做抗体筛选的人，可能要被AI改变工作方式了

上个月组里一个抗体项目又卡在了功能验证上。噬菌体展示筛了三轮，测出来两百多条阳性序列，挑了二十条去表达，最后只有三条有中和活性，而且结合位点都差不多。做抗体的都懂，这种事太常见了，序列一大堆，能用的没几个。

正好读到一篇发在《Nature Communications》上的文章，几个俄罗斯、中国、美国的作者（Stanislav S. Terekhov等）搞了个叫RBD-AIM的工具，用AI直接从抗体序列预测结合位点和功能。读完我在工位上坐了挺久，觉得这玩意儿如果真能成熟，我们做抗体筛选的方式可能真要变了。

先吐槽一下传统抗体筛选有多折腾

做抗体的应该都不用我多解释，但为了不做这行的朋友也能看懂，还是简单说两句。传统的抗体发现，大概是这么个流程：先从免疫动物或者康复患者的B细胞里建一个抗体库，然后用噬菌体展示或者酵母展示，一轮一轮淘选能结合靶点的抗体，然后测序，拿到序列之后再一个个表达纯化，做结合实验、中和实验、功能实验。

听着挺顺对吧？真做起来你就知道了，每一步都能出问题。库的质量好不好？淘选条件合不合适？测序出来的序列是不是真的阳性？表达出来的抗体有没有活性？结合位点在哪？中和能力强不强？随便哪一步掉链子，整个项目就卡壳了。

最让人头疼的是测序出来的那几百上千条序列，你根本不知道哪条好。只能凭经验挑几条去表达验证，大部分序列就这么浪费了。而且就算表达出来了，你也不知道它结合在靶点的哪个位置，是不是跟已有的抗体竞争，有没有中和活性。这些都得做实验，一个一个试，费时费力费钱。我们组之前那个项目就是这样，两百多条阳性克隆，最后挑了二十条去表达，只有三条有中和活性，而且结合位点都差不多。那时候我就想，要是能直接从序列预测功能就好了，能省多少事。

没想到这篇文章还真就往这个方向走了一步。文章开头有一张图（Fig.1），把整个流程画得很清楚。从公共数据库的抗体序列，到结构相关的聚类，到AI模型的基因型表型关联，到抗体库的功能分析，最后到治疗性抗体开发。这张图基本上就是整篇文章的骨架，后面所有内容都是围绕这几个点展开的。

图1 抗体库深度功能分析的总体流程

RBD-AIM到底是个什么东西

简单说，RBD-AIM就是一个AI工具，输入抗体的重链和轻链序列，输出这个抗体结合在RBD（新冠病毒刺突蛋白的受体结合域）的哪个位置，以及预测的结构模型。听起来好像不复杂，但实际上里面的技术细节挺多的。

文章里有一张图（Fig.2），把整个预测流程画得很清楚。我挑几个我觉得比较关键的点说。

先说表位分类。作者把RBD上的抗体结合位点，根据结构聚类，分成了12个类别，用A、B、C、D、D1、D2、E1、E21、E22、E23、F1、F2、F3来表示。每个类别对应RBD上的一个特定区域，比如A类和C类主要结合ACE2结合位点，E22类结合RBD的侧面，等等。这样分类的好处是，可以把抗体的功能跟表位类别关联起来，比如哪些类别的抗体中和能力强，哪些容易被突变逃逸。做抗体的人应该都能理解这个分类的价值，因为我们平时筛选抗体的时候，也很关心结合位点的多样性，但传统方法要测竞争实验，很麻烦。

然后是AI模型的集成。作者没有只用一个模型，而是用了好几个模型的集成。包括AntiBERTy（一个专门针对抗体序列预训练的语言模型）、ESM-2（一个通用的蛋白质语言模型），还有结构模型。每个模型分别预测表位类别，最后用集成的方式给出最终预测。这样做的好处是，不同模型有不同的优势，集成之后预测更准。文章里的数据显示，RBD-AIM的MCC（马修斯相关系数，一个衡量分类性能的指标）达到了0.571，比单纯的同源方法（0.420）、NN模型（0.539）、结构模型（0.534）都要好。这个提升看起来不大，但在抗体表位预测这个领域，已经是不小的进步了。说实话，我之前也试过用一些公开的工具预测抗体表位，准确性都不太理想，这个0.571虽然还不够完美，但至少比之前的方法好不少。

