一位做抗体工程的读者给贝叔留言，希望了解AI模型预测亲和力的靠谱程度到底如何，部署这些模型需要多大的算力投入。这两个问题恰好触及了当前AI抗体工程最真实的焦虑——纸上效果好，落地行不行？必须马上安排！

抗体亲和力成熟（Affinity Maturation, AM）是抗体工程中最关键也最昂贵的环节。传统方法依赖展示技术加多轮筛选，耗时数月、花费巨大。诗曰：文章本天成，妙手偶得之！

从一个数字开始：一个典型的CDR H3区域约有15个氨基酸残基，其序列空间是20¹⁵ ≈ 3.3×10¹⁹，19个0！而即使容量最大的噬菌体展示技术，能够筛选的序列空间也只有10¹²。从10¹⁹种序列中，找出亲和力最好的那一株，相当于在地球上所有的沙子里找一粒特定的金色沙粒。

AI的目标很清晰：通过在计算机中预判哪些突变组合最可能提高亲和力，把实验筛选空间从10¹⁹压缩到10³-10⁵量级。本文聚焦AM这个更窄但更现实的战场：从生物学原理到AI模型，从数据瓶颈到算力壁垒，逐一拆解。

第一章：什么是亲和力成熟——从免疫学原理说起

亲和力是抗体抓住抗原的强度，足够高的亲和力决定了抗体的捕获抗原效率和发挥效应功能的能力。亲和力成熟是抗体持续发生序列优化、逐渐提高亲和力的过程。体细胞超突变（SHM）是亲和力成熟的分子基础；抗原选择性筛选是亲和力成熟的闸门。

在淋巴结/脾脏生发中心（Germinal Center）内，B细胞经历”暗区-明区”的循环：暗区中，AID酶（Activation-Induced Cytidine Deaminase）在抗体可变区基因中引入高频点突变，且靶向特定核苷酸基序——尤其是WRCY热点基序（W=A/T, R=A/G, Y=C/T）；明区中，抗原与B细胞表面的BCR结合提供选择信号，高亲和力克隆获得更强的增殖信号。

这个过程的效率惊人：人体内SHM通常在2-4轮突变+选择后实现10到1000倍的亲和力提升。

亲和力成熟的主战场是CDR H3，为什么是这个区域呢？CDR H3贡献了抗体-抗原结合面积的60-70%，其长度和构象多样性也最大，这源于V-D-J重组的随机性。CDR H3没有固定的骨架模板，构象高度灵活，在传统亲和力成熟方法、以及基于AI的抗体改造过程中，都带来了极大挑战。

第二章：传统的三种亲和力成熟技术

抗体研发过程中的亲和力成熟，即在体外模拟体细胞超突变和抗原筛选的过程，获得满足要求的抗体序列。传统实验方法围绕三大展示技术展开，各有明确的边界。

噬菌体展示文库容量最大、成本最低，但原核系统缺乏真核翻译后修饰，无法在全长IgG格式下筛选。酵母展示提供了定量FACS筛选能力，但糖基化模式与人类不同，文库容量也受限于转化效率。哺乳动物展示最接近最终药物形式，但成本最高、周期最长。

更根本的问题是三者共享的瓶颈：

1. 序列空间鸿沟：10¹⁹的理论空间 vs 10¹²的最大文库容量，差了7个数量级

2. 局部最优陷阱：每轮筛选只选最好的，可能错过需要两步协同突变的组合（上位效应/epistasis）

3. 多目标冲突：亲和力提升常以牺牲稳定性和表达量为代价

4. 黑箱问题：从文库中命中目标后，难以理解”为什么这个突变有效”

第三章：AI介入的数据基础——有什么数据可用？

AI模型需要数据，但亲和力成熟需要的数据非常特殊：不是”所有抗体序列”，而是“同一抗体的野生型+突变体+对应亲和力数值”——理想格式是(wild_type_sequence, mutant_sequence, ΔΔG or KD_ratio)。这比通用抗体序列稀缺得多。

数据面临三大核心挑战：稀缺性（高质量AM配对数据全球可能只有数千到数万条）、不可比性（不同实验室的KD值因实验条件差异难以合并，Kd值跨度达10⁸倍）、数据泄漏风险（训练/测试集划分时，同一抗体家族序列可能同时出现在两边——PDBbind-CASF事件已证实”伪理解”问题的严重性）。

