首页
>
资讯
>
AI 已开始设计抗体药物，但“从头设计”尚待时日
出自识林
AI 已开始设计抗体药物，但“从头设计”尚待时日
2026-01-09
AI 药物设计是近年来药物创新热点领域，在2026新年前后多家AI新药公司获得大药企和资本青睐之时，STAT发布了一篇题为《AI终于开始设计抗体药物，但何时才能革新生物医药产业？》（AI has finally started making drug-like antibodies. When will it revolutionize biopharma?）的观点文章。文章不仅回顾了近来AI药物创新实践，还对其前景提出了谨慎务实的洞见，现编译主要内容如下，供参考。不代表识林观点。
到底什么才算“AI设计”？
行业对于“AI设计”的定义及其成熟度仍存在分歧。文中指出目前抗体与蛋白AI研究者 主要分为两派观点。
一派认为，若AI完成抗体基础序列设计，再由科学家进行后续优化以获得临床候选分子，即可视为“AI设计”。2025年内已有多家初创公司宣称已开发出可直接进入临床的抗体，AI生物技术公司也获得了更高估值。另一派则设定了更高标准，主张真正的“AI设计”抗体应能直接从计算机进入临床试验 ，无需任何实验室工作。
另一类务实的声音是，行业应关注的不是“从头设计”的概念争论，而是AI如何加速和增强现有领域，并将AI辅助工作流程整合到适用的环节中。AI 的价值应体现在筛选蛋白质组学和基因组学数据、协助决策多特异性抗体的最佳靶点配对等方面。
2025年抗体AI模型的关键突破与实例
2024年，诺奖得主David Baker的实验室首次证明可以利用AI从头设计抗体并使其与预定靶点结合。到了2025年，这已成为近乎常规的操作。
仅在2025年第四季度就有多项重要进展发布：
麻省理工学院（MIT）研究团队发布了BoltzGen模型，该模型能为任何生物分子靶点生成蛋白质结合剂。
Nabla Bio发布了JAM-2模型，并宣称这是“首个能够直接从计算机生成抗体药物的AI模型”。
初创公司Chai Discovery发布报告，评估其今年早些发布的Chai-2模型在生成类药抗体方面的表现。数周后，Chai完成了1.3亿美元的B轮融资，估值达到13亿美元。
由AlphaFold前成员创立的Latent Labs公司推出新模型，可设计出更不易被人体排斥的抗体。
其中，Nabla Bio与阿斯利康、百时美施贵宝及武田等制药企业建立了合作，承诺在3个月内交付候选药物。传统方法通常需要9至18个月。武田已于10月与Nabla签署了第二项潜在价值超10亿美元的药物开发协议。
但如果把目光转向那些被推进至临床阶段的AI设计分子，其技术路径仍多依赖于对现有抗体的优化而非从头设计。例如，Aulos Bioscience在2023年底声称率先将AI设计的抗体推进临床试验，但其技术合作伙伴Biolojic Design仅使用AI对现有抗体提供突变建议。Generate: Biomedicines于2025年12月宣布其针对严重哮喘的抗体进入三期临床试验 。该分子是已获FDA批准药物的优化版本，公司发言人称其开发时间较传统方法缩短约一半。
“AI设计”仍需自证真正价值
AI设计分子的亮眼案例似乎不少，但仍待临床数据 检验才能真正取信于业界。David Baker就质疑，尽管企业发布的专有模型数据在某些指标（如命中率）上优于其实验室的开源模型结果，但由于模型方法细节未完全公开，难以评估这些模型在压力测试下的真实表现。默克全球研发负责人David Weinreich也强调了数据可重复性。他认为在缺乏完整序列和计算方法细节的情况下，难以对披露的数据进行确证评估。
另一个关键限制在于数据缺乏。约翰斯·霍普金斯大学研究人员在2025年12月底发布的一项预印本研究证实了当前模型的局限。该研究指出，包括Baker实验室、Chai Discovery、Profluent及EvolutionaryScale等在内的所有蛋白质AI模型，“尚无法稳定预测”将先导化合物开发成药物所需的关键特性，如抗体的热稳定性、靶点结合强度、体内半衰期 及免疫原性 。研究认为，主要问题在于缺乏用于训练和测试模型的足够数据，尤其是具有不良特性的候选药物的数据点。
就算技术公司解决了上述问题，除非能证明AI方法相比传统技术具有更低的失败风险，否则其加速优势可能被潜在的高风险抵消。有业界人士称如果已知AI设计抗体被人体排斥的风险高出25%，则此风险将远超其效率收益，而目前这一风险水平未知。
武田科学家表示，未来五年，从头设计方法将稳步增长，但在近期内完全转向纯AI 设计、放弃湿实验室（wet-lab）方法可能性较低。当前阶段，AI更可能在某些特定应用场景中展现优势，而非全面替代实验室测试。
识林-梓
识林® 版权所有，未经许可不得转载
