- 综合排序
- 最热优先
- 最新优先
- 来自专栏DrugOne
Nature | RFdiffusion: David Baker 团队打造的原子级抗体从头设计新范式
DRUGONE 抗体在现代医学中扮演核心角色，但目前尚无方法能够在完全计算机模拟的条件下设计出新的、针对特定表位的抗体。现有抗体发现依赖免疫实验、随机文库筛选或直接从患者体内分离抗体。 抗体开发通常包括两个阶段：（1）发现能结合特定表位的抗体；（2）进行亲和力成熟和临床优化。当前识别表位特异性抗体仍主要依赖动物免疫或文库筛选，这些方法耗时、费力且不一定能获得针对治疗相关表位的抗体。 筛选结果显示，生成的 VHH 能以纳摩尔级亲和力结合目标表位，并与天然抗体序列显著不同。 RFdiffusion 的结构化设计与酵母展示筛选、OrthoRep 亲和力成熟相结合，为抗体发现提供了全新的计算—实验闭环流程。 最终，这种结构驱动的从头设计方法将加速抗体药物研发，拓展可成药靶点的范围，并显著降低抗体发现的成本与周期。
31110编辑于 2025-11-17 - 来自专栏抗体蛋白
单B细胞筛选加速羊驼VHH发现：Hypercell高通量微流控系统在纳米抗体研发中的应用
传统VHH发现流程通常依赖噬菌体展示等多轮筛选技术，不仅整体周期较长，同时也容易在筛选过程中丢失部分稀有高亲和力克隆。 本文结合真实药企案例，对Hypercell高通量单细胞分选系统在羊驼VHH纳米抗体发现中的应用流程进行整理，包括羊驼PBMC处理、B细胞激活、单细胞液滴包裹、高通量功能分选、NGS测序以及AbFinder 关键词：单B细胞筛选、单细胞筛选、单B细胞分选、B细胞抗体发现、B细胞抗体筛选、羊驼纳米抗体、单B细胞分选、纳米抗体筛选、VHH抗体发现、抗体药物研发、涛烜Hypercell、纳米抗体快速筛选为什么纳米抗体发现越来越关注单 项目背景与实验需求本次项目来自上海某药企，实验目标为开展羊驼VHH纳米抗体快速发现。实验采用23.3kD膜蛋白胞外结构域作为抗原，样本来源于羊驼PBMC，经B细胞富集与激活后进入后续单细胞筛选流程。 更多关于Hypercell高通量单细胞分选系统、羊驼VHH抗体发现以及单细胞抗体筛选也可参考曼博生物相关技术资料关于技术来源本文基于Hypercell单B细胞分选系统、羊驼VHH抗体发现方案、单细胞抗体筛选系统
11210编辑于 2026-05-19 Nature | RFdiffusion: David Baker 团队打造的原子级抗体从头设计新范式
DRUGONE 抗体在现代医学中扮演核心角色，但目前尚无方法能够在完全计算机模拟的条件下设计出新的、针对特定表位的抗体。现有抗体发现依赖免疫实验、随机文库筛选或直接从患者体内分离抗体。 抗体开发通常包括两个阶段：（1）发现能结合特定表位的抗体；（2）进行亲和力成熟和临床优化。当前识别表位特异性抗体仍主要依赖动物免疫或文库筛选，这些方法耗时、费力且不一定能获得针对治疗相关表位的抗体。 筛选结果显示，生成的 VHH 能以纳摩尔级亲和力结合目标表位，并与天然抗体序列显著不同。 RFdiffusion 的结构化设计与酵母展示筛选、OrthoRep 亲和力成熟相结合，为抗体发现提供了全新的计算—实验闭环流程。 最终，这种结构驱动的从头设计方法将加速抗体药物研发，拓展可成药靶点的范围，并显著降低抗体发现的成本与周期。
30210编辑于 2026-01-08- 来自专栏DrugOne
. | 评估抗体和纳米抗体用于筛选有效候选物
