广州实验室学术交流回顾，王天元博士分享 AI 抗体设计研发实践

如何获得能识别目标表位的候选抗体，一直是抗体研发中的关键环节。 王天元博士在报告中介绍了团队持续探索的方向：直接围绕目标表位，用 AI 生成候选抗体。 目前，该方法已应用于细胞因子受体、ADC 靶点等多个研发项目，完成了从计算设计到分子结合验证、细胞功能验证的完整研发流程，形成了计算设计与实验验证相结合的研发闭环。

报告中分享了两个抗体工程优化的项目案例。 其中，一个案例围绕 GPCR 激动型纳米抗体展开，通过 AI 优化提升了抗体活性；另一个案例则针对 CAR-T 抗体，提高了抗体对突变体的特异性结合能力，为改善治疗窗口提供了新的思路。

谈及 AI 抗体设计的发展现状，王天元博士表示，当前制约 AI 抗体从头设计进一步发展的核心挑战，仍然是高质量数据的不足，而这也直接影响了模型的泛化能力。 相比普通蛋白，抗体结构预测更加复杂，高质量抗原—抗体复合物结构数据获取难度大、成本高，这也使得模型能够学习到的有效数据相对有限，进而影响设计成功率。 围绕这一挑战，科迈生物正通过高通量、低成本的数据获取技术，持续构建抗体序列与抗原表位（Patch）的配对数据集，计划在未来两年内积累数百万对高质量 Patch–Sequence 数据，不断优化模型能力，实现AI抗体从头设计成功率的大幅提升。