1. 从“抗体药热”说起为什么人源化是绕不开的门槛这些年做抗体药物发现的朋友应该都有同感靶点越找越难尤其是肿瘤免疫、双抗、ADC这些赛道真正能成药的好靶点早就被翻来覆去筛过好几轮了。剩下的新靶点大多藏在结构复杂的膜蛋白、受体复合物或者一些构象动态变化很大的蛋白上想要拿到一个特异性好、亲和力够强、又能安全推进到临床的抗体分子难度比五年前高出不止一个量级。而在这条链路上抗体人源化恰恰是最容易卡住项目进度的一环。很多做研发的同学拿到的起始分子是小鼠单抗——杂交瘤也好、噬菌体展示筛出来的也好——免疫原性强直接给人用根本不行。把人源化做的太“激进”改掉太多鼠源残基亲和力可能掉得你怀疑人生做得太保守又逃不掉免疫原性风险。这个平衡感以前靠经验、靠运气现在终于有了更靠谱的解法。我最近在推进一个针对某新型肿瘤靶点的抗体药物早期发现项目用的就是MaXFlow这套AI驱动的分子设计平台。从鼠源抗体序列出发先做人源化设计再做亲和力成熟整个流程下来我的最大感受是这个工具不是简单给你跑个深度学习模型它把计算设计、结构生物学验证、亲和力预测串成了一条完整的工作流真正把“设计-验证-优化”的循环跑了起来。这篇文章就把我实际操作中的完整思路、步骤、参数考量和踩过的坑老老实实写出来。适合正在做抗体药物发现、人源化改造、亲和力成熟或者想了解AI怎么落地到蛋白工程实际项目的同学。就算你现在还没上手用过任何AI抗体设计工具这篇也能帮你把这条技术路线的前因后果理清楚。2. 整体设计思路为什么选AI驱动的计算人源化而不是传统方法2.1 传统人源化改造的痛点先说说以前怎么做人源化。经典流程无非几种鼠源抗体可变区直接嫁接到人IgG骨架上这叫嵌合抗体免疫原性降了但还是残留不少鼠源CDR区更精细一步把人源胚系基因作为模板把鼠源CDR“移植”上去这就是CDR移植CDR grafting是目前工业化最常用的路线还有表面重塑resurfacing、SDR移植specificity determining residues grafting这些变体方法本质都是在“保留多少个鼠源残基”上做文章。这些方法最大的问题不是做不出来而是经验依赖太重、试错周期太长。你得靠序列比对、晶体结构、文献数据反复判断每个位点能不能改一旦改完亲和力崩了就得回头换方案再来一轮。一轮就是两三个月的湿实验项目排期根本耗不起。另一个隐蔽的坑是传统方法选模板主要靠序列同源性比对挑一个人源胚系基因当受体框架。但是同源性高不代表可开发性好——表达量、热稳定性、聚集倾向、后期纯化行为这些都是序列比对看不出来的。你辛辛苦苦把序列改成了“看起来像人的”结果蛋白在大肠杆菌或者CHO里表达不出来或者在纯化时疯狂聚集这种项目翻车的例子我见过太多次了。2.2 AI平台给了什么新解法MaXFlow给我最直观的感受是它把“人源化”从一种手艺活变成了一个可优化、可量化的计算工程问题。具体拆开看它做三件事序列层面评估判断每一个氨基酸残基的“鼠源属性和功能贡献”并且用模型推断如果把这个位点改成人源残基对整体结构稳定性和关键残基互作会有什么影响。注意这里不是简单给一个“能不能改”的标签而是给出一个量化的风险评分和替代方案建议。结构层面验证拿到候选序列之后马上做同源建模或者基于已有结构模板的结构预测把所有改动放回三维结构里看。残基埋在核心还是裸露在表面、侧链方向朝向哪里、是不是跟CDR区域有相互作用网络这些空间信息决定了这个位点到底能不能动。亲和力与可开发性联合评估这一步是传统方法里基本要靠猜的。一个候选人源化序列已经生成了但改掉的残基会不会影响CDR loop的构象取向结合界面上的氢键网络有没有断平台用打分函数和相互作用能计算来给出预估的亲和力变化趋势配合表达、聚集风险的预测相当于在进湿实验之前先把大部分雷排掉了。