【抗体小课堂】AI破局抗体优化痛点！AbSeek™平台实现“序列-结构-功能”一站式优化，助力临床级

还在为“拿到抗体基因序列后，不知如何优化”而发愁吗？别担心，本期抗体小课堂跨越山海只为你而来。不仅带你清晰掌握抗体优化的五大主要目标及其适配的技术策略，我们还将重磅介绍赛业生物自主研发的AbSeek™智能抗体计算平台（官网：https://abseek.icyagen.com/），让AI为你的抗体优化之路扫清障碍，轻松攻克研发难题！

 

抗体优化作为抗体开发的核心环节，其主要目标可概括为五个方面：①提高亲和力：提高抗体与靶抗原的结合强度。②增强特异性：减少抗体与非靶抗原的交叉反应，减少脱靶效应。③改善稳定性：提高抗体的热稳定性或抗聚集性。④提高产量：优化抗体基因表达与纯化工艺以提高抗体产量。⑤降低免疫原性：抗体的人源化改造。

 

1.1  提高抗体亲和力

1.1.1  抗体的体内亲和力成熟

通过体内的天然免疫机制实现抗体的亲和力成熟，核心过程涉及体细胞高频突变与克隆选择^{[1, 2]}。生发中心（Germinal Center, GC）是淋巴小结中央部由分裂的淋巴母细胞聚集形成的区域，是B细胞增殖、分化与抗体亲和力成熟的关键场所，其中活化的B细胞经过体细胞高频突变（Somatic Hypermutation，SHM），在其分泌抗体的基因可变区引入随机突变，随后经过严格的抗原筛选，只有那些表达更高亲和力抗体的B细胞才能存活并增殖，最终分化为记忆B细胞和浆细胞（图1）。

 

图1  生发中心反应示意图^[1] 

 

1.1.2  抗体的体外亲和力成熟

在体外实验条件下模拟抗体的体内亲和力成熟的过程，其核心策略是先构建抗体突变库，再通过抗体筛选技术富集高亲和力的突变体。

 

（1）基于随机突变的体外亲和力成熟（非定向突变策略）：通过在抗体的互补决定区（CDR） 或框架区（FR）引入随机突变^[3]，构建多样化的抗体突变库，再通过筛选获得高亲和力克隆。其优势是操作相对简单，无需预知抗原—抗体结合的关键位点；局限是突变库多样性可能冗余，筛选效率低。

 

（2）基于结构/定向设计的体外亲和力成熟（定向突变策略）：借助X射线晶体衍射^[4,5]、分子对接模拟^[6]这两项技术解析抗原—抗体复合物的结构信息，预测与抗原—抗体结合直接相关的关键氨基酸位点，或者借助突变扫描方法检测显著影响亲和力的关键氨基酸位点，通过定点突变构建更具针对性的抗体突变库，再通过筛选获得高亲和力克隆。其优势是突变针对性强、库容量小、筛选效率高；局限是依赖高质量的结构信息，若结构预测不准确则可能影响实验结果。

 

1.1.3  人工智能（AI）技术驱动的抗体亲和力成熟

AI 驱动的抗体生成模型为构建多样化的CDR序列库发挥了关键作用^[7]，直接从头生成具有高亲和力、序列新颖的CDR序列库，极大地拓展了抗体优化的探索空间。

 

ΔΔG代表突变诱导的自由能变化，用于衡量氨基酸残基突变对抗体稳定性或亲和力的影响^[8]。RDE是一种基于深度学习的突变后亲和力变化值预测算法，基于RDE的原理，AbSeek™智能抗体计算平台部署开发的突变后复合物亲和力变化计算（ΔΔG Upon Mutation，RDE）工具可进行突变偏好（Mutation Preferences）导向的抗体优化，快速评估生成的候选抗体的亲和力，筛选出最优的抗体突变体^[9]。

 

1.2  增强抗体特异性

（1）优化抗原设计：对抗原的纯度、结构完整性与表位明确性进行优化，从源头减少非特异性免疫反应。

 

（2）优化免疫策略：选择合适的佐剂、控制免疫剂量与频率、选择合适的免疫途径，引导免疫系统产生特异性应答。

 

