上一篇我们没有急着看 AIntibody Challenge 最后谁赢了而是先把这场比赛到底在考什么讲清楚。29 家机构提交了 511 条由计算方法设计或筛选的抗体。三个 Challenge 分别对应三种很典型的抗体研发问题Challenge 1已经做过一轮实验筛选AI 能不能继续做 affinity maturationChallenge 2已经有几千条 binderAI 能不能从里面挑出 affinity 最好的那些Challenge 3在拥有大量 selection sequence 和部分 affinity 数据后AI 能不能设计出原始实验库中没有出现过的新序列所有提交最终都被真正表达成 full-length IgG再通过 SPR、KinExA 和 developability assay 验证。所以这篇论文真正值得看的不是“AI 做出了一条多少 pM 的抗体”而是另一件更现实的事当计算模型真正进入实验流程之后它究竟在哪些环节有用在哪些环节还远没有想象中可靠。当实验已经指出方向AI 确实开始有价值了Challenge 1 测试的是 affinity maturation。研究人员已经围绕一个 parental antibody 做过几轮 CDR library 筛选并把 selection 后的 NGS 数据交给参赛团队。Framework 和 HCDR3 固定模型主要在其他 CDR 区域里重新组合和设计。这意味着 AI 并不是面对一个完全未知的抗体空间。实验已经提前告诉它这个 parental antibody 是 binder哪些位置可以改哪些 residue 在 selection 后被保留下来以及当前比较有希望的 sequence pattern 大概在哪里。在这种条件下AI 的表现相当不错。165 条合规设计中118 条能够结合 RBD约占 71.5%22 条达到 single-digit nM5 条进入 sub-nM还有一条进入 sub-100 pM。与此同时86.1% 的候选通过了论文设定的 developability 标准。其中 Aureka 最好的设计通过 KinExA 测得的 KD大约为 95 pM。作为对照传统实验 affinity maturation 得到的最佳抗体约为 113 pM。两者置信区间明显重叠在这个任务里AI 已经能够做到和最佳实验 affinity maturation 相近的水平。如果和 parental antibody 相比这条设计的 affinity improvement 大约达到2000 倍。作者进一步估计在类似项目中如果模型能够稳定达到这样的命中率实验团队未必还需要继续构建很大的组合 library。模型先从已有 selection data 里提出 10–20 条候选再直接合成和测试就有可能缩短两三周的实验周期。这大概是整篇论文里最值得企业关注的积极结果。但它同时也告诉我们一个边界AI 成功的前提是实验已经把问题做小了。这里并不是让模型从几乎无限大的抗体空间里“凭空找到答案”而是在一个经过 selection 强烈约束的局部 landscape 中继续搜索。所以 Challenge 1 真正证明的不是“AI 已经可以从零设计治疗性抗体”而是当项目已经有 binder并且积累了高质量、项目特异的实验数据之后AI 很适合做后续的局部搜索和组合优化。这个判断其实已经足够重要。一个简单统计方法为什么能击败大量 AIChallenge 1 里还有一个很容易被 95 pM 抢走注意力的结果。ProBioGen 并没有使用复杂的 PLM也没有上大型结构模型。它主要分析 selection 后的 sequence abundance观察不同位置哪些 amino acid 被持续富集再据此构建 consensus sequence。最后这条抗体的 KinExA affinity 大约在540 pM左右而且 developability 表现很好排名超过了大量更加复杂的模型。为什么一个看起来这么“简单”的方法能这么强因为 selection 后的 NGS 数据本身就不是普通序列数据。一个 library 经历 binding、washing、enrichment 之后留下来的 sequence distribution 已经包含了实验产生的 fitness signal。某些 residue 或 motif 如果持续富集本身就在告诉我们它们可能更适合当前这套抗原、构建和筛选条件。换句话说复杂模型并不是在一张白纸上学习而是在一个已经经过实验压缩、信息含量非常高的数据集上继续挖规律。这件事对企业内部做 benchmark 很有提醒意义。以后评价一个 affinity model不能只看“我的 Transformer 比另一个 Transformer 高多少”还必须问它有没有超过最简单、最合理的实验 baseline对于 affinity maturation这些 baseline 可能只是 random、abundance、enrichment、consensus或者团队原本的 experimental strategy。如果复杂模型长期不能稳定超过这些方法那么所谓“模型更先进”并没有自动转化成研发价值。最反直觉的结果出现在“只需要做排序”的 Challenge 2如果只看任务描述Challenge 2 很容易让人觉得应该更简单。模型不需要生成 sequence也不需要探索新的设计空间。研究人员已经有三个 HCDR3 cluster里面都是经过 selection 的 binder模型只需要判断哪些抗体的 affinity 最好这听起来只是一个排序问题。