2.3 我的方案选择逻辑我在这个项目里选择MaXFlow驱动的工作流决策逻辑很简单项目本身是新靶点、新结构信息有限没有太多同源抗体可以参考传统模板移植路子不好走靶点蛋白的结合界面是个比较平缓的表位CDR loop柔性大结构稍微偏一点可能亲和力就没了需要精确的结构层面判断时间紧必须在有限轮次里拿到人源化且亲和力达标的分子。与其说MaXFlow是一个“AI预测器”不如说它是一个结构生物学家和计算药物设计专家的经验封装。平台里内置了很多判断规则和打分模型相当于把“如果是我来做我会怎么看这个位点”的逻辑从人脑搬到了可重复、可追溯的计算流程里。注意AI不是替代湿实验它的价值是把“需要做一百个分子才能试出来的事”缩小到“做十个分子就能锁定最优方向”。凡是声称AI设计完就能直接成药的那种说法多少有点外行了。3. 人源化设计实操从序列到结构的关键动作3.1 初始序列与模板准备先说输入。你手里最先有的是一个或者几个鼠源抗体可变区序列VH-VL配对可能还有CDR界定标注。这些序列质量直接决定后面所有环节的可靠性。我自己吃过的亏是最初拿到的一条杂交瘤序列基因测序结果里有几个低质量峰导致CDR-H3序列被多读了一个氨基酸。当时没仔细核对直接扔进计算流程出来的所有结构模型和人源化方案全部围绕这条错误序列展开白白浪费了一周多时间才发现问题在源头上。所以第一件事别嫌啰嗦先把序列确认做扎实。至少要检查三样东西信号肽切割位点是否一致有没有可能带上部分信号肽残基恒定区序列是不是纯鼠源有没有拼接问题CDR区长度对不对尤其是CDR-H3长度差异对结构影响巨大。拿到可靠的VH、VL序列后我做了一步IMGT编号和Kabat编号的转换。MaXFlow平台内部会自动做编号对齐但自己最好也清楚两种编号体系下CDR边界在哪里因为不同体系界定的CDR范围不完全重叠这对后续“能不能改、哪里能改”的判断影响很大。模板方面这个靶点我们没有现成的抗体-抗原共晶结构所以我走的是同源建模路线。MaXFlow会从抗体结构数据库里找最合适的VH/VL框架模板同时对比VL-VL、VH-VL界面残基匹配度避免出现VH选A模板、VL选B模板拼起来界面冲突的低级问题。3.2 人源化策略迭代从“能改哪里”到“改完会怎样”拿到结构模型后关键的判断来了到底哪些位点要改成人源残基MaXFlow的人源化模块给我的建议可分为几类我按实际决策优先级排序表面暴露残基优先改。这些残基直接跟免疫系统的B细胞受体接触是人源化最想动的“显性表位”。经典Vernier zone、框架区FR表面残基都在这个范围。VH-VL界面残基谨慎改。如果界面上某个鼠源残基跟对面链的残基形成氢键、盐桥或者疏水口袋一旦改成不一样的人源残基配对角度会偏直接影响CDR朝向。这类位点我通常是先做突变模拟看相互作用是不是还成立。支撑CDR loop的笼状残基尽量不改。这些残基不在CDR里但它们的侧链从框架内部撑住CDR loop的空间构象相当于一个隐形的“脚手架”。动了它们CDR的形状就塌了。与抗原直接接触的残基绝对不改。这些位点一旦改掉就算人源化完成靶点结合也没了。所以工作流里第一步就是把结合界面的残基全部标记为“禁止突变区”。这里要特别说明一个问题MaXFlow不是简单地给每个位点一个“人源化推荐指数”就完事了它的核心价值是帮你把“要不要改”的二元选择变成**“改动后系统性的结构-功能后果预见”**。举个例子我遇到的某一个FR2区残基鼠源同源性比对强烈建议改成常见的人源残基。