AI能設計超強抗體，卻未必挑得出好抗體：511件盲測揭開真實能力

抗體生成模型可以提出成千上萬條漂亮的胺基酸序列，但真正攸關藥物開發的問題，是其中有多少能在實驗室裡牢牢結合標的，同時保持穩定、低聚集與可製造性。《Nature Biotechnology》公布的一場前瞻性盲測，首次以大規模、統一的實驗流程檢驗這項落差：AI已能在特定條件下交出極強抗體，卻還不是一部適用所有環節的抗體發現機器。

AIntibody挑戰共收到29個學術、製藥、生技與科技組織提交的511件設計或預測。參賽者處理三類工作：依既有篩選資料改善抗體親和力、從具有相似重鏈CDR3的候選群中找出最佳序列，以及設計未出現在原始資料庫中的新CDR組合。首屆測試使用SARS-CoV-2棘蛋白受體結合區作為抗原，所有候選序列隨後製成完整IgG，而非只留在電腦評分階段。

結果最亮眼之處出現在「親和力成熟」：若模型取得品質較高、接近實際開發流程的定序資料，便能有效改造既有抗體。Aureka的AuraBind方法在這項任務勝出；整體而言，數個團隊做出解離常數低於100皮莫耳、且通過開發性門檻的抗體。這表示AI已有機會縮小需要合成與測試的候選範圍，協助研究人員更快找到值得推進的變體。

但到了「從候選群中挑出最好的一個」，優勢迅速消退。除華盛頓大學團隊的一套方法外，其餘AI策略找出高親和力抗體的表現都不及隨機抽取；全體AI提交中，只有9.8%至13.8%優於各群的對照序列，隨機挑選則有39%。而且同一套得獎方法換到另一個序列群或任務後，通常無法維持成績。

走出既有序列庫的設計更呈兩極。Xencor的方法產生親和力達2.9皮莫耳的競賽冠軍，但研究團隊指出，這個序列帶有可能使其無法成為臨床候選物的重大缺陷。此任務約30.4%的提交完全不結合抗原，另有16%雖能結合卻未通過開發性評估；最好的少數設計與大量失敗序列並存，顯示峰值紀錄不能代表一套平台的穩定產出能力。

這場盲測不只量測結合強度。研究人員以表面電漿共振與KinExA確認親和力和排序，並檢查疏水性、自我交互作用、多反應性、熔解溫度及聚集溫度。這些指標反映抗體是否可能在製造、儲存或人體使用時出問題，也說明為何「黏得最緊」不等於「最適合成藥」。Aureka與Xencor等得獎團隊亦公開相關程式碼或模型材料，為後續方法比較提供可檢視的基礎。

研究的邊界同樣清楚：所有任務只圍繞一種已有大量結構與序列資料的抗原，所提供的資料甚至比一般發現流程同階段更豐富；主辦聯盟也參與結果發表，盲測主要仰賴組織程序，而非完全獨立的資訊隔離。因此，這些成績較像是目前技術在有利條件下的能力上限。AI抗體設計已找到可用位置，但要成為可靠的通用工具，仍需跨抗原、跨資料環境的重複盲測，以及更大量且多樣的實驗親和力與開發性資料。