贝叔认为，AI重塑药物研发，最大的挑战是对新药的“品味”。本文尝试以“药物研发专家”的视角，总结ADC药物研发四个核心环节的标准、交付物、工作内容以及AI带来的革命性变革，能够为希望了解AI制药的同学们共同学习进步。

一、靶点发现和验证

1. 药物研发专家采用的标准
在筛选ADC靶点时，需要确保靶点的成药性与安全性，其中遵循一套严格的多维度标准，核心指标包括：

• 表达特异性：靶点应在肿瘤细胞表面高表达，而在关键正常组织（尤其是生命必需器官）中低表达或不表达，以最大程度降低脱靶毒性。
• 高效内化能力：靶点必须能高效介导抗体-抗原复合物的细胞内吞，这是ADC递送细胞毒性载荷至细胞内的前提。
• 膜定位与可及性：靶点必须是位于细胞膜上、具有细胞外结构域的跨膜蛋白或GPI锚定蛋白，确保全身给药后抗体能够有效结合。
• 非分泌性：理想的靶抗原应为非分泌性，以避免ADC与循环中的游离抗原结合，干扰对肿瘤细胞的定位。
• 临床与生物学相关性：靶点最好参与肿瘤的生长、存活或转移等关键生物学过程，并有潜在的伴随诊断或生物标志物支持。

2. 药物研发专家的交付
核心交付物是一个经过初步验证的、优先级的靶点清单，并附有详细的靶点特征报告。报告内容涵盖：

• 靶点的基因/蛋白表达谱（肿瘤vs正常）
• 膜拓扑结构分析
• 内化效率初步数据
• 基于文献和数据库的生物学功能与临床关联性分析
• 竞品分析

3. 药物研发专家要做的工作
专家的工作是一个多组学整合与实验验证的循环过程：

• 数据挖掘与假设生成：利用基因组学（拷贝数变异、融合基因）、转录组学（RNA-seq、单细胞测序）、蛋白质组学（质谱）数据，筛选差异表达分子。
• 靶点验证实验：通过免疫组化（IHC）、流式细胞术验证蛋白水平的表达特异性；构建过表达细胞系，验证抗体内化效率；利用基因敲除/敲低技术验证靶点的功能重要性；利用单细胞测序、空间转录组等新技术高通量筛选表达特异的基因。
• 成药性评估：评估靶点的可药性、交叉物种反应性（为临床前毒理研究做准备）、知识产权状况、竞品研究进展。

4. AI重塑靶点发现
AI将靶点发现从“大海捞针”转变为“精准锁定”。它通过整合海量、多维度的生物医学数据，系统性地预测和评估潜在靶点。

• 多组学整合分析：AI模型（如图神经网络、知识图谱、NLP自然语言处理）能够同时分析基因组、转录组、蛋白质组和表观基因组数据，发现传统方法难以识别的潜在靶点。例如，有AI平台已成功筛选出包括HER2、NECTIN4在内的82个潜在靶点，并预测CDK20作为肝癌新靶点。
• 空间与单细胞解析：结合单细胞测序和空间转录组数据，AI可以揭示肿瘤微环境中的靶点表达异质性，为针对特定细胞亚群的“精准靶向”提供空间依据。
• 成像和结构数据解析：显微/流式/高内涵成像数据，通过CNN卷积神经网络/深度分割、以及监督学习回归等，解析靶点内化效率。

5. AI的数据、模型、验证循环
AI驱动的靶点发现遵循“数据-模型-验证”的闭环迭代：

• 数据输入：输入包括公共数据库（如TCGA）、公司内部多组学数据、科学文献（经NLP提取）和高通量筛选数据。
• 模型构建与预测：使用深度学习模型（如Transformer、GNN）从数据中学习复杂模式，输出靶点优先级排序及其相关的功能预测（如内化倾向、预后关联）。
• 湿实验验证与反馈：AI预测的顶级靶点进入实验验证流程（如上述专家工作）。验证结果（阳性或阴性）反馈至AI系统，用于优化和重新训练模型，形成持续改进的智能循环。