但结构模型显示这个残基的侧链朝向CDR-H2的下方跟H2的第52位残基存在一个潜在的疏水接触如果强行换成极性人源残基这个疏水作用消失H2 loop局部构象的熵会增加最终可能导致抗原结合位置偏移。平台把这层“间接影响”预测出来了并且建议了一个替代方案——保留该位点的疏水性选一个人源残基中仍然带疏水侧链的种类。这个位点最后按替代方案改了后面亲和力成熟实验也验证了判断是正确的。所以在操作中我建议你多关注平台输出的残基取代理由和替代选项别只看推荐的最终序列。3.3 关键参数与打分体系MaXFlow的人源化模块输出里有一串打分数据刚开始容易看花眼我按实际重要性排序如下参数我的理解实操中的关注方式HUM人源化程度序列跟人源胚系基因的相似度一般做到80%以上算及格90%以上算优秀但CDR区域不强制AIS抗体可开发性指数表达、聚集、粘度的综合预测分这个分值低于阈值时就算人源化程度再高我也会先缓一缓G/T score胚系一致性与区分VH/VL特定家族的一致性水平用于判断突变是否“常见于人源抗体”越常见越安全ΔΔG结合自由能变化预测每个位点突变对抗原结合的预测影响结合界面上的位点只要变化趋势显著直接标记为不可动点RM风险突变标记该位点跟已知结构和功能风险数据库的匹配看到标记红眼的位点就先别急着动了再查不要只盯着HUM看。人源化做过了头后面亲和力成熟压力会极大有些位点上你省的那点操作成本会在后期成倍还给湿实验部门。我的习惯是“够用就好留余地”人源化程度做到80-85%之间保住活性空间给亲和力成熟留操作窗口。3.4 人源化完成后的结构验证出分子不是终点拿到推荐的人源化序列后至少要做三遍结构层面的确认回贴CDR状态人源化后的框架区换了个遍CDR loop会不会因此发生主链偏移最直接的办法是把人源化前后两个结构叠合算一下每个CDR残基的主链RMSD。RMSD超过一个阈值的loop就要小心了。检查分子内相互作用网络特别是盐桥网络和氢键网络有没有断裂。框架区内部的氢键断裂会导致局部结构松动这个在序列上完全看不出来只能在结构上看到。VH-VL界面检查人源化后两个结构域的偏转角有没有变化手头没有实验数据时就看平台的结构模型输出中和界面的接触面积、氢键数量和界面形状互补性。这些数值显著变差需要考虑位点回退或者接受它再往下走。做完这轮结构验证再进入合成和表达阶段这是我最推荐的节奏。4. 亲和力成熟光有人源化还不够还得往死里优化4.1 为什么人源化之后还要做亲和力成熟我知道有人会问人源化不是尽量保留CDR吗保留CDR的鼠源残基不就保住了亲和力为什么还要额外做亲和力成熟问到这个问题的同学项目经验应该还不多。实际情况是原始鼠源抗体的亲和力往往是“够用”但到不了“优秀”。用SPR表面等离子共振一测KD在纳摩尔级别对诊断试剂够了做治疗性抗体尤其是肿瘤靶点这种表达密度不高的靶标推不动疗效窗。人源化过程本身可能损伤亲和力。这就是绕不开的悖论你越改“像人”结合越弱。哪怕AI在计算层面做了各种保护实测亲和力掉个3-10倍是常事。项目的需求往往比天然分子苛刻。比如你要做一个双抗其中一个臂的单价亲和力太低双抗整体活性就会被拖累你要做ADC抗原结合弱了内吞效率上不去毒素根本进不了细胞。所以亲和力成熟不是“可选项”而是治疗性抗体发现管线里的默认标配。4.2 从热点定位到文库设计的完整动作MaXFlow在亲和力成熟阶段的逻辑我拆成三个递进层级说人话就是先搞清楚从哪里改再决定怎么改最后挑出最合适的分子。第一层结合热点定位Hotspot Mapping亲和力成熟最忌讳的就是“全CDR扫一遍突变”。CDR-H3动多了结构和特异性容易崩。MaXFlow通过分子动力学模拟或基于结构能量计算的残基扫描Alanine Scanning把结合界面上的关键热点残基挑出来。