尽管目前研究人员已经开发体外相对快速低廉的定向进化技术，但从动物免疫或患者身上发现治疗性抗体仍是黄金标准。源自免疫系统的抗体在体内通常具有诸如长半衰期、低自身抗原反应性和低毒性等有利特性。 发现新的针对特定靶点的抗体或纳米抗体的现有方法大致可以分为第一代体内方法（如动物免疫）和第二代体外技术（如实验室库构建和筛选）。近年来，基于计算设计的第三代方法开始出现。 当在VHH序列上训练时，AbNatiV返回一个VHH自然性分数，该分数量化了抗体序列与天然骆驼科单域抗体的相似度。 作者发现AbNatiV准确地区分了测试集中的VHH序列和人类（PR-AUC为0.983）、小鼠（0.995）及恒河猴（0.992）的VH序列。 作者发现AbNatiV在所有任务上的分类性能都高于重新训练的AbLSTM模型，尤其是在与VHH多样化大于5%数据集的分类中。
45310编辑于 2024-02-23 - 来自专栏DrugOne
用于药物发现的抗体表征学习
作者开发了一个抗体序列特定的预训练语言模型。发现在通用蛋白质序列数据集上对模型进行预训练可以更好的支持特征细化和学习抗体结合预测。 CDR的氨基酸序列决定了抗体将结合的抗原。抗体设计主要就是设计其CDR区。在针对特定靶标设计优化的候选抗体时，会考虑抗体的许多天然特性，包括结合亲和力、结合特异性、稳定性、溶解度和效应器功能。 抗体结合亲和力是本文重点讨论的特性。 抗体数据集 为了评估和比较学习的表示和传统的抗体特征，作者为抗体结合预测任务准备了以下几个基准数据集。 总结 作者发现预训练中使用最多样化和通用的数据集 (Pfam) 时，亲和力性能最好。该结果支持抗体结构和功能特性不仅仅由抗体序列决定的假设。很可能还依赖于在一般蛋白质序列中更广泛遇到的其他特征。 其次，作者发现大小在 3200 到 6400 个样本之间的训练集在亲和力绑定任务中提供了最高的性能增益。 参考资料 https://arxiv.org/abs/2210.02881
86150编辑于 2022-11-28 AI从头设计抗体模型未经专门训练就掌握了可开发性特征？
纷纷开发出新模型与工作流程，成功实现了微型结合蛋白、VHH抗体、单链抗体乃至完整单克隆抗体的从头设计。 在众多新方法中，Chai与Latent Labs最新论文中的发现尤为引人注目。Chai-2和Latent-X2生成的抗体不仅结合性能优异——它们更具备了“药物特性”！ 2024年末，Nabla已证明其JAM-1模型能生成符合“行业标准”可开发性指标的从头设计VHH抗体，而新版JAM-2的表现甚至可能超越Latent X-2与Chai-2。 笔者用参照抗体进行对比后发现，Latent的阈值设定相对宽松，其中Lirilumab的HIC保留阈值尤其难以验证。 Isomorphic团队的研究方向引人遐想…… 抗体发现与优化全面GPU化的时代正在临近。我们仿佛跨越了某个阶段直接抵达此处，这值得深入思考。
20710编辑于 2026-02-04- 来自专栏HyperAI超神经
无实验数据指导蛋白质定向进化，上海交大洪亮课题组发表微环境感知图神经网络 ProtLGN