二、抗体发现和抗体工程

1. 药物研发专家采用的标准
针对选定的靶点，专家筛选或设计抗体时需平衡多项关键属性：

• 高特异性与亲和力：抗体应特异性结合靶抗原，且具有适宜的亲和力（KD值通常在nM级别）。需注意避免“亲和力陷阱”。
• 高效内化：抗体在结合抗原后应能高效驱动内吞作用。
• 低免疫原性：首选人源化或全人源抗体序列，以降低抗药物抗体（ADA）的风险。
• 良好的可开发性：抗体应具备良好的理化稳定性（低聚集倾向、高溶解度）、高产率表达能力和理想的药代动力学特性（如长半衰期）。
• Fc效应功能考量：根据设计策略，选择保留ADCC/ADCP等效应功能，或采用“Fc沉默”突变以减少非预期的免疫激活和毒性。

2. 药物研发专家的交付
此阶段的核心交付物是一个或多个先导抗体分子。交付包应包括抗体序列及重组表达蛋白以外，还包括详细的特性表征报告：

• 亲和力
• 特异性
• 内化效率
• 交叉反应性
• 初步稳定性数据
• 以及体外功能验证数据，如基于细胞的内化与杀伤实验。

3. 药物研发专家要做的工作
工作涵盖从抗体生成到工程化优化的全过程：

• 抗体生成：采用杂交瘤技术、噬菌体展示、B细胞克隆等技术平台获得初始抗体。
• 表征与筛选：利用SPR（表面等离子共振）、BLI（生物层干涉）等技术测定结合动力学与亲和力；通过荧光标记和流式细胞术或高内涵成像评估内化效率；进行交叉反应性和物种反应性测试。
• 抗体工程化：对抗体进行人源化、亲和力成熟、稳定性优化。引入特定突变以实现pH依赖性结合（促进溶酶体内解离）、调节Fc效应功能或引入定点偶联位点（如工程化半胱氨酸）。
• 可开发性评估：早期预测和评估抗体的聚集倾向、粘度、表达量等，降低后期开发风险。

4. AI重塑抗体发现和抗体工程
AI正在将抗体工程从一门“经验艺术”转变为可预测、可设计的“精准科学”。

• 结构预测与优化：AlphaFold3、DeepAb等工具能高精度预测抗体及其与抗原的复合物结构，为理性设计奠定基础。生成式模型（如IgLM、IgDiff）可用于从头设计抗体序列或对CDR区进行多样化设计，以优化亲和力、稳定性等特性。
• 亲和力与特性预测：基于序列和/或结构数据，机器学习模型能够预测抗体的亲和力、溶解度、聚集倾向等关键开发属性，实现早期虚拟筛选。
• 表位与互补位预测：AI模型（如EquiPocket）可预测抗原上的可成药表位以及抗体上的互补位，指导设计具有所需结合特性的抗体。

5. AI的数据、模型、验证循环

• 数据输入：抗体序列数据库、抗体-抗原复合物结构数据库（PDB）、高通量筛选数据（亲和力、表达量、稳定性）以及表位图谱数据。
• 模型构建与设计：使用蛋白质语言模型、图神经网络（GNN）、扩散模型等，学习抗体序列-结构-功能之间的映射关系，进而生成或优化抗体序列。
• 湿实验验证与反馈：AI设计的抗体序列被合成、表达并接受全面的体外表征。实验数据（如实测亲和力、内化效率、表达滴度）回流至AI平台，用于迭代改进生成和预测模型。通过AI设计能够最小化湿实验验证。

三、Linker与载荷协同设计

1. 药物研发专家采用的标准
Linker和Payload的设计需要在“效力”与“安全”之间取得精妙平衡，标准极为严苛：

• Payload（载荷）：须具有极高的细胞毒性（IC50在pM-nM级别），以克服低靶点表达和内化效率损失带来的挑战；具备适当的作用机制（如微管抑制剂、DNA损伤剂），并与肿瘤类型匹配；最好能产生旁观者效应以杀伤邻近抗原阴性细胞，但需控制其扩散范围以避免毒性；其化学结构需留有可与Linker连接的官能团。
• Linker（连接子）：在血液循环中必须高度稳定，防止payload过早释放导致全身毒性；在细胞内特定环境（如低pH、特定酶、还原环境）下能高效释放payload；其亲疏水性需与抗体和payload匹配，以避免ADC分子聚集；偶联化学应高效、特异，且最好能实现定点偶联以控制药物抗体比（DAR）的均一性。

