生物科技 · global
AI能設計強效結合抗體,為何挑選最佳序列仍輸給隨機?
29個組織、511項抗體提交接受盲測,展現AI優化抗體的實力,也揭露精細排序的弱點:做出亮眼候選分子,與可靠地選出更好的抗體,是兩道不同的考題。
讓抗體牢牢抓住標的,是藥物研發的重要起點;若能提前從大量序列中挑出好手,便有機會減少合成與測試的成本。然而,國際AIntibody挑戰賽顯示,AI可以交出結合能力出色的抗體,卻未必能準確辨別相近序列之間的高下。這項實驗基準把「能設計」與「會挑選」之間的落差,攤在同一張成績單上。
負責製備抗體的GENEWIZ於11月11日介紹測試流程;完整研究已於8月19日刊登於《Nature Biotechnology》。挑戰賽共測試29個組織提交的511項抗體,參賽者須在實驗前確定序列,再由統一製備流程及不知道參賽者身分的實驗人員進行評估。官方網站也強調,各項任務的成功並未穩定延續到其他任務。
測試標的是SARS-CoV-2的受體結合區域。據參賽公司Cradle說明,團隊取得酵母展示篩選的定序資料,以及142支抗體的已測親和力。三項任務分別要求改良既有抗體、從序列群中挑選結合最強的抗體,以及設計資料庫以外的新抗體結合區域;最後一項仍以既有資料為起點,並固定抗體骨架,不能視為毫無線索的從零設計。
成果確實包含亮點。GENEWIZ指出,多個團隊產生親和力低於100皮莫耳濃度(pM)、且符合本次可開發性條件的抗體;這裡的親和力以解離常數衡量,數值越低,通常代表結合越緊。Cradle則報告,其最佳設計達8.69 pM,並通過相關門檻。不過,該公司也承認,模型對同一序列群內候選者的預測分數十分接近,難以解析實驗上實際存在的差距。
這正是排序任務暴露的問題。研究要求團隊從三個依抗體重鏈第三互補決定區(HCDR3)分組的序列群中找出更佳候選者;整體比較下,只有一個團隊的方法超越隨機挑選基準,而且優勢也未涵蓋全部序列群。這不表示其他模型完全找不到能結合標的的抗體,而是當起始資料已有許多可結合序列時,模型未能可靠地挑出更好的那些。
評分方式同樣影響如何理解成果。Cradle主張,應更清楚界定排名指標,並改善可開發性評估,避免單一最佳分子的表現掩蓋整批設計的差異。抗體結合得緊之外,還須考慮穩定性、聚集及非專一性結合等性質;通過一組早期篩選條件,並不等於已證明適合製造成藥物,更不能據此推論人體療效與安全性。
這場挑戰賽較有力的訊息,是AI在資料充足、範圍明確的抗體工程任務中已有實用潛力,但設計新序列、預測細微差異與兼顧多項性質,仍是不同能力。由於測試集中於單一抗原及固定資料條件,結果也不足以概括其他疾病標的,或會反覆加入新實驗資料的研發流程。對準備採用這類工具的團隊而言,關鍵仍是看它能否在實際任務中,持續超越簡單而可靠的實驗基準。