还有一个我觉得很实用的设计是iPAE评分。这个是用来评估预测的结构模型准不准的。iPAE是交互预测对齐误差，简单说就是预测的抗体抗原复合物结构跟真实结构之间的误差。iPAE越低，说明预测越准。作者发现，iPAE跟结构预测的准确性有很好的相关性，ROC AUC达到了0.91。也就是说，用iPAE可以筛选出预测比较准的抗体，这些抗体更有可能是真正的阳性克隆。这个功能很实用，因为我们筛出来的序列里，肯定有一些是假阳性或者预测不准的，用iPAE可以先过滤一遍，减少后续实验的工作量。我觉得这个设计比单纯提高预测准确性更有价值，因为它告诉用户哪些预测可信、哪些不可信，而不是给一个黑箱结果。

最后是结构模板的选择。对于预测的每个表位类别，作者会从PDB数据库里找一个最相似的已知抗体抗原复合物结构作为模板，然后用DeepAb或者AlphaFold-Multimer来构建结构模型。这样比从头预测要准得多，因为有模板引导。而且作者还做了一个很有意思的设计，就是如果预测的iPAE太高（说明预测不准），就不用这个结构模型，只保留表位分类结果。这样可以避免用不准的结构模型误导后续分析。这个细节处理得很专业，说明作者不是为了炫技而做AI，而是真的在考虑用户的实际需求。

图2 预测构象表位和结构模型的流程，12类结构模型

光有AI不够，还得跟实验结合起来

这篇文章最让我欣赏的一点是，作者没有只搞AI，而是把AI跟实验紧密结合起来了。他们开发了一套完整的流程，从B细胞分离，到单细胞测序，到分子展示筛选，到AI预测，到实验验证，形成了一个闭环。现在很多做AI生物的文章，就只在公开数据集上跑个模型，报几个指标就完事了，跟实际应用脱节。这篇文章不一样，作者真的把AI用到了真实的抗体筛选流程里，而且做了实验验证，这点很难得。

文章里有一张图（Fig.3），把单细胞微流控和分子展示的流程画得很清楚。我挑几个我觉得比较有价值的点说。

一个是单细胞微流控保留天然VH-VL配对。这个技术挺重要的。传统的抗体库构建，是把所有B细胞的重链和轻链分别扩增，然后随机配对，这样会产生大量的非天然配对，很多是没有功能的，而且会丢失一些稀有的天然配对。作者用了微流控液滴技术，把单个B细胞包裹在液滴里，然后在液滴里做逆转录和PCR，这样重链和轻链的天然配对就保留下来了。然后再把这些配对的序列构建成scFv文库，用于噬菌体展示或者酵母展示。这样建出来的库质量高很多，稀有克隆也不容易丢失。我们组之前也试过传统的建库方法，确实存在配对混乱的问题，很多序列表达出来没有活性，可能就是因为重链轻链不是天然配对的。这个单细胞微流控的方法如果能推广开，对抗体库构建是个很大的提升。

另一个是噬菌体展示和酵母展示的比较。作者同时用了噬菌体展示和酵母展示来筛选抗体，然后比较了两种方法的结果。他们发现，酵母展示筛选出来的抗体多样性更高，而且能保留一些结构比较复杂的克隆，比如功能上重要的V区突变。噬菌体展示则更容易富集到一些高表达的克隆。两种方法各有优劣，结合使用效果更好。这个发现对做抗体筛选的人挺有参考价值的，我们平时可能只习惯用一种展示方法，其实可以试试两种结合。我自己的体会是，噬菌体展示操作简单、文库容量大，但对一些表达不好的克隆有选择压力；酵母展示能直接用流式分选，定量更准确，但文库容量相对小一些。两种方法确实互补。

还有双阳性染色分选。作者用了RBD-PE和ACE2-Cy5两种荧光标记，来分选RBD特异性的抗体。RBD阳性说明能结合RBD，ACE2阴性说明不结合ACE2（排除非特异性结合）。然后在后续的筛选中，还加入了ACE2竞争，来筛选能阻断ACE2结合的抗体（也就是潜在的中和抗体）。这样一步步筛选，最后拿到的克隆质量很高。而且作者还做了不同抗原浓度的筛选，高浓度筛选能拿到更多结合剂，低浓度筛选能拿到更高亲和力的克隆。这些细节都是做抗体筛选的人平时会遇到的问题，作者处理得很细致。我觉得这篇文章的实验部分做得很扎实，不是那种为了配合AI而随便做的实验，而是真的在优化抗体筛选的每一个环节。