2. 药物研发专家的交付
交付物是优化后的Linker-Payload组合及与之配套的偶联工艺草案。具体包括：Payload和Linker的化学结构、合成路线、理化性质数据；偶联后ADC的关键质量属性（CQA）分析报告，如DAR值分布、聚集态分析、游离毒素含量；以及体外功能验证数据，证明其在血浆中的稳定性和在靶细胞内的有效释放与杀伤。

3. 药物研发专家要做的工作
这是化学与生物学深度交叉的领域：

• Payload库构建与筛选：建立或获取包含不同作用机制（MMAE， DM1， SN-38， PBD等）的细胞毒性化合物库，通过体外细胞毒性试验进行筛选。
• Linker设计与合成：设计可切割（肽链、葡萄糖醛酸、二硫键等）或不可切割的Linker，并合成一系列衍生物以调节其稳定性、亲水性和释放特性。
• 偶联工艺开发：开发并优化将Linker-Payload偶联至抗体的化学反应条件（随机偶联或定点偶联），力求获得高收率、高均一性的ADC产物。
• 体外稳定性与释放测试：在血浆、缓冲液等体系中测试ADC的稳定性；在模拟细胞内环境（如含有特定酶的溶酶体提取物）中测试payload的释放效率。

4. AI重塑Linker与载荷协同设计
AI能够处理复杂的化学空间，实现多目标协同优化，极大加速了这一过程。

• Payload的生成与优化：生成式AI模型（如MolGPT、基于Transformer的化学模型）可以根据所需特性（毒性、作用靶点、溶解度）从头设计新型payload分子。图神经网络（GNN）可用于对现有payload进行骨架跃迁和官能团优化。
• Linker的智能化设计：结合强化学习和量子化学计算，AI可以优化Linker的化学结构，以平衡血浆稳定性与细胞内酶切效率。多目标优化框架能同时优化Linker的多个属性，如连接位点反应性、酶切速率、亲水性等。
• 协同设计与虚拟筛选：AI模型能够预测特定Linker-Payload组合与抗体偶联后的整体性质（如聚集倾向、血浆稳定性），从而实现三者的协同虚拟筛选与优化。例如，英矽智能的Pharma.AI平台可用于设计结构新颖、选择性强的创新payload-linker组合。
• 新型偶联策略探索：AI有助于设计更复杂的下一代ADC，如双特异性ADC、抗体-PROTAC偶联物等，通过建模预测双靶点结合模式或蛋白降解效率。

5. AI的数据、模型、验证循环

• 数据输入：小分子化学结构数据库（如ChEMBL）、化合物活性与毒性数据、化学反应数据、ADC体外稳定性与效力数据集。
• 模型构建与生成：使用生成对抗网络（GAN）、变分自编码器（VAE）、扩散模型等生成化学结构；利用图神经网络和强化学习进行分子优化和性质预测。
• 化学合成与实验验证：AI设计的分子由化学家合成，并进行体外活性、稳定性测试。实验结果反馈至AI系统，形成“设计-合成-测试-学习”的闭环，不断优化AI的化学设计能力。

四、ADMET验证与PCC（临床前候选分子）

1. 药物研发专家采用的标准
在提名PCC前，需要对完整ADC分子进行全面的临床前评估，标准覆盖药效、药代、安全性和可生产性：

• 药效学（PD）：在体外需证明对靶点阳性细胞的特异性杀伤，并评估旁观者效应；在体内（CDX/PDX模型）需展示显著的抗肿瘤活性，且剂量反应关系明确。
• 药代动力学（PK）：需表征完整ADC、裸抗体和游离payload在血浆和组织中的暴露量、清除率、半衰期及分布特征，证明其具有理想的靶向递送和体内稳定性。
• 毒理学（Tox）：在相关动物模型（通常为啮齿类和非人灵长类）中评估安全性，确定最大耐受剂量（MTD）和无毒性效应剂量（NOAEL）。重点关注payload驱动的毒性（如骨髓抑制、肝毒性、神经毒性）以及潜在的脱靶毒性。
• 免疫原性：评估ADC在动物体内诱发免疫反应的风险。
• CMC可行性：候选分子应具备可放大生产的潜力，其关键质量属性（CQA，如DAR、纯度、聚集物）可控、可测，且工艺相对稳健。