怎么判断一个残基是不是热点我会看这几项在界面上的接触面积占比BSA fraction高不高有没有直接形成氢键/盐桥侧链能量贡献值是否为正且较大是不是“口袋稳定残基”——当抗原在该区域有口袋结构时插入口袋深处的那个残基往往贡献最高。把这些热点定了后面做突变设计就有了优先级精力放在刀刃上。第二层突变空间压缩Mutational Space Reduction一个CDR区域假如有10个可突变位点每个位点尝试20种氨基酸理论组合是20的10次方这个空间湿实验根本筛不动。MaXFlow做了两件压缩的事从热点残基进一步筛出“真正值得试”的位点一般只剩3-5个给每个位点只生成一组“智能突变建议”不是穷举而是基于进化保守性分析、同源抗体偏好性、氨基酸替换倾向比如丙氨酸到酪氨酸、丝氨酸到组氨酸这样已知能改善结合的类型把每个位点建议的突变数量从20压到3-8个。这样一轮突变库分子数控制在数百到数千的量级配合噬菌体展示、核糖体展示或者FACS分选刚好能筛得过来了。第三层组合突变与排序Combinatorial Design and Ranking单点突变的亲和力增益往往有限真正见效的是多个热点位点协同优化。MaXFlow会在前两步基础上生成组合突变体并按预测打分排序。此处要提醒一下不要只盯着MaXFlow打分最高的那几个组合突变体。预测总归有误差我更倾向于把评分Top 10和Top 20-50里的“多样性代表”一起选进建库序列。因为打分模型的分辨率在高分段往往比较平很多分数的差异在实验误差范围之内这时候多样性采样比盲目追Top 1更划算。4.3 一个具体的成熟策略实例在我这个项目里靶向的是一个在多种实体瘤中异常高表达的膜受体结合表位位于受体胞外区的一个较平缓表面。原始鼠源抗体的亲和力大约在12 nMKD对后续要做的体内药效实验来说不太够目标是把亲和力推到亚纳摩尔级别同时不破坏靶点特异性。第一轮定点饱和文库聚焦到CDR-H3上的三个热点残基结合模拟显示一个插进口袋、两个形成氢键网络每个位点引入6-8种氨基酸做了约400个克隆的噬菌体展示筛选。筛下来最好的hitKD从12 nM改善到2.3 nM大约5倍提升。第二轮组合优化把第一轮three热点的最优单点突变组合起来同时引入CDR-L3的一个框架稳定化突变这个突变是MaXFlow在“提高loop稳定性”建议列表里推荐的起初有点半信半疑因为L3不在结合热点名单上但实测把它加进去以后整个scFv的表达量翻了近一倍亲和力还额外好转这种“幕后功臣型”突变只有计算平台在数据里才能挖得到。第二轮最终拿到一个组合分子KD账面预测大约0.4 nM送到SPR实测结果为0.58 nMHIT。而且这个分子跟靶点另一侧非表位区域没有交叉反应特异性没有因为突变库的引入而紊乱。4.4 可开发性约束亲和力成熟做完分子活性好了但紧接着就会撞上另一个墙可开发性。常见情况包括高亲和力突变引入了额外的表面疏水残基分子聚集率上去制剂浓度做不高突变让CDR region带上了潜在的蛋白酶切位点在血浆里几个小时内就降解了新的序列在CHO表达体系里产量骤降从5 g/L掉到0.2 g/L。MaXFlow的“可开发性评分”模块在亲和力成熟过程中就同步输出。我在每个候选分子列表里除了看结合预测分还会同步看三列表达潜力、聚集风险、血浆稳定性风险。综合评分不过关的分子哪怕亲和力再漂亮也只能做保留观察不推荐进下一轮实验。实操习惯把“活性优先”和“可开发性过滤”做成一条硬性管线逻辑。第一轮先让活性说话第二轮开始加可开发性门槛第三轮逐步收紧。太早加太多约束会筛空太晚加约束会让宝贵实验资源浪费在无法成药的分子上。5. 