最后是AI预测跟实验的结合。作者把筛选出来的抗体测序之后，用RBD-AIM预测表位类别和结构，然后根据预测结果选择代表性的克隆去表达验证。这样就不用盲目地选克隆了，可以根据预测的表位类别，每个类别选几个代表性的克隆，这样覆盖度更高，而且能优先选那些预测有中和活性的类别。作者用这个方法，从几百个克隆里选了30个去表达，最后验证了预测的准确性。这个流程如果能推广开，能大大提高抗体筛选的效率。说实话，我们平时选克隆的时候，基本就是看序列多样性，随便挑几条，根本不知道结合位点在哪。如果有AI预测帮忙选，至少能保证选出来的克隆覆盖不同的结合位点，不会像我们之前那样，选了二十条结果结合位点都差不多。

图3 单细胞液滴微流控技术保留天然免疫球蛋白配对，实现分子展示筛选

预测准不准，还得看实验数据

做AI的人都知道，模型在测试集上表现好不代表真的有用，得在真实场景里验证。这篇文章的作者做了好几层验证，从体外实验到晶体结构，再到动物模型，还是比较扎实的。现在很多AI生物的文章，验证就停留在测试集的指标上，根本不做实验，那样的文章我一般不太信。这篇文章能做到动物模型验证，已经比大部分同类文章强了。

文章里有一张图（Fig.4），把AI预测跟实验验证的比较画得很清楚。我挑几个关键点说。

中和活性预测这块，作者用RBD-AIM预测了疫苗接种后抗体库中不同表位类别的抗体，然后实验验证了它们的中和活性。结果发现，A类、C类、D1类的抗体中和活性比较高，而E22类、F1类的抗体中和活性比较低或者没有。这个跟之前的认知是一致的，因为A类和C类主要结合ACE2结合位点，能直接阻断病毒跟ACE2的结合，所以中和能力强。而E22类结合在RBD的侧面，不直接阻断ACE2结合，所以中和能力弱。但有意思的是，E22类抗体虽然中和能力弱，但交叉反应性强，能识别多种变异株，这可能是因为它们结合的位点比较保守。这个发现对开发广谱抗体很有启发。我觉得这个结果挺有价值的，因为它说明AI预测的不只是结合位点，还能间接预测功能特性，比如中和能力和交叉反应性。虽然还不是直接预测，但至少能给筛选提供方向。

结合突变株的能力预测也做了。作者还预测了不同表位类别的抗体对各种RBD突变株的结合能力，然后用实验验证。结果发现，预测跟实验吻合得不错。比如有些类别的抗体对Omicron突变株结合能力下降，有些则保持结合。这个功能很实用，因为现在病毒变异太快了，开发抗体的时候得考虑对突变株的覆盖。如果能从序列直接预测对各种突变株的结合能力，就能快速筛选出广谱抗体，不用一个个做实验。我觉得这个功能在实际应用中价值很大，因为现在做抗体开发，突变株逃逸是个大问题，很多抗体在原始株上效果很好，到了突变株就失效了。如果能在筛选阶段就预测突变株结合能力，能少走很多弯路。

晶体结构验证是最硬的证据。作者选了几个预测的抗体，做了X射线晶体学，解析了抗体跟RBD的复合物结构，然后跟AI预测的结构比较。结果发现，预测的表位类别跟晶体结构基本一致，而且界面的残基接触也预测得比较准。比如D1类、E22类、T11类、F1类的抗体，晶体结构都验证了RBD-AIM的预测。这个验证很重要，因为它说明AI预测的不只是一个粗略的类别，而是比较精确的结合模式。当然，预测的结构跟晶体结构还是有一定差距的，比如RMSD在几个埃的水平，但作为初步筛选已经够用了。说实话，能做到这个程度已经超出我的预期了，我之前觉得AI预测抗体表位也就是大概分个类，没想到连界面残基接触都能预测得比较准。

动物模型验证是最后一步。作者还选了一个E22类的抗体（T11），在hACE2+转基因小鼠模型里做了治疗实验。结果发现，T11抗体能显著提高感染SARS-CoV-2小鼠的存活率，而且跟阳性对照药（PBS-1）效果差不多。这个验证很关键，因为它说明用RBD-AIM预测筛选出来的抗体，不只是在体外有活性，在体内也有治疗效果。虽然这只是一个抗体的例子，但至少证明了这个流程的可行性。我觉得能做到动物模型这一步，说明作者是真的想把这个技术推向应用，而不是只发篇文章。