2. 药物研发专家的交付
此阶段的终极交付物是一个被提名的临床前候选分子（PCC），并附带一份完整的PCC申报包。该包包含：ADC候选分子的全部化学与生物学信息；全面的临床前研究报告，汇总所有体外/体内药效、PK、毒理数据；初步的CMC方案和分析检测方法；以及基于所有数据提出的首次人体试验（FIH）起始剂量建议。

3. 药物研发专家要做的工作
这是将分子推向临床的关键冲刺阶段，工作高度集成：

• 体外/体内药效验证：使用更复杂的体外模型（如3D细胞球、共培养模型）和更具预测性的体内模型（PDX模型）验证疗效。
• PK/PD研究：建立灵敏的检测方法（如ELISA测完整ADC，LC-MS/MS测游离payload），在药效学模型中同步进行PK采样，建立暴露-效应关系。
• GLP毒理学研究：委托进行符合GLP规范的重复给药毒性研究、毒代动力学研究，并可能包括安全药理学、生殖毒性等专项研究。
• 免疫原性评估：在毒理研究中监测抗药物抗体（ADA）的产生。
• CMC开发：着手开发ADC的细胞培养、纯化、偶联、制剂等生产工艺，并建立相应的质量控制策略。

4. AI重塑ADMET预测与PCC筛选
AI通过构建更精准的预测模型，将部分复杂的体内实验“前置”，提高PCC提名成功率，降低后期失败风险。

• PK/PD与毒性预测：利用图神经网络等模型，整合ADC的化学结构、序列信息、体外活性数据，预测其在体内的清除率、组织分布和潜在器官毒性（如肝毒性、骨髓毒性），实现早期风险预警。
• 免疫原性预测：基于抗体序列和结构，AI模型可以预测T细胞表位，评估ADC诱发免疫反应的风险。
• 患者响应预测与生物标志物发现：AI可分析临床前和早期临床数据，识别预测疗效的生物标志物（如TROP2膜质比），为临床试验患者分层和精准给药提供依据。
• FIH剂量优化：结合PK/PD模型和毒理数据，AI可以辅助优化首次人体试验的起始剂量和爬坡方案，提高临床试验的安全性。

5. AI的数据、模型、验证循环

• 数据输入：历史ADC项目的临床前PK、毒理数据集；动物实验的组学数据（如毒理组织的转录组）；早期临床试验的PK/PD和安全性数据；电子健康记录（EHR）中的药物不良反应数据。
• 模型构建与预测：开发多模态AI模型，整合化学、生物学和临床数据，预测ADC的体内行为、安全性和潜在疗效。
• 临床前/临床验证与反馈：AI模型的预测需要在后续的动物实验和临床试验中得到验证。真实世界的结果数据不断反馈，用于迭代更新和优化预测模型，使其预测能力越来越强，最终可能实现“数字孪生”级别的个体化预测。

总结

AI的深度融入，正在将ADC研发从离散的、经验驱动的阶段式流程，转变为一体化的、数据驱动的智能闭环系统。它赋能药物研发专家在每个环节拥有更强大的“眼睛”（洞察数据）、“大脑”（预测与设计）和“双手”（自动化实验），从而显著提升研发效率、成功率和创新水平，加速将更安全、更有效的“生物导弹”送达患者手中。

参考资料

1. AI+机制建模，焕一生物如何为全球药企提供“全程可预测”的药物研发全流程支持
2. 从“生物导弹”到“万能弹头”：AI如何重塑药物偶联物的未来
3. AI重塑ADC药物研发：从靶点到临床的智能跃迁
4. 辛格迪丨AI重塑ADC药物研发：从靶点到临床的智能跃迁
5. ADC系列3：2025ADC全景图——AI驱动设计与下一代载荷引领精准治疗革命
6. Expanding the repertoire of Antibody Drug Conjugate (ADC) targets with improved tumor selectivity and range of potent payloads through in-silico analysis
7. 抗体药物偶联物市场增长与技术发展蓝图（2025-2033）：展望与洞察
8. AI 驱动下的 ADC 全流程优化：从靶点到临床
9. npj Precis Onc｜中科院医学所沙雏淋/郭鹏等：AI在ADC药物开发中的全景应用
10. AI 抗体 – 药物偶联物设计：linker-payload 优化