企业官网建设流程全解析

2026年年初，我在海外校友峰会上做了一场技术分享，题目叫《从筛选抗体，到AI按需定制设计抗体》。讲完之后加好友的人比想象中多，大家都在问同一个问题：PPT和讲稿能不能公开。这篇就把当时的演讲稿和PPT核心页面整理成了完整的文字实录，现场来不及展开的技术细节、没写进slides的背景推演，也一并补在这里。如果你正在做抗体发现，或者正打算给团队引入AI设计管线，这篇内容应该能帮你看清楚这套方法论到底走到了哪一步。

1. 为什么这个时间点，偏偏要讲“AI设计抗体”

1.1 这场分享是怎么选出来的

年会筹备期间，主办方给的主题方向是“前沿技术如何改变生物医药”。我原本准备了两版方案，一版讲通用大模型在药物研发里的应用，另一版就是这个抗体AI设计。最后我放弃了前者，原因很简单：通用大模型的话题太宽，而台下观众里有相当比例是做药物研发、生物技术投资和临床转化的，抗体是他们最熟悉的工具。与其说一个大家都在讲的宏观趋势，不如拆一个正在发生剧烈变化的垂直领域。

当时我给自己定了个目标，25分钟内必须讲清楚三件事：传统抗体筛选的问题到底出在哪里，AI设计抗体在技术上是怎么实现的，以及一个真实项目从设计到拿到先导分子的完整路径。后来现场超时了3分钟，问题最多的部分果然是第三块。大家其实不缺概念，缺的是“到底怎么操作”的细节。

1.2 分享前我做过的两个小调研

为了讲得有依据，我在准备阶段做了两件功课。

第一件事是摸底传统抗体发现的真实时间成本。我联系了几位在大型药企里负责抗体发现的朋友，问同一个问题：从拿到靶点到拿到一个可以进入临床前评价的先导抗体，平均要多长时间？答案集中在6到12个月。运气好的项目4个月能跑完，复杂膜蛋白靶点拖到18个月的也不少见。这里还没算上后续亲和力成熟、人源化改造、可开发性优化那几个月的额外时间。换句话说，传统方法不是不出活，而是时间账单越来越难看。

第二件事是调研AI设计抗体的落地情况。我统计了过去公开报道里进入临床前研究的AI设计抗体项目，发现一个明显变化：前两年AI基本只做辅助打分，帮实验团队从几百个候选里排序；而最近一年，已经开始出现重链和轻链都由算法生成、随后直接进入动物实验阶段的案例。这说明“按需设计”已经不是一个宣传词，而是有真实项目在走通。

做完这两个调研，我基本确定这个题目选对了。

2. 传统抗体筛选究竟卡在哪里

2.1 三条经典技术路线的成败得失

要在25分钟内讲清楚传统筛选的瓶颈，得先帮观众把技术谱系梳理明白。当前主流单抗发现平台就三条路线：杂交瘤技术、噬菌体展示、单B细胞分选。

杂交瘤技术是最经典的路子，免疫动物后取脾脏B细胞和骨髓瘤细胞融合，筛出能稳定分泌目标抗体的杂交瘤克隆。它的优点是抗体经过体内亲和力成熟，天然接近人体真实应答，免疫原性风险相对低；缺点是通量低、周期长，一个完整流程往往要半年以上，而且鼠源抗体后续必须做人源化改造。

噬菌体展示是过去二十年最主流的高通量平台，把庞大的抗体基因文库展示在噬菌体表面，通过亲和淘选不断富集特异性克隆。它最大的优势是文库容量大，天然库、合成库、免疫库都能做；短板同样明显——淘选过程对操作经验极度敏感，洗脱条件稍微不对，高亲和力克隆就丢了。

单B细胞分选是近期兴起的路线，从免疫动物或康复者外周血里直接分选抗原特异性B细胞，再单细胞测序拿到抗体基因。它的优势是保留了天然的轻重链配对信息，适合应对紧急病原体；限制是对样品质量、流式分选条件和单细胞平台依赖度都很高。

三条路线放在一张表里看更直观：

2.2 我总结的“三座大山”

这三条路线虽然技术细节不同，但本质上都逃不开三座大山。

第一座是时间山。每轮筛选、克隆化、表达、测活就要一周，一个完整流程等于无数个一周的叠加。我见过一个针对某受体蛋白的项目，光亲和力成熟就做了四轮，每轮三个月的循环，一年就这样过去了。

第二座是成本山。动物免疫、细胞培养、基因合成、表达纯化、SPR检测，每一环都在烧钱。一个靶点的早期发现成本轻松落在几十万到上百万人民币区间，如果算上失败项目的沉没成本，账更难看。