（3）去除抗体的交叉反应结构：通过X射线晶体衍射、冷冻电镜等技术解析抗原—抗体复合物的三维结构，识别抗体中可能与非靶抗原结合的 “冗余结构”（如CDR外的框架区残基、糖基化位点），通过突变去除这些结构，仅保留特异性结合所需的关键位点。

 

1.3  改善抗体稳定性

（1）定点突变：针对易降解区域（如柔性区、疏水表面）进行氨基酸突变，减少抗体易降解的风险，增强疏水相互作用。

 

（2）引入二硫键：在非关键区域引入额外二硫键以增强结构刚性，减少抗体变性。

 

（3）Fab区刚性化：将Fab区与刚性蛋白结构域融合，利用外源结构的空间位阻或结构稳定性，限制Fab区的柔性运动。

 

（4）Fc区糖基化：Fc区糖链改造，占据CH2结构域间隙、与两个CH2结构域形成大量氢键和范德华力，增强局部结构稳定性。

 

1.4  提高抗体产量

（1）载体设计的优化：必要时可使用CMV、EF-1α等强启动子，增强抗体基因表达稳定性。

 

（2）基因调控元件的优化：修饰抗体基因组的5'和3'非翻译区（UTR），提高mRNA翻译效率。

 

（3）宿主细胞的选择：选择常用的哺乳动物细胞如HEK293细胞、CHO细胞，可支持复杂的翻译后修饰（如糖基化、正确折叠和二硫键形成）。

 

（4）细胞培养工艺的优化：控制细胞培养条件（温度、pH等）。

 

（5）抗体纯化工艺的优化：利用Protein A/G琼脂糖树脂特异性捕获抗体^[10]，回收率可达95%以上。

 

1.5  降低抗体免疫原性——鼠源抗体的人源化改造

鼠源抗体如果不进行人源化改造，进入人体内会产生人抗鼠抗体反应（Human Antimouse Antibody，HAMA），HAMA不仅导致抗体被快速清除，缩短半衰期进而影响疗效，还会引发严重的免疫反应，存在安全性风险。

 

鼠源抗体的人源化改造就是为了降低抗体免疫原性，常用技术包括

①CDR移植（CDR Grafting）

②框架区重排（Framework Shuffling）

③表面重塑（Resurfacing）

④特异性决定簇残基移植（Specifity Determining Residue Grafting）

⑤基于全人源抗体小鼠的抗体生产

⑥AI驱动的抗体人源化改造。

 

1.5.1  CDR移植

CDR移植是应用最广泛的抗体人源化改造技术，基本步骤如下（图2）^[11]：

（1）确定鼠源抗体的CDR序列，以确保能够特异性识别并结合目标抗原。

 

（2）筛选与鼠源FR序列同源性最高的人源FR序列，作为鼠源CDR移植的受体。

 

（3）引入必要的回复突变，在人源FR序列引入鼠源FR序列的某些关键残基，保留或恢复人源FR序列中影响CDR构象的关键残基，避免因FR替换导致CDR构象改变或亲和力丧失。

 

1.5.2  框架区重排

框架区重排是指在不改变抗体CDR 序列的前提下，对抗体的FR序列逐段进行筛选和替换，以在维持CDR的正确构象和抗体活性的同时，逐渐提高人源化程度，基本步骤如下（图2）^[11]：

 

（1）从人源抗体数据库中筛选与鼠源抗体高度同源的人源FR基因模板，确定鼠源抗体FR中影响CDR构象或抗原结合的关键残基，保留这些残基，其余部分替换为人源序列，构建人源FR基因文库。

 

（2）将鼠源CDR分别移植到不同人源FR中，生成多种人源化抗体。

 

（3）通过噬菌体展示技术、ELISA，筛选最优抗体。

 

图2  CDR移植与框架区重排的策略示意图^[11] 

 

1.5.3  表面重塑

抗体的表面重塑（Resurfacing）是通过选择性替换鼠源抗体表面暴露的氨基酸残基，使其序列和结构更接近人源抗体，从而降低免疫原性。仅针对异源抗体表面与人源抗体差异显著的残基进行替换，保留内部残基及互补决定区（CDR）的天然构象^[12]。