常见问题与排查技巧实录这部分是我实际操作中踩过的坑和身边同行交流出来的经验整理成速查性质的内容方便各位对了自己的项目情况直接用。5.1 人源化后亲和力掉得离谱现象人源化序列的HUM评分做到90%以上但ELISA或者SPR检测发现亲和力掉了一个数量级甚至更多。排查思路回去看是不是动了不该动的CDR支撑位点。这是最大的嫌疑即使AI平台已经做了保护有些边缘判断还是可能漏。做法把最终人源化序列的每一个框架区突变都在结构上投影一次逐一查侧链跟CDR的距离和接触。查看人源化模板本身的问题。有人源化模板选的是非常偏门的胚系基因虽然HUM分数高但该胚系基因在人群中表达率很低相当于你改到了一个“人源但不常见”的框架这里的隐藏风险是不仅免疫原性没降多少还可能引入了理化性质古怪的残基组合。做法是换一个表达频率更高的主流胚系模板重新做一轮。检查是否是VH-VL界面配对大翻转。这类问题一般不会单独出现在亲和力数据里还会伴随scFv表达量下降。一旦出现就要回头检查界面上被改动过的残基簇考虑对界面残基做回退。5.2 AI预测亲和力很高实际测出来完全不行现象平台打分漂亮湿实验打脸。经验判断看结构模型质量。预测打分极其依赖输入结构的准确性。如果你的模板结构分辨率低或者跟真实构象偏差本来就大后面所有基于这个结构的计算都是在误差上面叠误差。看是不是实验体系差异。SPR测量对固定方式、抗原的批次活性、抗体的聚集状态都有大影响。我遇到过同一个分子在两种SPR缓冲液条件下测出来的KD差到3倍以上。建议先把平台的预测当“相对排序”用不要当“绝对数值”用。观察结合动力学曲线形态。有时候曲线显示的是非典型结合例如明显两步结合或者结合后异常缓慢解离这种情况下真实实验数据和严格意义上的“单点替换预测模型”不在一个前提假设里预测失准属于正常。5.3 亲和力成熟的分子特异性变差现象改造后的抗体不仅结合靶点还开始结合某些意料之外的蛋白最典型的是结合到不同亚型或者同家族的其他成员上。原因分析亲和力成熟本质上是在结合界面上引入更多接触这些新增接触如果落在高度保守或结构类似的表位区就可能出现交叉反应。很多情况下是组合突变的“贡献残基”在结合界面上新形成了一个更大的相互作用表面表面太大就容易撞上非目标蛋白的类似结构。解决思路回到平台看引入突变的结构重叠图把新形成的接触面积逐一检查对特异性变差的分子做“热点回退”保留部分亲和力增益但拉掉交叉反应来源突变筛选方案改为竞争性淘选或负向淘选在文库筛选过程中直接把非目标蛋白作为竞争结合物把交叉反应克隆踢掉。5.4 计算输出的人源化序列表达量极低现象人源化改造后抗体基因在CHO里表达量上不去或者scFv在大肠杆菌中形成包涵体。这里有一个容易被忽视的技术盲区序列“看起来人源”跟“天生好表达”是两回事。不同的人源框架对蛋白质折叠动力学的影响差异很大有的框架初始折叠速率慢容易触发未折叠蛋白反应表达自然上不去。MaXFlow的输出会带序列对应的人源V基因家族归类。如果发现表达异常的分子属于比较难的家族比如某些VH3亚家族虽然表达主流但某些特定等位基因频繁出现翻译后修饰问题可以考虑更换框架来源用同家族但另一个更常见的亚型重建人源化序列。另外提醒一点计算平台给的表达预测只是一个参考指数不是硬性保证。真正提高表达量要靠信号肽设计、密码子优化、表达载体的增强子元件配合这些属于实验层面的优化和计算设计是两条平行线。5.5 遇到建模结果和实验结构不一致这种情况通常出现在后续拿到了自己的共晶结构之后回看当初的AI建模结果发现某些loop构象预测出现了偏差。我个人的处理原则是结构永远以实验数据为准计算模型的角色是缩小搜索范围而不是替代实验结构。