第三座是运气山，这一点最容易被低估。即使你的筛选流程走通了，拿到的先导抗体也未必适合往下走。亲和力合格但表达量低，或者热稳定性差、聚体严重，这样的分子我见过太多。某次针对一个G蛋白偶联受体的胞外表位筛选，噬菌体淘选了三轮后拿到的阳性克隆，在哺乳动物细胞里表达量只有0.5 mg/L，后续换了载体、改了信号肽才勉强提到15 mg/L。筛得出、产不出，就是这个行业里最典型的隐性浪费。

这三座山的本质问题是同一个：传统流程依赖“从多样性里找答案”，而多样性本身就是一种运气。你要从几百万个分子里大海捞针，捞到了算运气好，捞不到就得再来一轮。

3. AI按需定制设计抗体的技术逻辑拆解

3.1 生成模型真正在生成什么

很多观众第一次接触AI设计抗体时，有个最普遍的误解：觉得AI是直接写出一段氨基酸序列的“码字机器”。实际完全不是这样。

AI设计抗体的核心链条是：表位-结构-序列。先拿到靶点蛋白的结构信息，锁定想要结合的抗原表位区域，然后用生成模型去生成能够在这个表位表面形成稳定结合的CDR序列——CDR是抗体可变区里的互补决定区，直接决定抗原结合特异性。

换句话说，生成模型做的不是凭空填字母，而是从结构约束出发反推序列。这就像你写一篇文章，不是对着空白页写，而是先确定主题、限定字数、再逐段落笔。CDR区通常有三段重链CDR和三段轻链CDR，它们共同构成一个空间表面去贴合抗原；而框架区提供结构支撑，直接影响抗体的稳定性和可开发性。

我在这里特别想强调一个实战技巧：真正成熟的AI抗体设计，绝不会只优化CDR的亲和力，而是把框架区的稳定性也放进优化目标。只盯着CDR的团队，做出来的序列往往第一轮合成就降解了。

3.2 三个关键能力缺一不可

一个能用、能打、能进实验室的设计管线，至少要有三个不可替代的能力。

表位锁定能力排在第一位。你要让模型清楚自己该结合哪块表面。抗原表位有可能是线性表位、构象表位，也可能是翻译后修饰调控的位点。输入的表位定义错了，模型再强也会给出一个亲和力很高、但结合在错误位点的“假阳性”抗体。

第二个能力是可开发性约束。高亲和力不等于成药。一个序列即使结合力好，如果热稳定性差、等电点极端、有潜在的糖基化位点，或者疏水patch太大，后续工程化阶段一定返工。真正专业的设计管线，会在生成阶段就把这些成药性指标作为约束条件一起优化，而不是等实验阶段再补救。

第三个能力是多样化生成。这也是我从实战中越来越看重的一条。如果AI生成100条序列，最后发现它们共享同一个祖先序列框架，等于只做了一次尝试。真正的生成模型必须保证足够的序列多样性，让同一个表位能跳出多种完全不同的结合方式，这样下游实验才有真正的筛选空间。

3.3 “淘金”和“炼金”的本质差别

传统筛选是在天然或合成文库这个“矿脉”里淘金，金子在矿里，你只管淘得够不够快、够不够准。AI设计是直接按配方“炼金”，从靶点结构和成Byte药性需求出发，在生成空间里反向搜索。

但炼金有一个逃不开的问题：你炼出来的金，成色到底够不够？AI给出100条序列，不代表每条都能在实验里兑现。所以在我的PPT里，画了一张从设计到验证、再到反馈更新的闭环图。现场反馈最好的就是这一页，因为几乎所有人都经历过序列预测和实验结果对不上的痛苦。闭环的意义就在于，它把“预测得准不准”变成了一个持续学习的系统，而不是一次性的赌注。

4. 一个膜蛋白靶点的AI设计抗体完整实操流程

4.1 靶点结构获取与表位锁定

用AI设计抗体的第一步，绝不是让模型开始生成，而是尽可能地确认表位。

我当时分享的这个项目，靶点是某膜蛋白受体。我们先是拿到了靶点与小分子配体的共晶结构，又用结构预测模型补全了胞外结构域的柔性区域。综合分析后，我们把结合位点锁定在受体二聚化界面的一个构象表位上——遮挡这个表位就能阻断下游信号通路。

这里有一个我特别想让做实验的观众理解的排序逻辑：表位决定功能，亲和力决定强度，序列决定可实现性。所以第一步把表位锁对，比模型生成了多少条漂亮序列重要得多。我们那个项目在表位定义上反复核对了3周，最后才确定氨基酸范围内的关键残基清单。