结果却是整篇论文中最值得警惕的一部分。参赛模型挑出来的抗体超过 96% 都还能正常 binding。也就是说模型并不是完全看不懂什么叫“一个合理的 binder”。真正失败的是下一步在一群已经合理、已经能结合的抗体中谁更强只有大约 9.8%–13.8% 的 AI submissions 能够比各自 cluster 的 control antibody 获得更好的 affinity。而根据这些 cluster 既有的实验数据如果直接随机挑 clone大约有 39% 的机会选到更好的 candidate。除了 WashU 的方法在一个指标上达到 50%绝大多数方法都没有稳定超过 random picking而且没有一个获胜算法能在三个 cluster 上同时保持优势。这意味着一个非常尴尬的事实对多数方法而言AI 做 candidate selection并没有比“挑一个 abundance 高的再随机补几个”更可靠。这可能比任何一个 pM 级 hit 都更值得 AIDD 从业者认真看。为什么“会设计”反而不代表“会排序”这个结果乍看有点矛盾。Challenge 1 已经能做出 95 pM 的抗体为什么到了 Challenge 2只让模型从几千条 sequence 中挑几个最好的反而大量失败原因在于这两道题要求模型学到的东西并不一样。Challenge 1 有非常强的experimental prior。模型知道 parental antibody、library design、selection result、amino-acid frequency 和 sequence enrichment。即使它并没有真正学会 antibody–antigen binding 的完整物理规律也可以依靠已有实验信息在一个局部区域里找到不错的组合。Challenge 2 则完全不同。它要求模型回答的是两条都能结合、序列都很像、结构上也没有明显问题的抗体为什么一条是 20 pM另一条却是 200 pM这实际上要求模型捕捉非常细微的 binding free-energy difference。而这件事远比判断“像不像一个合理的抗体”困难。蛋白语言模型擅长学习 sequence context能够判断某个 residue 放在某个位置是否常见、是否符合抗体序列规律。但sequence naturalness 和 target-specific affinity 并不是一回事从一个 mutation 到最终的 KD中间还隔着 interface packing、electrostatics、solvation、side-chain conformation、loop ensemble、entropy甚至结合和解离动力学。所以我更愿意把 Challenge 2 的结果理解成现在很多抗体 AI 已经很会判断“什么看起来像一个合理抗体”但还没有稳定学会“为什么这个合理抗体会比另一个合理抗体多结合十倍”。这也是当前 affinity prediction 最核心的难点。加入三维结构也没有出现一个“万能解”这次比赛里的方法已经很丰富了。既有传统统计和 Gaussian Process也有 ESM-2、AbLang、BALM、AntiBERTy 这类 PLM还有 AlphaFold、ProteinMPNN、AntiFold、RFdiffusion、Pairformer 等 structure-aware 方法。现在 AIDD 领域有一个常见的想象sequence 不够就加 structure有了 antibody–antigen complexaffinity prediction 总该明显变准了。实际结果没有这么简单。Challenge 1 的冠军 Aureka 确实使用了 structure-aware Pairformer 路线但到了 Challenge 2不同 cluster 的最佳方法来自 completely different model families没有哪一类方法能够跨任务稳定胜出。Challenge 3 最后的赢家反而来自 Xencor 的 PLM pipeline。这说明不是换成更大的 backbone就能把所有抗体问题一起解决对于企业来说这一点其实很重要。真正应该先问的永远是任务是什么手里有什么数据实验最终要做什么决策有的项目更依赖 NGS enrichment有的项目需要 structure information有的适合 PLM prior有的甚至一个 Gaussian Process 就已经够用。AIntibody 最终支持的并不是“one model for everything”而是更朴素的一件事不同研发问题需要不同的模型和数据组合。Challenge 3 做出了 2.9 pM但事情并没有到这里结束如果只看标题Challenge 3 肯定最好。23 家机构提交了 168 条 out-of-library antibody其中 117 条能够 binding57 条进入 sub-nM24 条进入 sub-100 pM。最终Xencor 得到了一条 KinExA KD 约为 2.92 pM 的抗体。而实验 benchmark 中最好的 antibody大约是 9.2 pM。单看 affinity这当然是一个非常漂亮的结果。但问题也恰好从这里开始。这条 2.9 pM 的冠军抗体在 HIC 实验里表现出了非常严重的 hydrophobicity它甚至无法正常从 HIC column 中洗脱出来。