所以拿到新共晶结构后我会把之前所有依赖建模结构做出的结论影响较大的关键突变都重新核验一遍。如果发现某个CDR loop在真实结构里构象跟预测不一样会回头再把这个位点的突变记忆回退看有没有信息要修正。6. 工作流组织与复现建议写完上面那些拆解最后把整个流程串成一张可以照抄的“工作日历”式路线图。6.1 项目层面的推进顺序拿到一个鼠源抗体候选分子之后我的实际操作顺序是序列确认与质量审计0.5-1周验证测序峰图、CDR界定与恒定区拼接正确性。这个阶段不碰AI纯基础数据准备。初始结构建模与表位定义1-2天同源建模分子叠合把靶点已知表位数据映射上去。如果靶点有文献报道的表位信息务必一起导入平台做约束条件。第一轮人源化设计3-5天跑出多个候选解决方案不要只收一个。通常我会要三套候选序列方案分别对应“最保守低风险”、“平衡型”和“最高人源化程度”三个策略。这三套不是随机的梯度而是为不同下游计划准备的备选——比如其中一套会进双抗设计另一套进ADC评估它们对可开发性的要求不一样。结构验证体外快速筛选2-3周第一轮只合成10-15个分子做小规模表达和SPR结合测试。核心目标是验证计算预测的“亲和力趋势”是不是靠谱顺便把表达问题暴露出来。亲和力成熟热点扫描1周内基于第一轮验证过的方向和结构模型跑热点定位和突变库设计。库规模建议控制在千级以内太多会浪费淘选资源太少会漏掉组合增益。多轮定向进化筛选4-6周/轮噬菌体展示或毕赤酵母展示走2-3轮逐步收紧条件目标是拿到最优分子。综合评估与成药性初判1-2周时间所有候选汇总跑完整的可开发性预测拿Top 5进后期表达、稳定性、动物实验。6.2 需要特别注意的三句话第一句AI平台的输出质量直接取决于输入信息的完整度。别偷懒把靶点已知功能信息、表位约束、物种交叉反应要求、可开发性偏好全部在项目配置里写清楚再跑任务。第二句整个过程中保持“多方案并行”的思路。人源化三个策略、亲和力成熟两个库、可开发性两个筛选路线这种并行不是你浪费效率而是给后期留容错空间。单一路线的项目在计算设计阶段看起来很快但大概率会在湿实验阶段返工。第三句每次实验数据回来都记得回到平台做“回溯学习”。把高质量SPR数据和失败批次数据作为新的验证集更新平台的本地知识库或参数偏好。我经过两轮迭代之后MaXFlow对本项目靶标的预测精度明显比第一轮好了这就是AI工具正确的打开方式。最后分享一个我自己的使用习惯这个习惯是我在项目中后期才摸索出来、但回头想想价值极高的永远把计算平台的输出当成“有经验的同事的第一稿方案”而不是“裁判的终审判决”。什么意思呢比如MaXFlow给的某个热点突变建议在结构逻辑上说得通但我在过去经验里见过类似位置引入芳香族氨基酸容易引起非特异性疏水粘性那我就不会直接照单全收而是看一眼平台有没有提供同位置的备选亲水方案。工具给方向经验做校验这两者配合起来的胜率远大于任何单一来源。另外一个小技巧是留意把多轮次的数据沉淀下来。MaXFlow这类平台的优势是数据和流程都在平台上留存项目中途加入新成员或者跨组协作时直接把项目链接给对方比自己整理一堆Excel和PPT高效得多。我在这个项目里至少有两个关键设计决策就是因为组内其他同事看到了我在平台上的历史分析记录提出了我漏掉的视角才避免了往下游走弯路。这轮用AI驱动的人源化设计与亲和力成熟整套流程跑下来我个人最深的体会是计算设计不是让工程化工作变得“简单无脑”了而是把很多原来靠“试错”和“运气”的事变成了“看得见逻辑”的工程决策。靶点可以新、结构可以难但只要有好的序列输入、合理的约束条件、加上一个愿意自己动脑思考的研发团队这条AI抗体的路子确实值得每个做药物发现的项目组认真考虑。
