AI設計抗體跨過一個實驗門檻，真正考題才剛開始

抗體藥物的起點，常是一場漫長的尋找：研究人員要在龐大的分子空間裡，找到一個能貼上疾病相關蛋白、又不亂貼其他目標的分子。Chai Discovery與合作者在Nature發表的Chai-2，試圖把這一步往前推：不是從既有抗體慢慢改造，而是讓AI針對指定表位，直接設計可能結合的新抗體。

這項工作的核心用例很具體。研究者給定蛋白質上的目標區域，也就是抗體希望辨識的表位，模型便生成scFv抗體、VHH奈米抗體或小型蛋白結合分子等候選設計。若能成立，它可縮短早期抗體發現流程，尤其對缺乏既有抗體模板、傳統篩選成本較高的標的更有吸引力。

Nature論文摘要顯示，團隊對100個目標進行設計後，報告了約16%的單輪抗體命中率，並包含對52個新標的的實驗驗證。Chai Discovery在後續公告中補充，這52個多樣化蛋白目標在SAbDab資料庫中缺少既有抗體結合物；每個目標最多測試20個抗體或奈米抗體設計，其中約半數目標至少找到一個結合分子。這些數字不等於臨床成功率，卻讓「從模型輸出到濕實驗結合」不再只是示意圖上的流程。

更關鍵的是，抗體不是只要能結合就夠。公司資料稱，部分命中分子進一步呈現穩定、具特異性且非多反應性的特徵；這些性質對藥物開發很重要，因為容易聚集、亂結合或表現不佳的分子，往往在進入動物或人體試驗前就被淘汰。不過，這些描述仍是早期性質評估，與藥物候選物所需的藥效、毒理、免疫原性和可製造性之間，還有相當距離。

Chai-2也不只押注抗體。公司同一公告指出，模型在小型蛋白結合分子設計上有68%的濕實驗命中率；但這一數字來自不同分子類型與任務，不能直接拿來推論抗體藥物的成功機率。對生醫AI而言，這類區分很重要：模型在某一類蛋白設計上表現亮眼，並不自動代表它能處理所有治療標的、所有結合模式，或所有製程限制。

這篇論文的分量在於它經過同儕審查，並有實驗資料支撐；它的限制也同樣清楚。公開資訊仍不足以判斷每個標的的難度分布、失敗案例的結構原因，以及命中分子在親和力成熟、細胞功能測試與體內模型中的表現。若未來要走向治療抗體，監管與產業端會要求的不只是「AI設計可結合」，而是可重現的設計規則、可追溯的資料來源、嚴格的品質控制，以及能與現有藥物開發標準相容的證據鏈。

在AI製藥敘事常被講得過快的時候，Chai-2提供了一個較可檢驗的節點：模型設計的分子，已經在實驗室裡碰到真實蛋白並產生命中。但抗體藥物的道路向來不寬，早期命中只是入口。真正會改變研發現場的，不是一次漂亮的命中率，而是這種方法能否在更多標的、更多實驗室和更接近臨床的條件下，穩定交出可開發的分子。