图4 使用RBD-AIM进行抗体库功能分析与实验评估的比较

几个让我觉得有意思的细节

这篇文章里有几个细节我觉得挺有意思，值得单独说说。

一个是E22类抗体的冻结效应。作者在解析T11抗体（E22类）跟RBD的晶体结构时发现，T11结合之后，RBD的构象被冻结了，RBD的柔性大大降低。而在没有结合抗体的ACE2-RBD复合物里，RBD是比较柔性的。作者认为，这种冻结效应可能是E22类抗体中和病毒的机制之一，虽然它不直接阻断ACE2结合，但通过限制RBD的构象变化，影响病毒进入细胞。这个发现挺有意思的，说明抗体的中和机制不只是阻断结合，还有别的方式。而且作者还发现，E484K突变（Omicron里常见的突变）会增加RBD的柔性，而T11结合能恢复RBD的刚性。这可能解释了为什么有些E22类抗体对突变株还有活性。我觉得这个发现很有启发性，因为我们平时理解抗体中和，基本就是阻断结合这个机制，很少考虑构象变化的影响。这个研究提醒我们，抗体的作用机制可能比我们想象的复杂。

文章里有一张图（Fig.5和Fig.6）专门展示了这些结构细节。Fig.5展示了RBD-AIM预测的不同类别抗体的结合模式，Fig.6展示了T11-RBD复合物的晶体结构细节，包括重链和轻链的界面、氢键网络、构象变化等。这些结构细节对理解抗体的作用机制很有帮助，也为后续的抗体优化提供了指导。

另一个是跨病原体的适用性。作者还测试了RBD-AIM能不能用到SARS-CoV-1（非典病毒）上。他们用SARS-CoV-1的抗体抗原复合物作为测试集，发现RBD-AIM预测的表位类别跟实验结构基本一致，MCC达到了0.204。虽然这个分数比对SARS-CoV-2的低，但考虑到训练集里几乎没有SARS-CoV-1的数据，能有这个结果已经不错了。这说明RBD-AIM学到的不只是SARS-CoV-2的特异性知识，还有一些通用的抗体抗原相互作用规律。当然，要用到其他病原体上，还需要更多的训练数据和模型优化。我觉得这个结果挺让人振奋的，因为它说明这个方法不是只能用在新冠上，而是有潜力推广到其他靶点和病原体。如果能建立一个通用的抗体表位预测工具，对整个抗体领域都是很大的贡献。

还有一个是网页工具。作者把RBD-AIM做成了一个公开的网页工具（https://rbdaim.2a2i.org/），任何人都可以上传抗体序列，获取预测的表位类别和结构模型。这个做得很好，因为很多做抗体的人可能不会用复杂的AI模型，有个网页工具就方便多了。而且工具是免费的，对学术研究很友好。我自己上去试了一下，界面挺简洁的，上传序列之后几分钟就能出结果，包括表位类别、预测的结构模型、iPAE评分等。虽然预测的准确性还有待提高，但作为初步筛选工具已经够用了。我觉得现在很多做AI生物的研究，工具都不公开，或者只有代码没有界面，普通用户根本用不了。这篇文章能做成网页工具，而且免费开放，这点值得点赞。

图5 RBD-AIM能够精确预测抗体类别，提供相关的Ab-RBD界面细节；

图6 通过X射线晶体学和分子建模获得的T11-RBD相互作用概述

当然，问题也不少

说了这么多好处，也得说说这篇文章的局限。我觉得有几个点值得注意，不能光说好话。

一个是训练数据的限制。RBD-AIM现在主要是针对SARS-CoV-2的RBD做的，训练数据里大部分是SARS-CoV-2的抗体抗原复合物结构。虽然作者测试了对SARS-CoV-1的适用性，但效果还是差不少。要用到其他靶点或者其他病原体上，还需要大量的结构数据来训练。而且现在已知的抗体抗原复合物结构还是有限的，特别是一些比较新的靶点，结构数据更少。这是所有AI结构预测方法都面临的问题，不是这篇文章独有的。我觉得这是最大的瓶颈，因为AI模型的性能很大程度上取决于训练数据的质量和数量。如果没有足够多的抗体抗原复合物结构，模型很难学到通用的规律。

