夜雨聆风抗体设计基础篇（一）：抗体的结构与分类
有“生物导弹”之称的抗体药物，既能直接中和病原体、阻断致病信号，又能激活免疫系统或递送治疗分子，在癌症、免疫疾病和新兴传染病等复杂疾病的治疗方面具有不可替代的价值。
从新冠中和抗体到抗癌神药帕博利珠单抗，这些能精准锁定病原体的“智能武器”如何设计？AI与冷冻电镜又如何成为研发的关键工具？将通过三个专题为你介绍。专题（一）首先回顾关于抗体的基础知识。
抗体定义：免疫系统的“分子侦察兵”
抗体（Immunoglobulin，Ig）是B淋巴细胞分泌的特异性结合入侵抗原（Antigens）的Y型蛋白质，特异性识别病原体（如病毒）的抗原表位，中和外来物质，清除病原体或受感染细胞。IgG是人体中最常见的一类抗体，半衰期长、是抗体药物的主要模板，本文侧重对IgG进行介绍。
抗体结构：“分子钥匙”蓝图
经典的IgG抗体结构由两对多肽链构成：如上图，两条相同的重链（Heavy Chain）与两条相同的轻链（Light Chain）通过二硫键连接，形成灵活的功能分区。
Fab区（抗原结合片段）：如上图位于“Y形双臂”，包含重链和轻链的可变区（VH、VL、CH1、CL），通过互补决定区（CDRs）形成抗原结合口袋。CDR是抗体设计的重点，决定了抗体的特异性和亲和力。
Fc区（恒定片段）：如上图由重链恒定区（CH2-CH3）构成Y形主干，可招募补体、结合巨噬细胞Fc受体，触发吞噬清除或炎症反应。
IgG的上述模块化结构与天然优势（半衰期长、穿透力高、低免疫原性），决定了IgG可通过基因编辑、片段重组或化学偶联，衍生出双特异性抗体、抗体片段、抗体药物偶连等新形式，为其工程化改造提供了理想支架。
抗体（IgG）的分类：
a. 经典抗体（Canonical antibodies）
完整保留IgG的天然结构，未进行片段化或功能修饰
b. 片段抗体（Fragments antibodies）
Fab片段（Fab fragment）：如图b-1仅保留经典抗体Fab区。强组织穿透力和低免疫原性，可用于放射性标记诊断（用于PET成像[1]）、毒素中和（蛇毒抗血清Fab[2]）。但半衰期短，可能需频繁给药。
【应用实例，雷珠单抗[3]（Lucentis®），VEGF-A靶向Fab片段，治疗年龄相关黄斑变性（wAMD）。】
单链可变片段（Single chain variable fragment，scFv）：如图b-2通过柔性肽链连接重链（VH）和轻链（VL）可变区。有高渗透性，可融合毒素、细胞因子或靶向多肽。
【应用实例，Blinatumomab[4]（Blincyto®）：CD19×CD3双特异性scFv串联结构，引导T细胞杀伤白血病细胞。】
Fc片段（Fc fragment）：如图b-3用于延长蛋白药物的半衰期或介导免疫调节。
【应用实例，阿巴西普[5]（Orencia®）：CTLA-4胞外域与Fc融合，抑制T细胞过度激活，治疗类风湿关节炎。】
纳米抗体（Nbs，VHH）：如图b-4图b-5骆驼科动物体内产生的仅由重链的可变区构成的抗体。具有稳定性：耐高温、极端pH和蛋白酶降解（适用于口服或吸入制剂）。小尺寸可穿透细胞膜，靶向胞内抗原。
【应用实例，Caplacizumab[6]（Cablivi®）：抗vWF纳米抗体，治疗血栓性血小板减少性紫癜（aTTP）。】
c. 抗体药物偶联(Antibody drug conjugate，ADC)
抗体（多为IgG）与细胞毒性药物通过化学连接子偶联，精准递送化疗药物，降低系统性毒性。
【应用实例，德曲妥珠单抗[7]（Enhertu®）：靶向HER2，载荷拓扑异构酶抑制剂，治疗乳腺癌/胃癌。】
d. 双特异性抗体（Bispecific antibody, BsAb）
单个抗体分子可同时结合两个不同抗原表位。介导免疫细胞桥接（如T细胞重定向）或阻断双信号通路。
【应用实例，贝林妥欧单抗[8]（Blincyto®）：CD3×CD19双抗，治疗急性淋巴细胞白血病。】
e. 其他形式抗体（Others）
毒素偶联抗体（Immunotoxin）
放射性标记抗体（Radiolabeled Antibodies）
Fc融合蛋白（Fc-fusion Protein）
