纳米抗体工程化：从传统文库到AI设计的方法学核心进展

1993年，科学家在骆驼血液中发现了一类天然缺失轻链的抗体——仅由重链构成。进一步研究发现，这些重链抗体的可变区（VHH）可以独立存在并保持完整的抗原结合能力，直径仅2.5纳米，分子量约15 kDa，是已知最小的抗原结合单元。这就是纳米抗体。

三十年来，纳米抗体凭借其小尺寸、高稳定性、强特异性、易于表达等优势，在疾病诊断、治疗、成像等领域展现出巨大潜力。但一个核心问题始终悬而未决：我们如何高效获得高性能的纳米抗体？

2025年发表于Journal of Nanobiotechnology的综述系统梳理了纳米抗体工程化的三大支柱：文库构建、展示平台、人工智能优化。本文聚焦方法学本身：哪些技术真正改变了游戏规则？它们的边界在哪？下一个突破口可能藏在何处？

一、文库构建：多样性是王道

获得高亲和力纳米抗体的第一步，是拥有一个高质量的文库。目前主要有三种类型，各有千秋。

免疫文库：体内筛选的“黄金标准”

通过对骆驼（羊驼、美洲驼）进行目标抗原免疫构建，利用动物体内亲和成熟机制，获得高亲和力、特异性强的纳米抗体。标准流程：4-5次免疫，间隔一周，末次免疫后4-5天采集50-100 mL血液，分离淋巴细胞，提取mRNA，巢式PCR扩增VHH序列。文库规模需达到10⁶以上。

方法学要点：优点是体内已完成亲和筛选，保真度高；缺点是周期长达数月，需要动物，且对低免疫原性或毒性抗原不适用。

天然文库：一库通用的“瑞士军刀”

绕过免疫步骤，直接从10-20只未经免疫的动物采集超过10 L血液构建。文库规模需达到10⁹-10¹¹以弥补缺乏体内亲和成熟的不足。

方法学要点：优势是“一库通用”，可针对任何抗原筛选；但获得的纳米抗体亲和力较低，需后续体外成熟。

合成/半合成文库：摆脱动物的“多样性之王”

完全摆脱动物依赖，基于已知纳米抗体骨架设计CDR区多样性。骨架设计注重稳定性与通用性，常用cAbBCIII10等高稳定性支架；CDR设计则通过简并密码子（如NNK、NNS）或三核苷酸合成实现氨基酸多样性。CDR3是重中之重，因其长度和构象多样性直接决定抗原识别能力。文库规模可达10⁹-10¹⁵，是目前多样性最高的选择。

方法学要点：优势是完全摆脱动物依赖，通过人工设计实现文库规模和多样性的最大化；劣势是骨架和CDR的设计组合能否正确折叠、稳定表达并有效结合抗原，需要实验验证，存在“设计有效性”的不确定性。

维度

天然文库

免疫文库

合成文库

动物依赖

需要（但无需免疫）

需要（需免疫）

完全不需要

血液需求

>10 L

50-100 mL

0

文库规模

10⁹-10¹¹

10⁶-10⁸

10⁹-10¹⁵

亲和力起点

低（μM级）

高（nM级）

中-低

通用性

一库通用

一抗原一库

一库通用

构建周期

数周至数月

数月

数周

后续工作

必须体外成熟

可能不需

通常需优化

方法学启示：三种文库常组合使用——先用合成文库初筛，再用免疫文库优化，取长补短。

二、展示平台：从表达到筛选的十八般武艺

有了高质量文库，下一步就是高效筛选。展示平台是连接基因型与表型的桥梁，决定了筛选的通量与精度。

噬菌体展示：应用最广泛的“老将”

将纳米抗体基因融合到M13噬菌体衣壳蛋白（如pIII）N端，展示于噬菌体表面。标准流程包括3-5轮“吸附-洗脱-扩增”生物淘选，最后用ELISA鉴定阳性克隆。核心优势：文库容量大（>10¹¹）、技术成熟、操作简便。

挑战：原核表达系统缺乏真核翻译后修饰，某些纳米抗体可能无法正确折叠。改进策略：全细胞淘选、脂质体展示、纳米盘展示等方法可保持膜蛋白抗原的天然构象。

酵母展示：流式细胞术的“黄金搭档”

利用酿酒酵母Aga1p-Aga2p系统将纳米抗体展示于细胞表面。关键优势：真核系统支持正确折叠和二硫键形成，且与流式细胞术（FACS）兼容，可定量筛选高亲和力克隆。MACS预富集+FACS精细分选是标准流程。

挑战：文库规模受限于真核转化效率（通常10⁶-10⁷），且约10%的纳米抗体可能发生N-糖基化修饰，影响抗原结合能力。

细菌展示：性价比最高的“快枪手”

以大肠杆菌为代表，将纳米抗体融合到外膜蛋白（如OmpF）、脂蛋白或自转运蛋白上展示。优势：转化效率高，文库可达10¹⁰-10¹¹；培养成本低，生长快。

挑战：原核还原性环境可能阻碍二硫键形成。解决方案：共表达分子伴侣、使用氧化型突变菌株（如Origami）、胞外分泌表达。

无细胞展示：文库容量最大的“黑马”