 

1.5.4  特异性决定簇残基移植

特异性决定簇残基（SDR）是CDR区中参与抗原—抗体特异性识别的关键氨基酸残基，将鼠源SDR移植到人源抗体的FR上，尽可能地减少鼠源CDR中的鼠源序列，降低抗体可变区潜在的免疫原性风险^[13]。

 

1.5.5 基于全人源抗体小鼠的抗体生产

全人源抗体小鼠，如赛业生物HUGO-Ab^®系列全人源抗体小鼠，核心是通过基因工程将小鼠自身抗体基因替换为人源抗体基因，使其免疫系统在抗原刺激下直接产生全人源抗体，属于 “动物模型层面的构建”，而非对已有抗体的人源化改造。其技术逻辑与CDR移植、框架区重排、表面重塑等完全不同：

 

• 基因替换原理：赛业生物HUGO-Ab^®全人源抗体小鼠系列产品中的HUGO-Mab™全人单克隆抗体小鼠通过TurboKnockout^®ES打靶技术，敲除小鼠自身VH、VK、VL 抗体基因，原位插入全套人源抗体可变区（VDJ/VJ）基因，同时保留小鼠恒定区调控元件以支持抗体类型转换，产生的抗体与人天然抗体结构一致。

 

• 抗体产生过程：给改造后的小鼠免疫目标抗原，其 B 细胞会启动正常免疫应答，分泌全人源抗体（无需后续人源化改造），直接通过杂交瘤或单B细胞抗体筛选技术获取抗体基因。例如尼沃鲁单抗（抗 PD-1）、帕尼妥单抗（抗 EGFR）均来自全人源抗体小鼠模型，临床免疫原性风险降至1%以下。

 

• 抗体改造技术的本质区别：全人源抗体小鼠构建不涉及CDR移植或框架区重排，全人源抗体小鼠是让小鼠直接产生全人源抗体（100%人源序列）；CDR移植或框架区重排是改造已有鼠源抗体的序列，产物是人源化抗体（含少量鼠源成分）。

 

赛业生物HUGO-Mab™全人单克隆抗体小鼠中含有所有的人源抗体可变区序列，其多样性丰富。面对抗原刺激时，能够产生与野生型小鼠相同水准的强烈免疫反应，产生低免疫原性、高效价、高多样性的全人单克隆抗体。

 

1.5.6  AI驱动的抗体人源化改造

随着 AI 技术与生物信息学的深度融合，尤其是机器学习、深度学习与分子动力学模拟的跨领域协同，抗体人源化改造正突破传统技术的局限，进入“数据驱动+结构预测”的精准研发新阶段。

 

赛业生物开发的AbSeek™智能抗体计算平台，可为您提供抗体“序列-结构-功能”一站式优化服务。其中，AbSeek^TM人源化评估工具（Humaness Evaluation）是通过整合近10 亿条多物种抗体序列训练出的抗体人源化评估工具，可准确评估常规抗体的人源化程度，进而为AbSeek^TM抗体人源化（Humanization）工具对抗体人源化改造提供依据。AbSeek^TM抗体结构预测（ImmuBuilder）工具可以在5秒以内预测抗体的结构，从而为AbSeek^TM纳米抗体人源化（Nanobody Humanization）（Llamanade）工具对纳米抗体进行基于表面重塑的人源化改造提供结构依据。数据显示，这类 AI 优化后的抗体，不仅多种人源化预测评分提升到了安全水准，其亲和力损失率也从传统改造的20%-50%降至20%以下。

 

赛业生物的AbSeek™智能抗体计算平台还能与HUGO-Ab^®全人源抗体小鼠以及靶点人源化模型完美组合，实现从人源化抗体生产、序列评估与筛选、到动物验证全流程的无缝衔接。研究人员可以先用HUGO-Ab^®系列的全人源抗体小鼠产生抗体，然后利用AbSeek™智能抗体计算平台上的工具进行抗体序列的筛选、评估，进而实现抗体的筛选，极大提高抗体开发的效率。AbSeek™智能抗体计算平台有望将抗体优化的周期从数月缩短至数周，显著提升候选抗体的成药性，不仅可以节约巨大的研发成本，还能让创新药物更快面世。