PROTLGN 与 VHH 抗体：零样本 PROTLGN 的性能 实验人员使用 PROTLGN 模型，在没有实验数据的情况下，通过约 30,000 个未标记的蛋白质结构进行预训练，选择具有最高适应度预测的 VHH 抗体变体中的前 10 个突变体进行湿实验评估。 PROTLGN 设计的 VHH 抗体结果 (a)：左侧展示 VHH 抗体的结构，右侧展示 VHH 抗体及其单点突变体的结合亲和力 (b)：左侧展示 VHH 抗体的结构，此处不同位点产生突变，右侧展示 VHH 抗体及其单点突变体的熔点温度 有 3 个突变体在结合亲和力和热稳定性两方面都表现优异，这证实了 PROTLGN 在指导 VHH 抗体突变设计中的有效性，尤其是在提高抗体的性能方面。 这证实了 PROTLGN 在指导 Ago 蛋白突变设计中的有效性，尤其是在提高抗体的性能方面。
57410编辑于 2024-06-04 不只是生成蛋白，Latent-Y 想做药物设计里的第一个真 Agent
深度解析 过去几年，蛋白质设计模型越来越强，但早期药物发现真正卡住团队节奏的，往往不是单次生成，而是前面那一长串专家工作：查文献、找结构、挑表位、设约束、跑批次、看结果、再决定下一轮往哪里扩。 Latent Labs 在 今天发布的 technical report 和官网材料，把焦点放在了这个更难的问题上：能不能把一整条抗体设计工作流交给 Agent 来执行。 报告同时写到，PRL 这个案例对应的是一个在 PDB 中并不存在抗体复合物结构的目标，这让结果更值得注意。 如果把这件事放回药物发现语境里看，意思并不是它已经解决了 BBB drug delivery，而是它开始显示出从公开论文到实验候选分子的自动化转译能力。 报告自己也强调，Latent-Y 加速的是药物发现中的计算环节，不能替代后续实验、动物研究和临床验证。
29810编辑于 2026-03-31- 来自专栏DrugAI
. | 腾讯AI Lab等团队联合推出自适应扩散设计抗体与纳米抗体
DRUGONE 抗体与纳米抗体的人源化是进入临床前研究的重要步骤。然而，现有方法在普适性与效率上仍存在挑战。 HuDiff 包括针对抗体的 HuDiff-Ab 与针对纳米抗体的 HuDiff-Nb。 HuDiff-Nb 针对 VH 与 VHH 的差异提出改进，避免了分布偏移问题。 不同采样策略生成的结果在保持 VHH 本征性的同时，展现出更高的人源化得分。 尽管目前抗体与纳米抗体的人源化仍需分别建模，但未来整合为统一框架可能带来更多优势。整体来看，HuDiff 为抗体与纳米抗体的人源化提供了高效且普适的解决方案，有望推动新一代抗体药物的开发。
33220编辑于 2026-01-06 . | 用 AlphaFold-Multimer 发现 GPCR 纳米抗体
根本原因在于 GPCR 构象动态性强、重组蛋白产量低，难以满足传统抗体发现流程所需的高质量样本要求。 1.2 纳米抗体（Nanobody / VHH）的独特价值 纳米抗体是来自骆驼科动物（骆驼、单峰驼、羊驼等）的单域重链抗体可变区片段（VHH），分子量约 12–15 kDa，约为传统抗体（150 kDa AF-M 对抗体-抗原复合物的预测完全依赖 PDB 结构模板。这一限制长期以来被视为 AF-M 用于抗体发现的根本性障碍。 八、意义与展望 8.1 对药物发现的直接意义 • MRGPRX2 相关疾病：发现的三条拮抗纳米抗体（Sim8619, Sim9877, Sim4784）具有先导化合物价值，有望用于慢性自发性荨麻疹（chronic • GPCR 抗体治疗空白：目前 GPCR 抗体在 FDA 批准药物中严重欠代表（<1%），本方法体系有望系统性加速 GPCR 靶向抗体药物的早期发现阶段。