TCR样抗体（T Cell Receptor-like Antibodies）
酶偶联抗体（Enzyme-conjugated Antibodies）
抗体药物研发挑战
1. 免疫原性
挑战：抗体药物被免疫系统识别为“异物”，产生抗药物抗体（ADA），降低疗效。
解决：提高抗体人源化程度（如阿达木单抗[9]）。
2. 研发周期长，成本高
挑战：传统抗体研发需5-10年，失败率高，生产成本昂贵。
解决：AI加速设计，生成式AI（如RFdiffusion）快速设计抗体，缩短周期至1-2年。
3. 抗原表位解析与亲和力优化
挑战：抗原抗体复合物结构复杂、抗体亲和力不足。
解决：冷冻电镜解析结合表位，助力抗原表位定位。
在简单回忆抗体（IgG）的基础结构及分类后，面对抗体药物研发周期长，抗原表位定位难等挑战，生成式AI如何加速抗体设计？冷冻电镜如何直击抗原抗体“锁钥结合”的原子真相？后续将持续介绍。下一篇，我们将介绍不同AI+抗体设计工具及适用的范围，带你见证AI的“造钥神技”。
参考文献
[1] 陈曲 等 纳米抗体在肿瘤分子影像诊断中的研究进展,生命科学 (2022).
[2] E.J. Lavonas et al. Short-Term Outcomes After Fab Antivenom Therapy for Severe Crotaline Snakebite, Annals of Emergency Medicine (2011).
[3] R.P. Singh et al. Role of ranibizumab in management of macular degeneration, Indian journal of ophthalmology (2007).
[4] M.E. Goebeler et al. Blinatumomab: a CD19/CD3 bispecific T cell engager (BiTE) with unique anti-tumor efficacy, Leukemia & lymphoma (2016).
[5] M.C. Genovese et al. Abatacept for Rheumatoid Arthritis Refractory to Tumor Necrosis Factor α Inhibition (2005).
[6] K.V. Katsivalis et al. Caplacizumab for Acute Thrombotic Thrombocytopenic Purpura, Journal of the advanced practitioner in oncology (2021).
[7] K. Yamaguchi et al. Trastuzumab deruxtecan (T-DXd; DS-8201) in patients with HER2–positive advanced gastric or gastroesophageal junction (GEJ) adenocarcinoma: Final overall survival (OS) results from a randomized, multicenter, open-label, phase 2 study (DESTINY-Gastric01) (2022).
[8] A. Thakur et al. Enhanced cytotoxicity against solid tumors by bispecific antibody-armed CD19 CAR T cells: a proof-of-concept study, Journal of cancer research and clinical oncology (2020).
[9] P.C. Taylor et al. Baricitinib versus Placebo or Adalimumab in Rheumatoid Arthritis, The New England journal of medicine (2017).