另一个是预测准确性还有提升空间。虽然RBD-AIM比现有方法好，但MCC也只有0.571，离完美还差得远。特别是对于一些比较少见的表位类别，预测准确性更低。而且预测的结构模型跟晶体结构还有差距，不能直接用来做抗体优化，还是需要实验结构来验证。所以现在这个工具更适合做初步筛选，而不是精确预测。要真正做到从序列精确预测结构和功能，还有很长的路要走。我觉得0.571这个分数，在实际应用中可能还是不够，因为如果预测错了，后续的实验就白做了。当然，有iPAE评分来衡量预测可信度，这能缓解一部分问题，但还是不够。

还有一个是对抗体功能的预测还比较初步。现在RBD-AIM主要预测表位类别和结构，对于中和活性、亲和力、交叉反应性等功能指标，只是间接通过表位类别来推断，还不能直接预测。比如同样是A类抗体，中和活性可能差很多，这个RBD-AIM还预测不了。要做到从序列直接预测功能，还需要更多的功能数据和更复杂的模型。我觉得这是未来的发展方向，如果能直接从序列预测中和活性和亲和力，那对抗体筛选的帮助就更大了。但这需要大量的功能数据来训练，而功能数据比结构数据更难获得，因为功能实验的成本更高、变异更大。

最后一个是实验验证的规模还比较小。作者虽然做了晶体结构和动物模型验证，但验证的抗体数量还是有限的，只有几个代表性的克隆。要真正证明这个流程的可靠性，还需要在更多的项目、更多的靶点上验证。当然，这篇文章作为方法学的初步探索，已经做得不错了，后续可以期待更多的应用案例。我觉得方法学文章都有这个问题，就是验证规模有限，毕竟做实验成本高。但如果能有更多的实验室用这个工具，积累更多的验证数据，就能更好地评估它的可靠性。

最后说几句

做抗体药这些年，我最深的一个体会是，抗体发现这个领域，技术进步其实挺快的。从最早的杂交瘤技术，到噬菌体展示，到单细胞测序，到现在的AI结构预测，每一次技术进步都大大提高了抗体发现的效率。但说实话，直到现在，抗体发现还是一个挺依赖经验和运气的过程，很多时候还是得靠大量的实验去试。我们组做了这么多年抗体，还是经常遇到筛了一大堆序列最后没几个能用的情况，这种事做多了确实有点挫败感。

这篇文章的价值，不在于它提出了什么革命性的新概念，而在于它把AI引导的结构景观分析跟传统的分子展示技术结合起来，形成了一个比较完整的抗体发现流程。从B细胞分离，到单细胞测序，到AI预测，到分子展示筛选，到实验验证，每一步都有，而且衔接得比较顺。做抗体的人看完这篇文章，应该能对怎么把AI用到自己的项目里有一些启发。至少我看完之后，已经在想我们组的下一个项目是不是可以试试用这个工具来辅助筛选。

当然，这个流程现在还不是完美的。预测准确性还有待提高，适用范围还比较局限，实验验证的规模还比较小。但方向是对的，而且我相信随着更多结构数据的积累和AI模型的进步，这些问题会逐步解决。可能再过几年，从抗体序列预测功能会成为常规操作，到那时候，抗体发现的效率会比现在高很多。我们这些做抗体的人，也得跟着学新东西，不然真要被淘汰了。

至于AI会不会替代做抗体的人，我觉得至少在可预见的未来不会。AI能帮我们筛选序列、预测结构，但实验设计、结果判断、问题解决，这些还是需要人的经验和判断。而且AI预测的结果还是需要实验验证，实验还是得人来做。所以更准确地说，AI是帮我们提高效率的工具，而不是替代我们的对手。会用AI的人，可能会替代不会用AI的人，这个倒是真的。

如果你也在做抗体，或者对AI在药物研发中的应用感兴趣，欢迎留言一起讨论。这个领域发展太快了，多交流才能少走弯路。我也打算在我们组的下一个项目里试试这个工具，到时候如果有什么经验，再跟大家分享。

参考文献

Terekhov SS, Isanisenko NV, Zhang N, et al. Mining antibody functionality via AI-guided structural landscape profiling. Nat Commun. 2026;17:4009. doi:10.1038/s41467-026-70553-6

豆包工作生成

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。