利用人工智能设计更好的抗体疗法

治疗性抗体一直以来都是通过两种方法开发：噬菌体展示和转基因小鼠模型。两种方法都很成功，已开发出几种抗体疗法用于商业用途。另一种方法是 B 细胞筛选，但该方法目前尚未开发出获批抗体。第一个单克隆抗体疗法于 1986年获批1，截至 2022 年 6 月，已有 162 种基于抗体的疗法被批准用于商业用途2。据计到 2023 年底，至少将有 23 份基于抗体疗法的上市申请被提交，其中包括 5 种双特异性药物和 2 种抗体药物偶联物（ADC）3。尽管基于抗体的疗法在临床和商业上获得了成功，但现有方法仍存在挑战，例如成本高、时间长、免疫原性低的靶点成功率有限。此外，很难靶向功能性表位，而且强结合不一定是功能指标

抗体药物开发商越来越多地转向人工智能（AI）来提高候选抗体的流程效率和质量。多家公司正在开发人工智能驱动的抗体发现流程。总部位于英国的 LabGenius 公司将自动化、机器学习和疾病相关读数结合在一种算法中，识别能够根据已知读数区分正常状态和疾病状态的抗体4。该过程支持识别意外发现的候选抗体。此外，因为人为干预少且机器学习过程的自动化和高速度，从开始到完成大约仅需 6 周4。另一个例子是中国晶泰科技（ Xtalpi）5，最近的一份报告显示，该公司使用人源化小鼠产生的抗体作为输入数据来构建人工智能模型。该团队将大型抗体序列数据集与人工智能模型相结合，预测抗原表位和抗体序列的配对，从而减少在小鼠模型中筛选和识别候选抗体的时间和成本5。简言之，人工智能驱动的工作流程可以准确模拟人源化小鼠模型进行抗体开发，而所需时间和费用则很少。

最近，生成式人工智能被用来推动抗体的发现。生成式人工智能是一种用于创建语言算法（如 ChatGPT）的方法，并使用输入训练数据中的模式和结构来创建新数据。在抗体发现领域，生成式人工智能可以根据抗体活动构建的大数据集设计出无限的抗体组合6。使用生成式人工智能的独特之处在于零样本概念，算法可以设计未经训练的新结构。这意味着，无需获得新目标的训练数据便可用零样本学习法生成抗体。由于生成式人工智能十分强大，多个公司选择这种方法来识别包括小分子抑制剂和治疗性抗体在内的新型候选疗法7。抗体发现公司晶泰科技（Absci）最近报告称其利用生成式人工智能的组合方法，每周创建近 300 万个设计，并进行高通量筛选，验证与目标抗原结合的候选抗体，从而识别出针对人类 EGFR 和 Her2 的抗体8。这种组合过程消除了抗体开发过程中的几个步骤，包括计算机候选物的优化和耗时的先导物优化研究。

随着生成式人工智能融入抗体发现工作流程，它增加了识别新型候选抗体以治疗病理复杂或被认为“无药可治”的疾病的可能性。如果这种潜力得以实现，那么生成式人工智能将彻底改变多种治疗候选药物的早期筛选和识别。

参考文献:

¹https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8664682/#

²https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9535261/#

³https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9728470/#

⁴https://www.wired.com/story/labgenius-antibody-factory-machine-learning/

⁵https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10370440/

⁶https://www.news-medical.net/news/20230111/Generative-AI-approach-unlocks-path-to-accelerated-antibody-drug-creation-for-novel-therapeutic-targets.aspx

⁷https://www.pharmaceutical-technology.com/comment/generative-ai-revolutionise-drug-discovery/

⁸https://www.biorxiv.org/content/10.1101/2023.01.08.523187v1