Nature | AI“造”物主：从一个原子开始，精准设计“生物导弹”，抗体研发迎来新纪元？

在现代医学的武器库中，抗体药物无疑是最耀眼的明星之一。它们如同被精确制导的“生物导弹”(biological missile)，能够精准识别并结合我们体内的“敌人”——无论是狡猾的病毒、失控的癌细胞，还是引发炎症的异常蛋白。每年，全球有数以亿计的患者受益于这些巧妙的蛋白质分子，其市场价值已然是一个数千亿美元的庞大版图。

然而，在这片繁荣的背后，一个长期存在的瓶颈始终困扰着药物研发领域：我们如何能随心所欲地制造出能够命中敌人“阿喀琉斯之踵”的导弹？传统上，抗体的发现过程更像是一场大规模的“海选”。研究人员通过免疫动物(如小鼠)或筛选巨大的基因库，希望能“幸运地”找到能够结合目标的抗体。这个过程不仅耗时数月甚至数年，成本高昂，而且充满了不确定性。更关键的是，它是一个“先发现，后验证”的过程，我们往往先得到一个能结合的抗体，再去分析它到底打中了靶点的哪个位置，即表位(epitope)。如果这个位置并非我们期望的关键功能位点，那么之前的所有努力可能都将付诸东流。

我们能否颠覆这个流程，直接“设计”一枚导弹，让它从诞生之初就瞄准我们指定的、最致命的那个表位？

11月5日，《Nature》的研究报道“Atomically accurate de novo design of antibodies with RFdiffusion”，给出了一个响亮的回答。研究人员展示了一种革命性的方法：利用一个经过特殊“调教”的人工智能模型RFdiffusion，完全在计算机中(in silico) 从零开始(de novo) 设计出全新的、能够以原子级精度结合特定表位的抗体。这不仅仅是一次技术的迭代，它可能预示着抗体药物研发范式的根本性转变，从“发现时代”迈向“设计时代”。

 

“大海捞针”的困境：传统抗体发现的“运气”与“蛮力”

要理解这项新技术的颠覆性，我们先来看看传统方法的局限性。

想象一下，你是一名军事工程师，任务是摧毁一座敌方碉堡。你知道碉堡的弹药库是其最薄弱的环节，但你不知道弹药库的具体位置。传统的抗体发现就像是给你一万枚普通的炮弹，让你对碉堡进行地毯式轰炸。你发射了成千上万发炮弹，最终有几发碰巧击中了弹药库，任务完成。但这个过程浪费了大量资源，而且成功与否很大程度上依赖运气。你无法保证下一次面对新碉堡时，还能有同样的好运。

这就是免疫动物或文库筛选的真实写照。当我们将一个靶点蛋白（抗原）注射到小鼠体内，它的免疫系统会被激活，产生千千万万种不同的抗体。这些抗体有的结合力强，有的弱；有的打中要害，有的则无关痛痒。研究人员需要通过复杂的筛选技术，像淘金一样，从这片抗体的汪洋中，找到那几颗真正有价值的金子。

更先进的噬菌体展示(phage display)或酵母展示(yeast display)技术，虽然将筛选过程搬到了体外，构建了数以十亿计的庞大抗体库，但其本质依然是“筛选”而非“设计”。它提高了找到“命中者”的概率，但并未解决“精准瞄准”的核心问题。我们依然是在一个巨大的、随机的可能性空间里进行搜索，希望找到能与我们感兴趣的靶点结合的分子。

这种模式的弊端显而易见：

表位不可控：对于许多疾病，只有抑制靶点蛋白的特定区域才能起到治疗效果。例如，阻止病毒与宿主细胞受体结合的位点，或是一个蛋白激酶的活性口袋。传统方法很难保证产生的抗体恰好就结合在这些“黄金表位”上。