如果站在真实 therapeutic antibody development 的角度这类明显的 biophysical red flag 很可能已经足以让一个 candidate 被终止。但在这次 benchmark 中作者最初采用的是 composite developability score。HIC、BVP、AC-SINS、Tm 和 Tagg 分别打分再把它们加起来。于是出现了一个很典型的问题一项严重失败可以被另外几项不错的成绩“平均掉”。所以这条 2.9 pM antibody 最终仍然拿到了冠军。作者后来也承认这是 benchmark scoring design 的一个缺陷并提出下一轮应该增加更加严格的 hard go/no-go criteria某些关键属性一旦出现严重 red flag就直接淘汰而不是允许其他指标来补偿。更有意思的是如果把这条存在明显 developability 问题的 2.9 pM antibody 排除后面更加合理的 candidate 大约是 8.69 pM和最佳 experimental antibody 的 9.2 pM 已经基本处在同一个水平。所以 Challenge 3 最准确的结论是AI 已经能够设计出与最佳实验抗体相当、个别 affinity 更高的 candidate但要稳定同时满足 affinity 和 developability仍然很难。这比“2.9 pM”本身重要得多。“Out-of-library”也不等于真正的 de novoChallenge 3 还有一个特别值得拆开的地方。任务要求提交的 sequence 不能直接出现在原始 experimental dataset因此从定义上说这些设计确实属于 out-of-library。但作者进一步比较 edit distance 后发现真正表现最好的设计其实都非常保守。冠军 sequence 距离最近的 experimental sequence在 concatenated CDR 上只差 5 个 residue很多 top design 甚至只有 1–3 个 substitution。更关键的是所有排名最高的 submission使用的 HCDR3 都已经在 experimental dataset 中出现过。也就是说最强的设计并没有真正跳离已知的核心 binding motif。它们更像是在已有成功 HCDR3 的基础上对外围 CDR 做保守 refinement。所以Out-of-library ≠ De novo antibody discovery如果以后看到一个模型号称“生成了数据库里从未出现过的抗体”至少还应该继续追问几个问题HCDR3 真的新吗Paratope 是否脱离已知 motifBinding mode 有没有改变Epitope 能不能跳出已有 antibody panel换到一个几乎没有先验数据的新 target还能不能重复成功今天最成功的生成式设计很多时候仍然是围绕已知好 motif 做局部扩展而不是从零发明一个新的 binding solution。真正应该建设的是“模型—实验—数据”的循环这篇论文最后给我的感受其实不是我们又需要一个更大的 antibody model。恰恰相反它让我更加确定真正能够不断变强的应该是研发闭环。一个更现实的 affinity optimization 流程可能是已有实验验证 binder先整理 NGS、affinity 和 developability 数据根据结构和历史信息确定设计区域与 hard constraints统计方法、PLM 和 structure model 分别提供候选再经过 developability 筛选把数量压缩到 10–20 条进入实验后通过 SPR 和必要的 orthogonal assay 得到真实结果再把这些结果重新写回下一轮设计。这样循环几轮以后真正积累起来的并不是一个永远不变的模型。而是这个 target 上哪些设计有效、哪些无效什么 mutation 可以保留哪些 physicochemical property 会出问题以及模型在哪些区域值得相信。也就是一个不断被实验更新的 project-specific knowledge。这可能才是 AI 真正进入药物研发之后最值得企业去建设的能力。所以AI 到底会不会优化抗体亲和力经过这 511 条真实抗体我觉得答案已经可以说得更准确一点了。会。但它最可靠的场景目前仍然是已经有 experimentally validated binder有比较高质量的 targeted data也有清晰的 design boundary。在这样的条件下AI 已经能够有效辅助 affinity maturation甚至达到传统实验最优 candidate 附近的水平。但如果问题变成仅从 sequence 精确预测 affinity ranking现在大多数模型仍然不够可靠。如果进一步变成面对一个新的、data-poor target直接设计出 novel、high-affinity、developable antibody这篇论文更没有证明我们已经做到这一步。所以未来几年 antibody AI 最值得关注的问题可能并不是下一个模型有多少参数也不是又出现了一条多少 pM 的 antibody。而是模型什么时候能够把一个项目里学到的 binding knowledge真正迁移到另一个缺少大量实验数据的新靶点如果这一步能够稳定发生AI 才算真正从experiment-guided optimization走向AI-enabled discovery。至少从这场 AIntibody Challenge 来看我们已经走到了前者。但离后者还没有那么近。