课前准备--蛋白抗体设计的核心思路与主要方法

作者，Evil Genius

无论做什么事情，我们先把事情做好，再说其他的内容，我认为这个内容非常重要，即使只有一个人参加培训，我也想好好全流程梳理一下，根本出发点就是想把这个组学搞明白。

今天我们梳理一下蛋白抗体设计的核心思路与主要方法

蛋白抗体设计，本质上是在解决一个核心问题：

如何让抗体“准确识别目标蛋白/表位，同时以足够高的亲和力和特异性结合，并且具备稳定、可表达、可开发的性质”。

如果从科研和实际开发角度看，可以把整个过程理解成：

靶点选择 → 表位确定 → 抗体骨架/序列设计 → 结构预测 → 分子对接 → 序列/结构优化 → 实验筛选 → 迭代优化

一、蛋白抗体设计最核心的三个问题

1. “抗什么”——确定抗原和表位

这是第一步，也是非常关键的一步。

例如目标是 EGFR，那么并不是简单地设计一个“结合 EGFR 的抗体”，而是要进一步确定：

• 抗体结合 EGFR 的哪个区域？
• 是胞外结构域还是其他区域？
• 是线性表位还是构象表位？
• 表位是否暴露在蛋白表面？
• 是否存在糖基化等空间位阻？
• 这个表位是否与天然配体结合区域重叠？

表位可以大致分成：

对于现在的结构生物学和 AI 抗体设计来说，构象表位尤其重要。

二、第二个问题：“怎么结合”——设计抗体-抗原界面

抗体最重要的区域是：

CDR（Complementarity-Determining Regions，互补决定区）

尤其是：

• CDR-H1
• CDR-H2
• CDR-H3
• CDR-L1
• CDR-L2
• CDR-L3

其中 CDR-H3 往往是抗体设计中最关键、变化最大的区域之一。

可以把抗体想象成一个“分子夹子”：

抗体 CDR → 接触 → 抗原表面表位

设计的目标就是让这个界面：

• 几何形状匹配
• 疏水/亲水性质匹配
• 电荷匹配
• 氢键合理
• 盐桥合理
• 范德华作用充分
• 避免严重空间冲突

因此抗体设计实际上和蛋白-蛋白分子对接非常接近。

三、第三个问题：“能不能用”——抗体可开发性

一个抗体即使结合非常强，也不一定是好抗体。

还要考虑：

Affinity + Specificity + Stability + Developability

例如：

• 亲和力
• 特异性
• 热稳定性
• 可溶性
• 表达量
• 聚集倾向
• 蛋白酶敏感性
• 非特异性结合
• 免疫原性
• 糖基化风险

所以现代抗体设计已经不是简单追求：

“Kd 越低越好”

而是追求一个综合最优解。

四、主要的抗体设计方法

目前可以大致分成 5 条路线。

① 基于已有抗体进行优化

这是实际科研和药物开发中非常重要的一条路线。

假设已经有一个抗体：

抗体 A
↓
测序
↓
结构预测
↓
确定 CDR
↓
抗原-抗体结构预测
↓
找关键残基
↓
突变
↓
筛选
↓
得到抗体 B

例如发现：

CDR-H3
     ↓
Phe → Tyr
     ↓
增强疏水作用
     ↓
亲和力提高

常见方法：

• Alanine scanning
• Site-directed mutagenesis
• CDR mutagenesis
• Affinity maturation
• Deep mutational scanning

这类方法的优点是成功率通常比完全从零设计高。

五、基于结构的抗体设计

这是和 AlphaFold、PyRosetta、AutoDock Vina、GROMACS 联系最紧密的一部分。

典型流程：

抗原结构
   ↓
确定目标表位
   ↓
抗体结构预测
   ↓
抗原-抗体 docking
   ↓
界面分析
   ↓
计算结合能
   ↓
突变设计
   ↓
重新 docking
   ↓
MD simulation
   ↓
筛选候选抗体

常用工具

结构预测

• AlphaFold 2
• AlphaFold 3
• ColabFold
• ESMFold

抗体专用结构预测

• IgFold
• ABodyBuilder
• DeepAb
• ImmuneBuilder

抗原-抗体对接

• HADDOCK
• ClusPro
• RosettaDock
• LightDock

抗体设计/优化

• Rosetta
• PyRosetta

分子动力学

• GROMACS
• AMBER
• NAMD

六、AI 抗体设计——现在非常重要的一条路线

近年来最大的变化，就是：

从“搜索已有抗体”逐渐走向“生成新的抗体序列”。

传统方法：

抗体库
 ↓
实验筛选
 ↓
得到抗体

AI 方法：

抗原结构
 ↓
表位
 ↓
AI生成抗体序列
 ↓
结构预测
 ↓
抗原-抗体复合物预测
 ↓
计算筛选
 ↓
实验验证

甚至可以直接提出：

“给定这个蛋白表面区域，设计一个能够结合它的全新抗体。”