效率低下：整个流程，从免疫/建库到筛选、验证，是一个漫长而昂贵的旅程。

免疫盲点：有些重要的靶点表位在结构上与宿主自身的蛋白相似，动物的免疫系统会产生耐受，无法产生有效的抗体。这被称为免疫系统的“盲点”。

多年来，无数研究人员梦想着能摆脱这种“靠天吃饭”的模式。如果能像建筑师设计蓝图一样，事先规划好抗体的每一个细节，它的骨架结构、负责结合的区域（互补决定区，Complementarity-Determining Regions, CDRs），以及它与靶点表位的精确作用方式，那将是怎样一番景象？

AI的“创世之力”：当RFdiffusion学会了抗体的语言

研究团队所做的，正是将这个梦想照进现实。他们使用的核心工具，是一种被称为“扩散模型”(diffusion model)的深度学习算法。

你或许对扩散模型有所耳闻，近年来火爆的AI绘画工具（如Midjourney, Stable Diffusion）正是基于此。它的工作原理颇具哲学意味：先学习一个物体（比如一张猫的图片）的特征，然后不断地向这张图片添加随机的“噪声”，直到它变成一片毫无规律的雪花点。这个过程被称为“前向扩散”。接着，AI学习如何从这一片混沌的噪声中，一步步“去噪”，最终恢复出原始的、清晰的猫的图片。这个逆向过程，就是“生成”。

当AI完全掌握了从噪声到有序结构的秘诀后，它就具备了“创造”的能力。你给它一堆完全随机的噪声，它也能“脑补”并生成一张全新的、世界上从未有过的猫的图片。

研究人员巧妙地将这个思想应用到了蛋白质结构设计上。蛋白质本质上是由氨基酸链折叠成的三维结构。他们将蛋白质的结构信息（原子坐标和方向）视为一幅“3D图像”。RFdiffusion模型通过学习数以万计的真实蛋白质结构，掌握了蛋白质折叠的内在“语法规则”。

然而，通用的蛋白质设计模型并不足以胜任抗体设计这一精细任务。因为抗体的功能核心在于其CDR区，这几个高度可变的环状结构像“手指”一样，需要以极其精确的方式“抓住”抗原的特定表位。通用模型或许能设计出结构稳定的蛋白质，却无法保证这种功能性的、精密的相互作用。

为此，研究人员对RFdiffusion进行了专门的“特训”。他们收集了大量已知的抗体-抗原复合物的晶体结构数据，让模型专注于学习抗体是如何与靶点结合的。在训练中，他们给了模型几个关键的“指令”：

1. 固定框架：抗体的绝大部分结构是相对稳定的框架区(framework region)，如同导弹的弹体。研究人员将这个框架区的结构作为“条件”输入给模型，让AI在此基础上进行创作，确保生成的是一个“抗体”而不是别的什么蛋白质。

2. 指定表位：研究人员在靶点蛋白上指定了几个关键的氨基酸残基，作为“热点”(hotspot)，告诉AI：“你的任务就是设计出能够与这些点紧密互动的CDR区。”

3. 自由创作：在满足以上条件下，模型被赋予了充分的自由度，去生成全新的CDR环的构象，以及整个抗体相对于靶点的最佳结合姿态（即“停靠模式”，docking mode）。

经过这样的精细调校(fine-tuning)，RFdiffusion从一个通用的“结构画家”，进化成了一位专业的“抗体设计师”。它学会了抗体世界的语言，理解了CDR与表位之间原子级别的“对话方式”。

从“虚拟”到“现实”：AI设计的“纳米抗体”首次实战

理论的优美，终须经过实验的检验。研究团队选择了几种与人类疾病密切相关的靶点，作为AI设计师的“毕业考题”。它们包括：艰难梭菌毒素B(Clostridium difficile Toxin B, TcdB)，这是导致严重肠道感染的关键毒素；流感病毒血凝素(influenza haemagglutinin, HA)；呼吸道合胞病毒(RSV)以及新冠病毒(SARS-CoV-2)的受体结合域(RBD)。

他们首先将目光投向了一种结构更简单的抗体，骆驼科动物来源的单域抗体(VHHs)，也常被称为“纳米抗体”(nanobody)。相比于传统抗体拥有重链和轻链两条肽链（共六个CDR区），VHH仅由一条重链可变区构成（三个CDR区），设计难度相对较低，是检验模型能力的理想起点。