抗体设计进阶篇(二)：AI辅助抗体设计工具简介
传统抗体药物研发高度依赖动物免疫实验、大规模抗体库筛选，生产周期长成本高，且不一定会产生阳性结果。AI算法，尤其是深度学习模型，能够在庞大的数据集中发现复杂的模式，预测抗体与特定抗原的结构，结合亲和力，优化抗体序列，为理性设计高效抗体提供强大的新工具。
上一节介绍了关于抗体结构和分类的基础知识，这一节将简要介绍部分AI辅助抗体设计工具。
从“难成药”到“数月成”：
AI设计GPCR激活型抗体登Science
2025年5月12日，Science发表评论文章AI conjures up potential new antibody drugs in a matter of months，描述了人工智能在数月内设计出靶向GPCRs（膜蛋白，突出细胞膜外区域少，抗体设计尤其困难）的高效抗体候选药物，效果媲美传统耗时数年的研发成果，并首次实现激活GPCRs功能。可以见得，AI正在推动抗体药物设计进入快速发展阶段。
人工智能设计的抗体（橙色）与细胞膜蛋白（绿色）的胞外部分结合
那么，究竟有哪些深度学习工具能实现这些看似不可能的任务呢？让我们先了解一般的蛋白质从头设计流程，再看其在抗体领域的具体应用。
一般的蛋白质从头设计流程
一般的蛋白质设计流程。通常来说，首先会生成蛋白质的骨架结构，再通过蛋白质的骨架设计序列。这个过程会产生数量极多的设计，不可能每个设计都进行实验验证，所以还需要对生成的设计进行筛选，而这个筛选通常使用的是结构预测方法。
将一般的蛋白质设计流程特化到抗体设计领域
使用通用蛋白质设计框架从头设计抗体流程（图中以扩散模型为例）
1.抗体从头设计工具
蛋白质骨架生成
• RFantibody（Fine-tuning RFdiffusion）：使用精调的扩散模型从头设计特定抗原骨架的抗体。所设计抗体的结合亲和力适度，总体成功率需要进一步提高。微调的RFantibody能设计与输入框架结构紧密匹配的抗体结构，并通过新的CDR区域靶向指定表位。[10]
• AbNovo（中科院计算所与上交医学院生物信息中心团队）：利用多模态扩散模型，首次将“带约束偏好优化”技术应用于基于扩散模型的抗体设计,实现多目标（亲和力、稳定性）抗体设计。[11]
• AbDiffuser：可同时生成3D结构和抗体序列。有效利用计算资源以及产生高保真度抗体结构和序列。但它无法直接灵活地根据特定目标设计抗体。[12]
序列生成
• PALM-H3（北京大学陈语谦团队/腾讯AI Lab）：一种产生针对特定抗原的高亲和力抗体重链互补决定区3（CDRH3）序列的神经网络模型，能从零开始生成具有所需抗原结合特异性的人工抗体CDRH3。PALM-H3生成SARS-CoV-2抗体的CDRH3序列，中和效力优于天然抗体。[13]
• AbX：是基于得分的扩散模型，它结合了序列空间和结构空间的联合建模，能够生成符合特定几何约束的抗体序列。
• ProteinMPNN（David Baker团队）：序列产生工具，未经过微调，可设计CDR环序列。
自洽验证（筛选验证）
经过抗体骨架生成和序列生成之后，会产生数量级多的设计，需对生成的设计进行筛选验证，这个筛选通常使用的是结构预测方法
结构预测工具
• Fine-tuning RoseTTAFold2（David Baker团队）：在VHH预测方面表现较好，微调的RF2能准确预测互补决定区（CDR）区域的结构，并且准确预测抗体相对于标靶区域的取向。相较于AlphaFold2更适用于预测抗原抗体复合物，并且能够很好的区分真实结构和decoy结构。微调过的RF2在抗体单体结构预测上优于IgFold，尤其是对CDR H3结构的预测。[10]
• A2binder（北京大学陈语谦团队/腾讯AI Lab）：高精度的抗原-抗体结合预测模型，该模型能够将抗原表位序列与抗体序列配对，预测它们的结合特异性和亲和力。[13]
• IgFold：只能预测抗体单体结构。
验证评估指标
RMSD：提供了预测的抗体结构与其参考模型之间均方偏差，值越低，表明结构之间的相似性越高。