核糖体展示利用不含终止密码子的mRNA，在体外翻译系统中形成“蛋白-核糖体-mRNA”三元复合物进行筛选。优势：文库容量最大（10¹²-10¹⁴），可引入体外突变实现定向进化。mRNA展示用嘌呤霉素连接mRNA和蛋白，稳定性更高，筛选偏差更小，是体外亲和成熟的利器。

挑战：复合物稳定性要求高，需无RNase环境。

新兴技术：

1. 近年出现“噬菌体初筛+酵母精筛”的混合策略，取二者之长。

2. Nestlink将DNA条形码与纳米抗体文库嵌套，结合NGS和LC-MS/MS，可在单个动物模型中同时监测数百个候选药物的体内分布。

3. Sybody结合核糖体展示和噬菌体展示，针对高度保守蛋白快速获得合成纳米抗体。

4. 高通量测序+质谱鉴定策略直接从免疫动物骨髓淋巴细胞测序，10天内即可获得数十种纳米抗体序列。

三、人工智能：从预测到设计的范式革命

尽管传统方法成熟，但耗时长、成本高、依赖经验。AI的介入正在改变游戏规则。

结构预测：从“草图”到“蓝图”

AlphaFold2、RoseTTAFold等通用蛋白结构预测工具为纳米抗体研究提供了基础。但纳米抗体的独特结构——尤其是长CDR3环和凸型构象——催生了专用算法。

NanoNet是首个针对VHH的深度学习结构预测工具，基于CNN和ResNet，可直接从序列生成主链和Cβ原子的3D坐标，毫秒级完成预测，适合高通量分析。但对长CDR3预测仍有局限。

NanoBodyBuilder2作为ImmuneBuilder工具包的一部分，针对纳米抗体优化，在CDR3预测上表现优异，比AlphaFold2快100倍，并提供每个残基的不确定性估计。

H3-OPT巧妙结合模板比对、AlphaFold2特征和ESM2语言模型，在高质量纳米抗体测试集上实现平均RMSD 2.24 Å，优于其他通用或专用模型，尤其擅长长CDR3环的高精度预测。

相互作用预测：从“盲人摸象”到“精准制导”

预测纳米抗体-抗原结合位点和结合模式是核心挑战。AlphaFold-Multimer在蛋白复合物预测上取得突破，但在纳米抗体上仍面临CDR建模和糖基化抗原等难题。

NanoBERTa-ASP基于RoBERTa架构，通过注意力机制捕捉CDR3等关键区域特征，将结合位点预测转化为逐残基的二分类任务，直接从序列预测抗原结合位点。

NbX聚焦于对接构象的重排序。通过训练决策树分类器，整合能量、接触、界面性质等结构特征，将“近天然构象”的中位排名提升了8倍，显著优于ClusPro等传统对接算法。SHAP值分析显示，CDR3残基在抗原结合位点中的比例是最重要的特征。

性质优化：从“试错”到“定向设计”

多反应性预测：Harvey等开发了一套机器学习模型（逻辑回归、CNN、RNN），从序列数据预测纳米抗体的多反应性，并定量评估氨基酸突变的影响。研究发现，CDR2和CDR3中的酸性氨基酸通常与低多反应性正相关，而精氨酸则相反——但位置效应显著。基于此，他们成功优化了AT118i4h32纳米抗体，在保持亲和力的同时降低了多反应性。

亲和力与稳定性优化：Cheng等通过计算亲和力成熟优化抗CD47纳米抗体，获得4个结合力和热稳定性均提升的突变。ModiBodies通过分子动力学模拟和迭代能量优化，实现亲和力与特异性双重提升。nanoBERT是专门为纳米抗体设计的Transformer模型，可预测氨基酸突变的可行性，评估突变对结构和功能的影响。

热稳定性预测：NbThermo数据库收录了564个纳米抗体的熔解温度（Tm）数据。基于此，TEMPRO工具采用蛋白嵌入和深度学习，实现高精度Tm预测，大幅减少实验测量成本和时间。

四、方法学展望：融合与协同

回顾纳米抗体工程化的三十年，一条清晰的主线浮现：从自然筛选到理性设计，从经验试错到数据驱动。

未来的趋势将是多平台融合：噬菌体展示的广度 + 酵母展示的精度 + 无细胞展示的深度 + AI预测的效率。合成文库将整合计算优化的骨架和定向进化的CDR多样性；展示平台将发展混合筛选策略；AI模型将融合序列、结构、功能多模态数据，实现从“预测”到“设计”的跃迁。

挑战依然存在：数据标准化、免疫原性评估、模型可解释性、用户友好度——这些都需要领域共同推进。但可以预见，当AI真正成为纳米抗体工程师的“第二大脑”，我们将迎来一个“按需设计、精准定制”的新时代。

结语：从骆驼血液到AI设计

从骆驼血液中的偶然发现，到AI驱动的精准设计，纳米抗体工程化走过三十年。这篇综述的价值，不仅在于系统梳理了文库、展示平台、AI三大支柱的技术细节，更在于勾勒出方法学演进的内在逻辑：

我们不再满足于“淘”到好抗体，而是要“设计”好抗体。

文献来源：Liu, J., Wu, L., Xie, A. et al. Unveiling the new chapter in nanobody engineering: advances in traditional construction and AI-driven optimization. J Nanobiotechnol 23, 87 (2025). https://doi.org/10.1186/s12951-025-03180-6

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不本站。