AI模型不负所望，针对每个靶点都生成了数千个不同的VHH设计方案。研究人员通过计算筛选后，挑选出数百到数千个最优设计，并通过基因合成技术，在酵母细胞表面展示这些AI设计的VHH蛋白，进行高通量的结合能力筛选。

结果令人振奋。这些完全由AI凭空创造的VHH，在现实世界中表现出了真实的结合活性。

针对流感病毒HA，筛选出的亲和力最高的VHH，其解离常数(Kd)达到了78 nM。这是一个相当不错的结合强度，通常认为nM级别的亲和力已具备成药潜力。

针对艰难梭菌毒素TcdB，最佳VHH的亲和力为262 nM。针对SARS-CoV-2 RBD，也找到了一个亲和力为5.5 µM的结合者。

仅仅证明“能结合”还不够，关键在于是否“按预想的方式结合”。研究人员进行了一项巧妙的竞争实验。以TcdB为例，AI设计的VHH的目标表位，是TcdB上一个已知的与人体Frizzled受体结合的区域。研究人员先将一个已知能结合该区域的、非抗体类的小蛋白分子与TcdB结合，当这个“黄金表位”被占据后，他们再加入AI设计的VHH。实验数据显示，此时VHH几乎完全无法结合TcdB。反之亦然。 这有力地证明了，AI设计的VHH确实精准地命中了预设的靶点。 针对RBD的VHH也通过类似的竞争实验，被证实结合在了正确的表位上。

这些数据清晰地表明，RFdiffusion不仅能设计出会结合的分子，更能设计出在指定位置结合的分子。AI的“设计图纸”在现实世界中得到了成功的“施工”。

“眼见为实”的震撼：冷冻电镜下的原子级精确度

如果说结合和竞争实验是令人信服的证据，那么冷冻电子显微镜(Cryo-electron microscopy, Cryo-EM)的结果，则带来了近乎“震撼”的视觉确认。Cryo-EM技术能够以近乎原子的分辨率，直接“看到”蛋白质复合物的三维结构。

研究人员成功解析了AI设计的抗流感病毒VHH(VHH_flu_01)与天然的、带有糖基化修饰的三聚体流感HA蛋白复合物的结构，分辨率高达3.0 Å。当他们将实验解析出的真实结构与AI最初的计算机设计模型进行比对时，奇迹发生了：

两者惊人地吻合！

整个VHH分子的骨架结构，实验值与设计模型的均方根偏差(Root Mean Square Deviation, RMSD)仅为1.45 Å。在蛋白质结构领域，低于2 Å的RMSD通常被认为是高度一致的。

更令人惊叹的是，负责核心结合功能的CDR3环，其RMSD值仅为0.8 Å！这意味着，AI不仅预测对了整体构象，甚至连这个最关键、最灵活区域的每一个原子的空间位置都几乎分毫不差。

设计模型中预测的与HA蛋白发生相互作用的几个关键氨基酸侧链（如V100, V101, S103, F108），在真实的结构中，也确实伸向了同样的位置，与靶点形成了预期的相互作用网络。

这幅3D图像所传递的信息是明确的：RFdiffusion的设计精度，已经达到了原子级别。它不是一个模糊的草图，而是一份可以精确到每一个螺丝钉位置的工业级蓝图。

同样，针对TcdB的VHH复合物的结构解析，虽然分辨率稍低，但也明确证实了VHH的结合位点和结合姿态与设计模型高度一致。这进一步证明了该方法的普适性和可靠性。

挑战升级：AI能否驾驭更复杂的“六手连弹”？

在VHH上取得的巨大成功，鼓舞着研究团队向更宏大的目标迈进：设计标准的、拥有重链和轻链的抗体。这好比一位钢琴家在完美演奏了单手练习曲后，开始挑战需要双手、甚至“六手”（比喻六个CDR区）协同的复杂奏鸣曲。