IDDT：局部距离差异测试（LDDT），它测量结构内原子距离的差异，反映局部结构准确性。
TMscore：模板建模评分，根据Cα坐标评估全局结构对齐。
AAR&CAAR：氨基酸恢复率，它计算预测的和实际氨基酸序列之间的重叠比，CAAR表示CDR区氨基酸恢复率。
MMPBSA/MMGBSA：分子动力学（MD）模拟保留了抗体-抗原相互作用的动态性质，包括蛋白质的骨架灵活性以及溶剂效应，从而促进了原子水平上的结合位姿的准确预测。
2.现有抗体结构优化工具
• ESM（Evolutionary Scale Modeling）：ESM是一种序列到序列（Sequence-to-Sequence）的生成模型，应用于蛋白质设计。它通过学习大量蛋白质序列中的进化信息，能够预测功能性蛋白质序列，并用于生成新序列。在抗体设计中，ESM可以通过优化抗体序列的氨基酸排列，设计出具有高亲和力的抗体。
• AbLang：AbLang是专为抗体序列设计开发的大语言模型，它能够通过学习抗体序列中的氨基酸信息，有效恢复抗体中的残基，特别是在抗体的CDR区上表现出色。AbLang能够对抗体序列中的CDRs进行补全或优化，从而提升抗体的功能性。
• AntiBERTy：与AbLang类似，AntiBERTy也是基于BERT的大语言模型，专注于抗体设计任务。AntiBERTy通过识别抗体中的结合位点（paratope），帮助优化抗体与抗原的结合特异性和亲和力。
• DiffAb：该模型结合了抗体的氨基酸序列、原子坐标和取向信息，专门解决了CDR优化中固有的序列结构协同优化挑战。通过扩散过程生成抗原特异性的CDR序列。DiffAb能够处理抗体与抗原的相互作用，从而生成具有高结合亲和力的抗体。
• dyMEAN：dyMEAN采用了消息传递网络，通过迭代地更新图结构中的节点信息，实现序列和结构的联合设计，能够动态地优化抗体的CDR区域，特别是在结合抗原信息时表现出色。它通过不断更新结构信息，使生成的抗体结构更具稳定性和功能性。
AI在抗体设计领域的突破正不断涌现：Nabla Bio公司在2025年5月宣布仅用数月时间便生成数百种靶向GPCR的高亲和力候选药物；上海交通大学团队于2025年3月推出AbNovo框架，实现了多目标、多约束的抗体从头设计，显著提升了抗体的稳定性与低自聚合性；David Baker团队今年2月报告了靶向流感病毒保守蛋白的广谱抗体，以及能中和艰难梭菌毒素的抗体。
AI抗体设计正颠覆传统开发流程，但其预测模型需实验验证。冷冻电镜作为"实拍机器"，与AI形成“虚拟→实证”闭环，驱动抗体工程高效迭代。
下节将介绍冷冻电镜在靶标定位、表位测绘及构象验证中的不可替代角色。
参考文献
[10] D. Baker et al. Atomically accurate de novo design of antibodies with RFdiffusion, bioRxiv : the preprint server for biology (2025).
[11] Haicang Zhang et al. Multi-objective antibody design with constrained preference optimization, ICLR 2025 Conference (2025).
[12] J.L. Karolis Martinkus et al. AbDiffuser: full-atom generation of in vitro functioning antibodies, Biomolecules (2023).
[13] H. He et al. De novo generation of SARS-CoV-2 antibody CDRH3 with a pre-trained generative large language model, Nature Communications (2024).