简而言之：AM任务面临的是经典的”小数据+高维特征”难题。

第四章：AI模型军备竞赛——谁在领跑？

这是全文技术密度最高的部分。我们按方法分类而非时间顺序组织，聚焦AM专用或直接相关的模型。

方法分类

三个代表性模型

GearBind — 结构信息比序列信息更有预测力

百奥几何团队发表于Nature Communications 2024，将抗体-抗原复合物的3D结构编码为多关系原子图（顺序边+径向边+KNN边），通过多层级消息传递（原子层→边层→残基层）预测突变后的结合自由能变化。核心优势：在困难目标（零相似样本）上PearsonR达到0.707，远超FoldX的0.411。实验验证中，仅测试20个候选即实现17倍亲和力提升。启示：结构信息是AM预测的关键变量，但也意味着模型依赖准确的复合物结构输入。

MAGE — Cell级别的生成式突破

范德堡大学Georgiev团队发表于Cell 2025，基于ProGen2-base（7.64亿参数）微调，仅需抗原氨基酸序列即可从头生成配对的重链-轻链。SARS-CoV-2 RBD上45%结合命中率（9/20），最强中和抗体IC50=6.7 ng/mL。但需要注意：MAGE是从头设计工具，训练数据仅含二值化结合标签，不保证高亲和力——与AM优化是不同的问题。

Thrifty — 小模型的大智慧

Fred Hutchinson癌症中心发表于PLOS Computational Biology 2025，这项工作可能被低估。仅5931参数的Thrifty-SHM模型，利用SHM的核苷酸上下文（WRCY热点基序）作为特征，在预测突变位点和氨基酸结果上全面优于4500万参数的AbLang-2和6.5亿参数的ESM-1v。

原因很优雅：SHM由AID酶驱动，优先靶向特定核苷酸基序。这种突变偏向性在核苷酸层面才能被精确捕捉——蛋白质语言模型（在氨基酸层面操作）完全丢失了这些信息。

第五章：多目标优化的真正困局

抗体药物开发不是单目标优化——只看亲和力是不够的。

现实中有三种妥协策略：分阶段优化（先保亲和力后修可开发性，最常用但易陷入局部最优）、约束优化（设定阈值如Tm > 65°C再最大化亲和力）、Pareto前沿搜索（理想方案但对数据要求最高）。

AbNovo（ICLR 2025）是首个将多目标抗体设计形式化为约束优化问题的框架，以结合亲和力为奖励信号，同时对特异性、自缔合性、稳定性施加显式约束。方向正确，但离工业落地仍有距离。

第六章：算力壁垒——公司该怎么选

回到读者最关心的问题：部署这些模型到底需要多大算力？

Thrifty的存在对中小Biotech是个好消息：AM任务的数据特征（SHM核苷酸热点）足够强，小模型抓住核心特征即可达到近似效果。另一个关键洞察：推理≠训练。大多数公司不需要自己训练模型，使用预训练模型推理的算力门槛远低于训练。结构信息的代价也值得注意：GearBind需要3D结构输入，获取结构数据（冷冻电镜/同源建模）的成本可能高于计算本身。

务实建议：小型Biotech从Thrifty类轻量模型起步，结合少量湿实验验证；中型公司部署GearBind类GNN模型，投入同源建模获取结构；大型药企可考虑扩散模型全流程，但需配套自动化实验室。

第七章：从代码到临床

AI模型预测的ΔΔG与实验KD变化的相关性通常在r = 0.3-0.7之间。计算机里完美的突变在细胞实验中可能完全不表达——”纸上谈兵”风险真实存在。

但产业化正在加速。Generate Biomedicines的GB-0895是全球首款进入III期的AI设计抗体：靶点TSLP（气道炎症关键因子），AI优化了超高亲和力、约89天半衰期和高特异性，实现每6个月皮下注射300mg。从设计到III期仅4年，III期试验SOLAIRIA-1和SOLAIRIA-2覆盖约1600人、40+国家。Absci的ABS-101靶向TL1A治疗炎症性肠病，从概念到I期仅2年（行业平均5.5年），2025年5月首例给药。

结语

回扣开头的”十亿分之一的赌注”——这个概率问题没有被完全解决，但搜索空间已经被大幅压缩。亲和力成熟的未来不是AI vs 湿实验的二选一，而是AI × 湿实验的双向赋能。对研发人员来说，学会解读AI模型的输出，理解其置信区间和局限；对管理者来说，投资数据基础设施，挖掘实验室中高质量AM配对数据，价值不可限量。

黄金突变一直都在那里。区别在于，以前我们需要筛遍整个沙漠才能找到它；现在，AI给了我们一张藏宝图，尽管这张图还不够精确——我们仍在绘制它的过程中。