AI抗体设计挑战赛揭示，超越实验但仍有局限

人工智能（AI）在生物医药领域的应用正从理论走向实践，其中抗体设计是备受关注的方向之一。近期，一项名为AIntibody的盲法前瞻性挑战赛为AI在抗体设计中的表现提供了一次全面检验。这项研究于8月26日发表在《自然·生物科技》（Nature Biotechnology），集结了29家机构，提交511条AI设计抗体序列，并通过SPR、KinExA等技术进行真实验证，同时评估了五项关键可开发性指标。

AI在特定任务上展现潜力

在第一个任务“计算机亲和力成熟”中，AI的表现尤为突出。当拥有充足的真实筛选测序数据时，AI能够对已有抗体进行局部CDR优化，显著提升亲和力。例如，Aureka团队的结构感知模型设计出的抗体亲和力达到95 pM，与实验筛选得到的最优抗体（113 pM）几乎持平。值得注意的是，即使不使用复杂的深度学习算法，简单的统计共识法（ProBioGen）也能取得优异结果，表明AI在这一领域的潜力并非完全依赖高深算法。

然而，这种优势并非普遍适用。在第二个任务“HCDR3簇内亲和力排序”中，AI的表现远低于随机挑选克隆的结果。全26支队伍中，仅有华盛顿大学（WashU）一支队伍超过随机基线，这揭示了当前AI在海量序列中精准定位高亲和力克隆方面的巨大挑战。

跨任务泛化能力有限

第三个任务“库外全新CDR设计”则展示了AI在创造全新分子结构方面的潜力，但也暴露了严重的“药化陷阱”。Xencor团队的蛋白语言模型设计出的抗体亲和力高达2.9 pM，但其在疏水性HIC色谱柱无法有效洗脱，按照药物开发标准属于致命缺陷。

行业痛点与未来方向

尽管AI在某些任务上表现出色，但整体来看，不同AI模型的能力差异巨大，跨任务泛化能力有限。特别是在亲和力预测和生物物理风险评估方面，现有模型依然难以满足工业需求。这反映出AI在抗体设计领域的应用仍处于初级阶段，距离实现“无所不能”的目标还有很长的路要走。

对比传统方法的启示

与AI相比，传统的噬菌体展示、酵母展示筛选等方法虽然繁琐，但在某些情况下仍具有不可替代的优势。例如，在随机挑选克隆的任务中，传统方法的表现优于大多数AI模型。这提示我们，AI并非万能，而是需要与传统方法相结合，才能发挥最大效用。

结语

AIntibody挑战赛为AI在抗体设计领域的应用提供了宝贵的参考。虽然AI在特定任务上展现出巨大潜力，但其在亲和力预测、跨任务泛化等方面的局限性也清晰可见。未来，AI与传统方法的结合将是推动抗体药物研发的关键方向。