AI設計的迷你蛋白能辨識癌細胞，真正考驗卻在接上CAR之後

AI可以在電腦裡畫出緊扣癌細胞標記的蛋白質，但從「看似吻合」走到「能在免疫細胞上工作」，中間仍隔著一道實驗鴻溝。《Nature Communications》刊登的一項研究建立可規模化的設計與篩選流程，並以三種癌症相關表面蛋白測試：PD-L1、CD276（B7-H3）及VTCN1（B7-H4）。結果顯示，AI設計的迷你結合蛋白不只需要抓得住目標，還得具備適合實際應用的生化性質。

團隊先以RFdiffusion生成蛋白骨架，再設計胺基酸序列、預測結合結構，從數以萬計的電腦候選中挑出由70至88個胺基酸組成的迷你蛋白。接著，研究人員讓哺乳類細胞或噬菌體展示這些候選物，利用流式細胞術、次世代定序與表面電漿共振逐步確認結合能力，而不是把模型分數直接當成答案。

三個看似相近的B7家族標靶，設計難度卻相差甚遠。首輪哺乳類細胞篩選中，PD-L1陽性結合族群約占2.4%，CD276與VTCN1均低於1%；擴大設計庫後，團隊才找到更多CD276及少數VTCN1候選。17個接受個別驗證的PD-L1迷你蛋白中，有15個能結合人類PD-L1，其中三個經測量的解離常數約為2至230奈莫耳，顯示部分候選具有相當高的親和力。

研究也檢驗電腦評分是否真能預告實驗成敗。以ESM嵌入資訊運算的Chai-1介面預測分數，與實際結合結果的關聯表現最好，並能辨識若干破壞結合介面的突變；不過，各模型間差距有限，VTCN1的有效樣本又太少，尚不足以把單一分數視為可靠的通用篩選門檻。

迷你蛋白可進一步組成四價螢光試劑。針對PD-L1的版本，在部分癌細胞株中能偵測內生性蛋白，染色強度與型態接近傳統抗體；但CD276試劑對自然表現量的訊號微弱，VTCN1版本也出現明顯背景。這組對照指出，同一套設計流程跨到不同標靶時，靈敏度與專一性不能照單全收。

更關鍵的考驗出現在CAR-T。部分高親和力迷你蛋白接上嵌合抗原受體後，無法良好呈現在T細胞表面，功能也隨之受限。團隊因此保留CD276結合介面，改寫參考迷你蛋白HM9其他位置的序列；等電點落在約6.5至8.5的變體，通常有較好的表面呈現。這些優化CAR-T面對自然表現CD276的A375黑色素瘤細胞時，產生較強的干擾素γ與腫瘤壞死因子α反應，並提高體外殺傷，同時對CD276剔除細胞大致維持低反應。

這仍是早期方法學成果，而非可直接進入臨床的療法。研究沒有進行動物體內驗證，也尚未回答人工蛋白的免疫原性、CAR-T持久性及「命中標靶但傷及正常組織」的風險；CD276本身也存在於腫瘤血管等非癌細胞環境。研究最實際的訊息因此不是AI已能自動交付治療分子，而是設計、實驗篩選與功能優化必須連成一條管線：抓得緊，只是起點。