19410编辑于 2026-05-08昌平实验室打造PPIFlow：AI 流匹配算法驱动的高亲和力蛋白结合剂设计
但因难以捕捉精准的几何互补性与侧链堆积效应，生成的结合剂亲和力为中等水平，需依赖大规模实验筛选优化； 体外maturation效率低下：传统定向进化、文库筛选等方法资源消耗大，且难以实现对结合界面的精细调控，限制了候选分子的成药潜力； 抗体设计难度更高 ：单域抗体（VHHs）等治疗性抗体需兼顾抗原结合特异性与框架稳定性，从头设计的成功率与亲和力达标率一直处于较低水平。 三、实验验证：全面超越现有技术的性能表现 研究团队在15个治疗相关靶标上对PPIFlow进行了严格验证，涵盖7个微型结合剂靶标（IL7RA、IFNAR2、IL17A等）与8个VHH靶标（CCL2、HNMT 级结合剂，最优亲和力达1pM（TRKA_05、IL7RA_02）； VHHs：240个候选分子表达成功率100%，33.8%（81个）实现特异性结合，27.9%（67个）亲和力优于1μM，CCL2靶向VHH （CCL2_21）亲和力达250pM，PDGFR、1433E等靶标获得单-digit nM级结合剂； 表位精准性：VHH设计的热点覆盖度中位数＞0.9，框架一致性误差（RMSD）仅0.18Å，确保了结合特异性与成药潜力
62010编辑于 2026-01-29- 来自专栏智药邦
机器学习+抗体发现和设计｜BigHat与杨森制药达成战略合作
2024年4月24日，拥有人工智能/机器学习引导抗体发现和开发平台的生物技术公司BigHat Biosciences宣布与强生旗下杨森制药达成合作。 这一战略合作将强生的药物发现、临床开发和数据科学专业知识与BigHat的Milliner™平台相结合，后者是一套与高速湿实验室集成的机器学习技术，用于指导多个神经科学治疗靶点的高质量抗体的设计和选择。 BigHat的抗体设计平台Milliner™将基于合成生物学的高速湿实验室与最先进的机器学习技术整合成一个全栈式抗体发现和工程平台，从而设计出具有更复杂功能和更好生物物理特性的抗体。 这种方法降低了设计抗体和其他治疗蛋白的难度，以应对从慢性病到危及生命的疾病，同时还大大加快了候选药物的发现和验证。 欲了解更多有关我们的信息，请访问 www.bighatbio.com BigHat Biosciences与其他药企合作信息，参见： AI+治疗抗体发现｜BigHat与艾伯维达成合作，预付款3000万美元
41810编辑于 2024-05-08 - 来自专栏智药邦
腾讯AI Lab｜自适应自回归扩散模型设计活性人源化抗体和纳米抗体
引言 1.1 抗体和纳米抗体概述 传统抗体具有典型的Y型结构，包括两对相同的蛋白质链，每对由一个重链和一个轻链组成。 由于其高度特异性和强大结合能力，抗体在多种疾病（如癌症、自身免疫性疾病和感染性疾病）治疗中具有重要应用。 单域抗体（VHH），通常被称为纳米抗体，其结构仅包含单一的重链，但功能上与传统抗体相似。 1.2 抗体人源化的挑战 抗体的人源化是抗体药物开发中的重要环节。未经人源化的鼠源抗体在人体内可能引发人抗鼠抗体（HAMA）反应，降低抗体的治疗效果。 结果显示，HuDiff-Nb在人源化后纳米抗体的humanness得分显著提高，同时保留了较高的VHH原生性。 通过BLI实验分析发现，hNb1.1在人源化后表现出更高的结合亲和力，这表明HuDiff-Nb不仅可以保持结合能力，还可以在某些情况下显著提高其结合强度。 图8 人性化纳米体的人性和结合亲和力 4.