这就是 de novo antibody design。

七、AI 抗体设计主要有哪几种思路？

1. 序列生成

输入：

抗原/表位

输出：

VH sequence
VL sequence

也就是直接生成抗体序列。

常见思路包括：

• Transformer
• Protein Language Model
• Diffusion model
• Generative protein model

2. CDR 生成

这是目前非常重要的策略。

不是从零设计整个抗体，而是：

固定 antibody framework
          ↓
重新设计 CDR
          ↓
H3
H2
H1
L3
L2
L1

尤其是：

CDR-H3 design

因为 H3 通常直接参与抗原识别，并具有较高的序列和结构多样性。

3. 基于结构的生成

输入：

Antigen structure
+
Epitope

AI直接生成：

Antibody structure

然后再反推：

Structure → Sequence

这是非常前沿的方向。

八、抗体设计和分子对接、分子动力学是什么关系？

这个关系其实非常清晰。

可以把整个体系理解成：

抗原
              │
              ▼
         表位识别
              │
              ▼
       AI生成/设计抗体
              │
              ▼
       抗体结构预测
              │
              ▼
     Antigen-Antibody Docking
              │
              ▼
        界面残基分析
              │
       ┌──────┴──────┐
       ↓             ↓
   氢键/盐桥      疏水作用
       │             │
       └──────┬──────┘
              ↓
          能量评估
              ↓
          突变设计
              ↓
          再次Docking
              ↓
        Molecular Dynamics
              ↓
       RMSD/RMSF/Rg
       H-bond/SASA
       MM/PBSA
              ↓
       筛选最佳候选抗体

之前的分析策略：

PyRosetta → Vina → GROMACS → MM/PBSA

实际上完全可以放进抗体设计流程里面。

九、一个比较完整的现代抗体设计 Pipeline

如果以后准备做一个真正的计算抗体设计项目，比较推荐按照下面的思路理解：

Step 1：目标蛋白

例如：

EGFR

↓

Step 2：确定结构

PDB
或者
AlphaFold 3

↓

Step 3：确定表位

例如：

EGFR extracellular domain
        ↓
某个功能区域
        ↓
Residue 300–330

↓

Step 4：抗体生成

可以：

已有抗体

也可以：

AI de novo design

↓

Step 5：抗体结构预测

VH + VL
 ↓
IgFold / AlphaFold

↓

Step 6：抗原-抗体 docking

HADDOCK
RosettaDock
ClusPro

↓

Step 7：界面分析

重点看：

Interface area
ΔG
H-bonds
Salt bridges
Hydrophobic interactions
Hotspot residues
Clashes

↓

Step 8：抗体优化

例如：

CDR-H3
   ↓
A → Y
A → F
A → W
...

进行大量候选突变。

↓

Step 9：MD

用 GROMACS：

Minimization
↓
NVT
↓
NPT
↓
Production MD

然后分析：

RMSD
RMSF
Rg
SASA
H-bonds
Binding energy

↓

Step 10：实验验证

最终还是需要：

蛋白表达
↓
抗体表达
↓
ELISA
SPR/BLI
↓
Kd
↓
细胞实验
↓
功能验证

十、如果从科研角度总结，抗体设计可以分成三代

现在真正比较有潜力的是：

AI生成 + 结构预测 + Docking + Rosetta/PyRosetta + MD + 实验验证

而不是单纯依靠某一个软件。

如果目标是把蛋白结构 → 分子对接 → 分子动力学 → AI蛋白设计真正串起来，重点掌握这一条：

AlphaFold 3 → 抗体/抗原结构 → PyRosetta → HADDOCK/RosettaDock → GROMACS → MM/PBSA → 抗体突变优化 → AI抗体设计

最终形成：

“目标蛋白/突变 → 表位发现 → 抗体生成 → 结构预测 → 抗原-抗体对接 → 界面优化 → MD验证 → 候选抗体筛选”

这实际上已经是一套比较完整的计算抗体设计平台。

生活很好，有你更好。