标准的抗体可变区(scFv或Fab)包含六个CDR环（重链三个，轻链三个），它们必须像六根配合默契的手指，共同抓住抗原。设计的复杂性呈指数级增长。任何一个CDR环的微小失误，都可能导致整个结合功能的丧失。

面对这一挑战，研究人员再次展现了他们的智慧。他们意识到，从头设计一个完美的重-轻链配对非常困难。于是，他们采取了一种“结构引导的组合策略”。

首先，AI针对同一个靶点表位，会生成许多个结构上非常相似、结合模式也几乎一样的设计方案。这些方案可以被归为同一个“结构簇”。理论上，同一个簇里的任何一个重链，都应该能和任何一个轻链很好地“兼容”。

于是，他们不再坚持合成AI设计的固定配对，而是在同一个“结构簇”内，将所有设计的重链和轻链随机组合，构建了一个“智能组合文库”。这种做法极大地增加了找到成功配对的概率，巧妙地绕过了从头设计完美配对的超高难度。

他们将这一策略应用于两个极具挑战性的靶点：一个是前面提到的TcdB的Frizzled结合位点；另一个是临床上极为重要的肿瘤靶点——由PHOX2B蛋白的一个短肽与主要组织相容性复合物(MHC)组成的复合物。后者是开发新型CAR-T疗法治疗神经母细胞瘤的关键。

实验结果再次验证了这一策略的成功。

他们从针对TcdB的智能组合文库中，筛选到了多个亲和力达到nM级别的scFv分子。其中最优秀的scFv6，亲和力高达72 nM。

更重要的是，对scFv6与TcdB复合物的Cryo-EM结构解析，再次上演了原子级精确度的“神话”。分辨率3.6 Å的结构显示，这个由两条链、六个CDR组成的复杂分子，其真实的结合模式与AI的设计蓝图（由两个不同的亲本设计拼接而成）完美贴合，整体RMSD仅为0.9 Å。

六个CDR环的骨架，每一个都达到了惊人的准确度，RMSD值在0.2 Å到1.1 Å之间。这表明，RFdiffusion已经具备了同时精确设计多个相互作用环的能力。这是抗体设计领域前所未有的成就。

至此，研究人员已经证明，他们的AI设计平台，无论是面对简单的VHH，还是复杂的scFv，都能够实现从零开始、针对特定表位的、原子级精度的设计。

诚实的“短板”与聪明的“外挂”：从“能用”到“好用”的进化之路

任何一项突破性的技术在诞生之初，都不可能完美无瑕。该研究最可贵的地方之一，在于它不仅展示了惊人的成功，也坦诚地指出了当前的局限，并提出了巧妙的解决方案。

短板一：初始亲和力有待提高。 尽管AI设计的抗体能精准结合，但部分设计的初始亲和力还不够高（例如，一些设计在µM级别），离临床应用的要求还有距离。

对此，研究人员引入了一个强大的“外挂”工具，OrthoRep系统。这是一个巧妙的基因定向进化系统。他们将AI设计的VHH基因置于这个系统中，该系统使用一种“粗心”的DNA聚合酶，在酵母细胞内持续地、高速地引入随机突变，并结合酵母展示技术，不断筛选出亲和力更高的后代。

结果非常理想。经过OrthoRep的“催熟”，AI设计的VHH的亲和力普遍提升了约两个数量级（100倍），轻松进入了高亲和力的单、双位数nM范围，完全满足了后续成药开发的需求。更重要的是，后续的结构分析证实，这种亲和力的成熟过程，并未改变抗体最初设计的结合模式。这形成了一个完美的“组合拳”：AI负责精准的“骨架设计”，定向进化负责高效的“性能优化”。

短板二：实验成功率依然偏低。 另一个现实问题是，尽管AI能生成大量设计，但最终通过实验验证能够成功结合的比例并不高（在0%到2%之间）。这意味着研究人员仍需通过高通量筛选，才能从大量“理论可行”的设计中找到“实际有效”的分子。