1.2K10编辑于 2024-12-06 - 来自专栏智药邦
AI+新型抗体发现｜Ability完成1800万美元种子轮融资
Ability是将人工智能应用于治疗发现的先驱，其平台主要致力于发现和开发治疗癌症和免疫相关疾病的强效选择性抗体疗法。 Ability Biologics通过其AbiLeap™发现引擎开发具有治疗功能的新型抗体，其开发的抗体疗法有望成为best-in-class或first-in-class。 Ability的领导团队在免疫学、抗体发现、工程学和治疗开发等领域拥有从实验室到商业阶段的深厚经验，并正在利用这些经验，通过其独特的专有人工智能平台，利用强大的计算工具创造下一代抗体。 AbiLeap™发现引擎是建立在迄今为止最大的抗体-抗原相互作用数据库之上的人工智能平台，汇集了五年多的发现数据，并结合了公共和私有数据源。 其强大的AbiLeap™发现引擎将大规模并行、持续学习的人工智能与广泛的抗原-抗体相互作用数据库相结合，生成全人源、基于IgG的多特异性抗体，具有极佳的选择性和亲和力。
27910编辑于 2024-07-06 - 来自专栏新智元
全球首次，湿实验证实！上交成功实现「蛋白质功能定向进化」，零数据跨入AGI时代
在生物化学实验的基础上，课题组证实了ProtLGN是一项通用的人工智能方法，在极少甚至没有实验数据的情况下，成功地实现了针对特定蛋白质性质的定向进化，包括提高抗体的亲和力和稳定性、增强多种荧光蛋白的荧光强度 为了验证ProtLGN对蛋白质突变体活性的预测效果，作者在不同蛋白质的多种生理功能性质上进行了充分验证，确保ProtLGN预测效果的通用性，包括VHH抗体、荧光蛋白（绿色、蓝色、橙色）、核酸内切酶（KmAgo ProtLGN框架示意图荧光蛋白发光强度（FP），VHH抗体结合强度与热稳定性，以及中温核酸剪切酶（KmAgo）剪切活性的多点位突变结果 湿实验结果表明，ProtLGN可以在没有湿实验数据或仅少量类似功能蛋白质的实验数据基础上达到
51310编辑于 2024-05-06 - 来自专栏智药邦
计算结合实验的激动剂抗体药物发现｜Diagonal完成1.28亿美元A轮融资
2024年4月3日， 开创了发现和开发激动剂抗体的新方法的生物技术公司Diagonal Therapeutics宣布完成1.28亿美元A轮融资。 DIAGONAL平台使我们能够克服过去阻碍激动剂抗体发现的技术限制，而且我们已经证明，我们可以有效地推进候选新药的开发，以治疗患者治疗选择有限或没有治疗选择的疾病。 利用该平台，Diagonal发现了针对四个复杂靶点的候选抗体，为治疗严重疾病提供了一条新途径，包括： 遗传性出血性毛细血管扩张症（HHT）：HHT是一种单基因孤儿病，在美国和欧盟有超过15万患者，目前还没有获批的治疗方法 关于Diagonal Therapeutics Diagonal Therapeutics是一家生物技术公司，开创了发现和开发激动剂抗体的新方法。 公司的DIAGONAL平台结合了专有的计算和实验技术，克服了激动剂抗体药物发现方面的历史难题。
29810编辑于 2024-04-15 - 来自专栏DrugOne
bioRxiv | 抗体的幻想设计
在这篇文章中，作者团队提出了一个用于抗体设计的快速、通用的深度学习框架，旨在缩短抗体库生成和抗体亲和力成熟的周期。 介绍 抗体被广泛开发并作用于治疗癌症、传染病和炎症等疾病。 抗体以更高的亲和力和特异性与抗原结合的进化过程被称为亲和力成熟。增加抗体的亲和力成熟的实验方法昂贵、复杂且耗时。而深度学习（DL）模型正在改变蛋白质结构预测、工程和设计领域的工作。 作者团队受到精确结构预测DL模型——幻想框架的启发，提出了FvHallucinator这一DL框架，以目标抗体结构为条件，设计抗体（特别是CDR环上）的序列。 此外，FvHallucinator在VH-VL界面设计了富含人类抗体复合物和治疗性抗体的氨基酸替换。最后作者还设计了一个管道，针对目标抗原虚拟筛选幻想序列。 图1 用于生成以结构为条件的抗体Fv库的FvHallucinator框架 在抗体设计的特定目的下，一个预先训练好的DeepAb模型组合被用来预测所设计的序列的结构。