 

如今，AI 驱动的抗体人源化改造已不再是辅助工具，而是重构了研发逻辑：它将传统“实验验证引导序列设计”的逆向流程，转变为“AI预测引导精准实验”的正向路径，既解决了传统技术对“经验依赖”的痛点，又为高难度抗体（如 CDR 构象敏感型、多表位识别型抗体）的人源化提供了新方案，成为推动抗体药物从“可及性”向“高成药性”升级的核心驱动力之一。

 

总结

抗体优化绝非单一指标的“孤立提升”，其核心在于实现亲和力、特异性、稳定性、产量与低免疫原性的多目标协同，同时需贯穿“序列设计-结构预测-实验验证”的全流程整合，打破单一优化局限、实现全局效率跃升。

 

作为 AI 赋能抗体研发的实践载体，赛业生物AbSeek™智能抗体计算平台也将持续迭代升级：不仅会深度融合分子动力学模拟、生成式AI、免疫原性精准预测等前沿算法，还将进一步打通“序列输入→多目标优化→实验指导”的全链路，让优化方案更贴合实际研发场景，为抗体药物研发注入更高效、更精准的技术动能。

 

即刻登录 AbSeek™智能抗体计算平台（官网：https://abseek.icyagen.com/），让AI成为您抗体优化的“智能引擎”，助您跳出传统试错的桎梏，开启高效、精准的抗体药物研发新征程！

 

参考文献

• Katia Basso, Riccardo Dalla-Favera. Germinal centres and B cell lymphomagenesis[J]. Nature Reviews Immunology, 2015, 15(3): 172-184.
• Young C, Brink R. The unique biology of germinal center B cells[J]. Immunity, 2021, 54(8): 1652-1664.
• Zhou J O, Zaidi H A, Ton T, et al. The effects of framework mutations at the variable domain interface on antibody affinity maturation in an HIV-1 broadly neutralizing antibody lineage[J]. Frontiers in Immunology, 2020, 11:1529.
• Larpent P, Codan L, Bothe J R, et al. Small-Angle X-ray Scattering as a powerful tool for phase and crystallinity assessment of monoclonal antibody crystallites in support of batch crystallization[J]. Molecular Pharmacology, 2024, 21(8):4024-4037.
• Sutton E J, Bradshaw R T, Orr C M, et al. Evaluating Anti-CD32b F(ab) conformation using molecular dynamics and Small-AngleX-Ray Scattering[J]. Biophysical Journal, 2018, 115(2): 289-299.
• Martarelli N, Capurro M, Mansour G, et al. Artificial intelligence-powered molecular docking and steered molecular dynamics for accurate scFv selection of Anti-CD30 chimeric antigen receptors[J]. International Journal of Molecular Sciences, 2024,25(13): 7231.
• Akbar R, Robert P A, Weber C R, et al. In silico proof of principle of machine learning-based antibody design at unconstrained scale[J]. MABS, 2022, 14: 2031482.
• Wu L R, Liu Y F, Lin H T. A simple yet effective ∆∆Gpredictor is an unsupervised antibody optimizer and explainer[C]. ICLR, 2025, 1-14.
• Luo S, Su Y, Wu Z, et al. Rotamer density estimator is an unsupervised learner of the effect of mutations on protein-protein interaction[C]. ICLR, 2023, 1-20.
• LarssonP H. Purification of antibodies[J]. Methods in Molecular Medicine, 2008, 138: 197-207.
• Wang YM, Chen Y L, Xu H. Comparison of “Framework Shuffling” and “CDR Grafting” in humanization of a PD-1 murine antibody[J]. Frontiers in Immunology, 2024, 15: 
• KashmiriS V S, Roberto D P, Gonzales N R, et al. SDR Grafting-a new approach to antibody humanization[J]. Methods, 2005, 36(1): 25-34.
• Marks C, Hummer A M, Chin M, et al. Humanization of antibodies using a machine learning approach on large-scale repertoire data[J]. Bioinformatics, 2021, 37(22):4041-4047.