 上参与竞争。
4. 4. 对使用者的策略建议（面向技术/科研团队）：
• • 短期（0–2 年）：
• • 把 Germinal、RFdiffusion 抗体版等开源引擎纳入工具箱，先在少量靶点上做概念验证；
• • 搭建最基本的“表位定义–结构生成–打分–实验验证”闭环，积累内部数据与经验；
• • 同时关注 Latent‑Y 等 Agent 平台的实践案例，评估与自有基础设施的兼容性。
• • 中期（2–5 年）：
• • 逐步引入 Agent 框架，把文献分析、表位选择与实验设计纳入自动化范围，但保留专家在关键节点的决策权；
• • 在更多治疗领域与靶点类型上验证 Agent 的鲁棒性，特别是复杂多靶点或多机制场景；
• • 开始与法务和合规团队讨论“AI 决策轨迹”的记录与审查机制，为未来监管要求做准备。
5. 5. 风险对冲与心态建设：
• • 把 AI 表位设计 Agent 看成是“会犯错但极其勤奋的超级博士后”，而不是“永远正确的神谕”。
• • 在组织层面设定清晰边界：哪些决策可以交给 Agent 自动完成，哪些必须由人签字确认。
• • 接受一个现实：在相当长一段时间内，真正产生差异化竞争力的不是单一模型或 Agent，而是“模型 + 数据 + Agent 框架 + 组织习惯”的整体组合。

站在 2026 年的时间点，“AI 抗体设计、特定表位从头设计 Agent”既是前沿科学问题的试验场，也是未来药物工业基础设施的一块拼图。它还远未完美，却已经足以改变项目启动与早期探索的方式。对于愿意拥抱不确定性、并在实践中不断校准预期与流程的团队而言，这一赛道提供的将不仅仅是效率提升，更是重新定义“怎样做药”的机会。