56720编辑于 2022-11-28 - 来自专栏智药邦
AI+肿瘤抗体药物发现｜Absci与阿斯利康达成合作，总潜在价值2.47亿美元
2023年12月4日，生成式AI抗体发现领域的领先企业Absci（纳斯达克股票代码：ABSI）宣布与全球生物制药公司阿斯利康（AstraZeneca）合作，针对肿瘤靶点提供人工智能设计的抗体。 此次合作将Absci的Integrated Drug Creation™平台与阿斯利康在肿瘤学领域的专业知识相结合，旨在加速发现潜在的新型癌症治疗候选药物。 Absci创始人兼首席执行官Sean McClain说：“阿斯利康是开发新型肿瘤治疗方法的领军企业，我们很高兴能与他们合作设计一种治疗性候选抗体，该抗体有望改善癌症患者的生活。 这些数据用于训练Absci的专有人工智能模型，并在后期迭代中验证使用全新人工智能模型设计的抗体。该平台可在预计六周内完成数据收集、人工智能驱动设计和湿实验室验证的循环，从而加速药物发现。 阿斯利康生物制品工程与肿瘤靶向给药高级副总裁Puja Sapra博士说：“这次合作是一个令人兴奋的机会，我们可以利用Absci的全新人工智能抗体创建平台来设计一种潜在的肿瘤抗体疗法。”
74010编辑于 2024-03-05 - 来自专栏DrugOne
EBioMedicine | SARS-CoV-2抗体发现流程中整合基于人工智能的表位预测
单克隆抗体从单个B细胞的克隆正在成为越来越多的学术和工业实验室的可行技术。SARS-CoV-2中和抗体（nAb）开发的前所未有的速度就体现了这种可行性。 在这种情况下，快速的表位（epitope）定位是发现管道中潜在nAb候选物的关键。多种实验技术，如生物层干涉测量、基于酵母展示的深度突变扫描或冷冻电子显微镜（cryoEM），都能提供这方面的信息。 方法流程 图 1 本研究的主要目标是建立一个抗SARS-CoV-2中和抗体库，这些抗体可以用于对COVID-19患者进行被动免疫，特别是那些抗体产生受损的患者。 值得注意的是，类似的工作流程依赖于从康复患者的B细胞中识别抗体，在COVID-19的研究中被工业和学术研究团队广泛利用，这可能是因为它们是提取强效抗体的最直接策略之一。发现流程的概览在图1中展示。 独特于方法的是，在发现流程的早期，作者内置了一个计算机模拟步骤，试图在不需要耗时的实验分析的情况下，选择有前景的抗体候选物，这些候选物能够与SARS-CoV-2 RBD的不同区域结合。
34310编辑于 2024-06-04 . | AI加速抗体筛选：高效发现具备类药物特性的高质量结合分子
DRUGONE 近年来，多家AI生物技术初创公司不断展示由人工智能辅助完成的抗体发现成果，并宣称该技术具有改变行业格局的潜力。 传统抗体发现流程通常需要长达两年时间，才能将一个初始命中分子优化为可进入临床开发阶段的候选药物。 目前，大多数公司并不是完全从头开始设计抗体，而是基于已有抗体框架，通过生成式模型优化重链和轻链中的氨基酸序列，以改善稳定性、溶解性、免疫原性以及效应功能，例如Fc受体回收或抗体依赖的细胞毒作用。 这种基于骨架优化的方法已经能够显著提升抗体的可开发性。 然而，真正困难的部分在于预测抗体与抗原的结合能力。 当前模型已经能够从简单的纳米抗体扩展到更复杂的抗体形式，但随着抗体结构复杂度增加，所需训练数据、实验验证和过滤步骤也大幅增加。
27310编辑于 2026-03-30
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号