抗体设计（三）丨冷冻电镜在抗体设计中的应用，以疟疾PfEMP1靶向抗体（Nature）为例
人工智能虽能以“数字建模”突破传统抗体设计效率，但其构建的终究是参数优化的预测模型。冷冻电镜技术恰为这关键瓶颈提供破局之钥——可精准定位影响结合亲和力的氢键网络与疏水核心。当AI的智能预测遇见冷冻电镜的实证解析，抗体工程便形成了“虚拟设计+实景验证”的闭环迭代。
前期介绍了关于抗体的基础知识与AI+抗体设计工具，本节将通过下面案例介绍冷冻电镜在抗体设计中的应用：CryoEM揭示疟疾关键毒力蛋白PfEMP1与新型抗体的复合物结构，发现抗体结合表位的高度保守区域，为广谱抗重症疟疾疫苗设计提供新策略[1]。
一、做了什么
从感染者体内分离出两种广谱抗疟疾抗体 C7 和 C74，首次解析它们与 5种不同抗原（CIDRα1）亚型的复合物结构，发现抗体结合的核心保守表位。
二、怎么做的
1.冷冻电镜技术组合拳
对抗原抗体复合物进行单颗粒冷冻电镜成像，局部分辨率达 3.2Å（图a）；
精准定位抗原（CIDRα1.7）与抗体（C7）氢键与π-π堆叠作用（图e-g）；
捕获抗体诱导的构象变化：未结合抗体时（白色）以及结合抗体时CIDRα1的EB/EBS螺旋旋转72°（棕色，红色）（图b）。
2.关键发现
抗体殊途同归：尽管来自不同个体，C7和C74均靶向CIDRα1的 保守双苯丙氨酸位点（F661/F662），通过芳香环堆叠“锁死“病毒（图d，f）
破解广谱性之谜：抗体结合迫使相邻 DBLα结构域位移，暴露隐藏的EPCR结合位点
三、做得如何
揭示保守性：解析多结构域PfEMP1-抗体复合物，发现抗体结合表位的高度保守区域（F661/F662），为广谱抗重症疟疾疫苗设计提供新策略；
捕获动态细节：CIDRα1.6-C74复合物达 3.1Å动态细节捕获。当抗体（C7/C74）结合抗原（CIDRα1）的EB/EBS螺旋时，DBLα结构域发生显著位移（旋转约72°），暴露出被隐藏的EPCR结合界面。直观展示抗体如何“撬开“蛋白结构，模拟天然结合状态。
四、冷冻电镜为何不可替代？
无需结晶：无需蛋白结晶或固定，直接观察溶液中蛋白的天然状态；
高分辨率互作捕捉：以 高分辨率揭示抗体CDR区与抗原表位的互作细节（如双苯丙氨酸的π堆叠）；
捕捉构象位移：解析抗体结合诱导的抗原构象变化（如结构域位移、螺旋旋转），揭示变构抑制机制；
超大复合物处理能力：支持多结构域抗原-抗体复合物（>100 kDa）的结构解析，突破分子量限制；
借助冷冻电镜技术，研究者快速确定抗体-抗原关键结合位点，显著提升抗体筛选与工程改造效率。从生成设计到结构解析，AI正重塑抗体研发范式。尽管临床转化仍需攻克免疫原性、结合力等挑战，但AI与冷冻电镜、自动化实验的深度协同，将加速“智能抗体“时代到来。
参考文献
[1]Reyes, R.A., Raghavan, S.S.R., Hurlburt, N.K. et al. Broadly inhibitory antibodies to severe malaria virulence proteins. Nature 636, 182–189 (2024).
原文：中科中山药物创新研究院
生物智能：在生物先进产业场景中构建“状态感知-实时认知-自主决策-精准执行-学习提升”的生物科学智能（NeuroAI）；实现生物产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。
生物产业+物理AI=生物智能
产业智能官：NeuroAI
加入知识星球“生物智能研究院”：自动化生物铸造厂OT技术（自动化+机器人+工艺+精益）和新一代IT技术（云计算+物联网+区块链+大数据+人工智能）深度融合，在场景中构建“状态感知-实时认知-自主决策-精准执行-学习提升”的生物科学智能（NeuroAI）；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。
版权声明：产业智能官（ID：NeuroAI）发表的文章，除非确实无法确认，我们都会注明作者和来源，涉权请联系协商解决，联系、投稿邮箱：wolongzy@qq.com
