Nature重磅！David Baker开发原子级精度抗体从头设计新方法

在生物医药领域，抗体药物的研发通常依赖于动物免疫或大规模体外展示库筛选。这些方法虽然成功应用多年，但过程耗时，且难以精确控制抗体与靶点的结合位点。能否不依赖现有抗体库，完全通过计算手段从头设计出结合特定表位的抗体，一直是该领域追求的目标。

2025年11月5日，David Baker研究团队在Nature上报道了他们在计算抗体设计领域的关键进展。他们开发了一种基于RFdiffusion生成式模型的计算流程，能够针对用户指定的蛋白质靶点及特定表位，从头设计具有原子级精度的单域抗体（VHH）和单链抗体（scFv），并经由实验验证了其结合模式与设计模型高度一致。

RFdiffusion模型的设计策略

研究团队的核心工作是对已有的RFdiffusion蛋白结构生成模型进行针对性微调，使其适用于抗体设计。RFdiffusion基于扩散模型原理，通过添加噪声再逐步去噪的过程，学习从随机结构生成具有特定功能的蛋白三维结构。

在此次研究中，团队采用抗体-抗原复合物结构数据对模型进行训练。在设计中，他们将抗体框架区（Framework Region）的结构和序列作为固定条件输入模型，引导模型将设计自由度集中在互补决定区（CDR）环的构象生成上。

同时，他们利用“热点”残基（hotspot residues）指定靶点上的目标表位，引导生成的CDR环与该区域形成特异性相互作用。

Fig1 Rfdiffusion模型抗体设计总览

值得注意的是，该流程并不预设抗体与靶标的相对空间位置（刚性对接）。模型在生成CDR环的同时，也负责探索和优化抗体相对于靶点的整体取向，这一特性对于发现新颖的结合模式至关重要。

在获得由RFdiffusion生成的抗体骨架结构后，研究团队使用ProteinMPNN序列设计工具为CDR环设计具体的氨基酸序列，使其能够稳定地采取预设构象并与靶点形成有利的相互作用。

实验验证：从计算模型到功能性抗体

为验证该计算流程的实用性，研究团队针对多个疾病相关靶点开展了设计实验，包括流感血凝素（HA）、艰难梭菌毒素B（TcdB）、呼吸道合胞病毒（RSV）表面蛋白以及SARS-CoV-2病毒受体结合域（RBD）。

他们首先聚焦于结构相对简单的单域抗体（VHH）。通过酵母表面展示技术对数千个计算设计进行高通量筛选，他们成功获得了能够特异性结合各靶点的VHH分子。

表面等离子共振（SPR）分析定量了结合亲和力：针对流感HA的VHH亲和力最优可达78 nM；针对TcdB的VHH亲和力为260 nM（Figure2b, d）。

Fig2 生成抗体的亲和力测定

为确认表位靶向的准确性，他们进行了竞争结合实验：使用已知结合同一表位的蛋白（如结合TcdB Frizzled表位的FZD48），可完全阻断所设计VHH的结合，而结合其他表位的蛋白则无此效应（Figure 2c, d）。这证明设计抗体确实结合在了预设的表位。

冷冻电镜确认原子级精度

计算设计能否在真实结构中实现，需要高分辨率结构数据的最终验证。研究团队利用冷冻电子显微镜（cryo-EM）解析了多个设计抗体与靶点复合物的三维结构。

对于结合流感血凝素Stem表位的VHH_flu_01，3.0 Å分辨率的冷冻电镜结构显示，其整体结构与计算模型的Cα原子均方根偏差（RMSD）为1.45 Å。其中，负责关键相互作用的CDR3环，其骨架结构与设计模型的RMSD仅为0.84 Å（Figure 3d-g）。

CDR3环上的多个侧链（如V100, V101, S103, F108）与HA表面的相互作用模式，也与设计预测高度一致（Figure3e）。该设计的结构与PDB中任何已知结合此表位的抗体均不相同，证实了其新颖性。

Fig3 cryo-EM解析设计抗体与靶点复合物的三维结构

研究进一步将该方法拓展至更复杂的单链抗体（scFv）设计，这需要同时准确设计重链和轻链上的六个CDR环。他们开发了一种结构指导的组合组装策略，将来自不同设计但具有相似结合模式的重链和轻链进行组合，成功获得了高亲和力结合TcdB的scFv（如scFv6，亲和力72 nM）。

将其转化为全长IgG后，亲和力得以保持（68 nM）。对scFv6与TcdB复合物的3.6 Å冷冻电镜结构解析表明，其六个CDR环的构象均与设计模型高度吻合，所有CDR环的骨架RMSD均在0.2 Å至1.1 Å之间（Figure5e-f），实现了对双链抗体界面的原子级精度设计。

Fig5 cryo-EM解析结合TcdB的scFv的三维结构

当前局限与未来方向

尽管取得了成功，该流程目前的实验验证成功率仍在0%至2%之间，表明计算模型仍有优化空间。研究团队指出，设计成功率在很大程度上依赖于后续用于筛选设计可靠性的“评判器”（oracle）。在研究初期，他们通过微调RoseTTAFold2来评估设计质量，但其判别能力有限。

研究发表时，AlphaFold3已发布。回顾性分析显示，利用AlphaFold3的界面预测模板建模分数（ipTM）对设计库进行过滤，可显著富集实验成功的阳性设计。例如，在VHH设计中，结合成功的案例高度集中于ipTM > 0.6的少数设计中。将此类更强大的预测工具整合进设计流程，是提高未来成功率的关键。

总结

David Baker团队的研究首次系统性地证明了，利用生成式人工智能（RFdiffusion）能够从头设计出靶向特定表位、且具有原子级精度的抗体。该方法为抗体发现提供了一条全新的、不依赖于免疫动物或天然抗体库的路径。

其开源发布的代码（GitHub: RosettaCommons/RFantibody）将推动该领域的进一步发展。随着计算模型的持续优化，计算设计有望使抗体药物的开发变得更快速、更精准、更具可预测性。

识别微信二维码，添加抗体圈小编，符合条件者即可加入抗体圈微信群！

请注明：姓名+研究方向！

本公众号所有转载文章系出于传递更多信息之目的，且明确注明来源和作者，不希望被转载的媒体或个人可与我们联系(cbplib@163.com)，我们将立即进行删除处理。所有文章仅代表作者观点，不代表本站立场。