如何提高这个成功率？关键在于找到一个更强大的“过滤器”，在实验开始前，就从计算机层面更准确地预测哪些设计最有可能成功。

研究人员回顾他们的工作时，一个更新、更强大的AI工具，AlphaFold3，恰好发布了。AlphaFold3在预测蛋白质相互作用方面展现出了比其前代更强的能力。于是，他们进行了一项“事后诸葛亮”式的回溯性分析：用AlphaFold3去评估他们之前所有的VHH设计。

分析结果提供了一条清晰的前进道路。AlphaFold3对每个设计给出了一个界面预测模板建模评分(ipTM score)，这个分数可以衡量其对复合物结构预测的置信度。研究人员发现，那些实验成功的VHH设计，其AlphaFold3的ipTM分数普遍显著高于失败的设计。他们绘制的受试者工作特征曲线(ROC curve)显示，曲线下面积(AUC)高达0.86，表明ipTM分数是一个非常有效的预测指标。

这意味着什么？如果在未来的研究中，研究人员在合成基因之前，先用AlphaFold3对RFdiffusion生成的设计进行一轮“虚拟筛选”，只挑选那些ipTM分数高的候选者，那么实验的成功率将有望得到数倍甚至数十倍的提升。

钥匙已被铸造，但门后的世界仍需探索

这项发表在《自然》上的研究，无疑是计算结构生物学和抗体工程领域的一座里程碑。它系统性地构建并验证了一个前所未有的工作流程，使得依据特定功能需求、从原子层面“理性设计”抗体成为可能。

这把由AI铸造的“钥匙”，为我们打开了一扇通往全新世界的大门。门后的景象，充满了无限的可能性：

速度与成本的革命：传统的抗体发现动辄耗时数年，而计算设计和验证的周期可以被缩短到几个月甚至几周。这将极大地加速新药研发的进程，降低失败风险和研发成本。

攻克“不可成药”靶点：对于那些传统免疫方法难以产生抗体的“免疫盲点”表位，或者病毒上那些为了逃逸免疫而高度保守、但免疫原性不强的关键位点，AI设计提供了一种全新的解决方案。我们可以直接绕过免疫系统的限制，针对这些“软肋”设计武器。

功能的精细定制：除了结合，抗体的功能还包括激活或抑制信号通路、诱导构象变化等。基于结构的精准设计，让我们有能力去创造具有特定调控功能的抗体，而不仅仅是简单的“阻断剂”。

优化成药性：在设计的初始阶段，就可以将溶解度、稳定性、免疫原性等“成药性”相关的参数考虑进去，从源头上避免后续开发中可能出现的种种问题。

当然，我们也要清醒地认识到，这把钥匙刚刚铸成，我们对门后世界的探索才刚刚开始。目前的成功率仍需提升，亲和力的从头设计能力也有待加强，如何让AI设计的CDR序列更接近于人类自身的序列以降低免疫原性，这些都是未来需要解决的重要课题。

但无论如何，一个全新的时代已经拉开序幕。过去，我们是自然的“学徒”，努力模仿和筛选免疫系统的杰作。而今天，借助AI的强大能力，我们正逐渐成为“设计师”，开始用自己的智慧和语言，创造出自然界中或许从未存在过的、为解决特定问题而生的生命分子。从一个原子开始，一个由理性设计主导的精准医疗新纪元，正向我们走来。

参考文献

Bennett NR, Watson JL, Ragotte RJ, Borst AJ, See DL, Weidle C, Biswas R, Yu Y, Shrock EL, Ault R, Leung PJY, Huang B, Goreshnik I, Tam J, Carr KD, Singer B, Criswell C, Wicky BIM, Vafeados D, Garcia Sanchez M, Kim HM, Vázquez Torres S, Chan S, Sun SM, Spear TT, Sun Y, O'Reilly K, Maris JM, Sgourakis NG, Melnyk RA, Liu CC, Baker D. Atomically accurate de novo design of antibodies with RFdiffusion. Nature. 2025 Nov 5. doi: 10.1038/s41586-025-09721-5. Epub ahead of print. PMID: 41193805.