4.2 序列生成与筛选打分

进入计算阶段，实操路径是这样的：先输入表位残基和框架选型，比如在重链上选择某个常用的种系框架，再用生成模型产出1000条候选CDR序列。每条序列都做结构建模、相互作用指纹打分、可开发性过滤。最后通过三档漏斗，从1000条压到50条候选，再从50条里择优选出10条进入基因合成。

评分环节是我的重点提醒区。不要只看一个综合分数。我把打分拆成了可解释的得分卡，包括残基接触数、氢键数量、疏水埋藏面积、形状互补度和框架稳定性五个维度。有的候选综合分高，但疏水埋藏不足，结合并不牢靠；有的分数居中，但序列多样化贡献明显，值得保留。

最终选出的10条不一定分数最高，而是在打分卡上覆盖了不同的结合模式。宁可多花一点合成费用，也要让生物物理实验看到不同的结合策略。

4.3 湿实验闭环与反馈迭代

设计做完，真正见真章的是湿实验。那10条序列用哺乳动物细胞表达，第一天转染、第五天收上清、第六天做SPR初筛。

结果比我们预计的乐观一些：4条表达量超过50 mg/L且折叠正确，其中2条亲和力在纳摩尔以下，阻断活性也过关，直接进入后续的人源化改造；另1条虽然亲和力合格，但在细胞水平上表现出明显的非特异性结合——这一类坑，计算打分阶段没有完全暴露，最后是实验手段揪出来的。

这里要重点说闭环迭代的价值。我们把这一轮实验数据映射回模型的训练集，记录下序列特征与表达量、亲和力、非特异性之间的对应关系，然后让模型重新生成第二代序列。第二轮的表达水平整体上了一个台阶，设计成功率明显改善。AI管线和传统筛选之间最本质的区别就在这：传统筛选做完就结束了，而AI设计能“记住”失败，每次实验都在给模型补充新的约束条件。

5. 现场问答实录：被问得最多的五个问题

5.1 Q1：AI真的能设计出可以进入商业开发的抗体吗？

我的回答是：可以，但要分阶段理解。AI完全能生成用于临床前研究的先导抗体分子，这是已经被多个项目验证过的事实。但从先导分子走到上市药物，中间还有人源化、亲和力成熟、CMC工艺、安全性评价一整条长链路，这跟传统抗体项目没有任何区别。AI解决的是起跑线问题，不是终点线问题——它让你不再花6个月在文库淘选上，而是把时间留给真正有科学深度的优化环节。

5.2 Q2：需要多大的算力和多少数据？

这个问题被问得最多。说实话，没有外界渲染的那么吓人。单项目级别的抗体生成和打分，一张中端GPU就能在一个晚上跑完一轮。真正贵的是人力和数据整理时间。如果你手上有上千条历史抗体的序列、亲和力数值、表达量产率、热稳定性记录，并且愿意花时间去标准化，那你已经有条件进入AI设计。数据不在于多，而在于可对比。

5.3 Q3：AI生成的序列，专利申请怎么办？

AI生成序列的知识产权问题，不同法域政策差异很大。我的建议是两条：第一，尽早咨询有生物信息学背景的专利律师，不要拖到分子拿到手才去想；第二，把AI生成过程的可复现性记录做到“黑匣子”级别——输入表位、模型版本、采样参数、评分标准全部可回溯，因为审查阶段最怕解释不清楚技术方案的充分性。另外，别只申请单条序列的权利要求，要把保护范围尽量扩展成结构基序和结合表位层面的权利要求，否则等后续优化几次，原序列就没用了。

5.4 Q4：AI设计会不会替代实验科学家？

我给现场做了一个反向表述：AI首先会淘汰的是不做记录的实验习惯。过去做实验靠“手感”，哪个批次状态好、哪条曲线可信，都装在老科学家的脑子里；现在这些信息必须结构化地为模型所用。一个合格的计算生物学家得看得懂SPR图谱，一个合格的湿实验科学家也得理解扩散模型生成序列的基本原理。这个领域真正稀缺的，不是纯计算人才，也不是纯实验人才，而是两端都懂一点、能当翻译员的人。

5.5 Q5：现在才入局，还来得及吗？

来得及，但窗口正在关闭。这个判断基于一个类比：过去10年，单抗发现的主流从杂交瘤过渡到噬菌体展示，当时晚入局的团队花了三倍成本才补上平台能力。现在同样的迁移正发生在AI设计这条路径上。未来五年内，AI设计抗体会从少数团队的竞争壁垒变成行业标准管线。谁先攒下完整的数据闭环，谁就有了长期竞争力。晚动手的团队面临的不是“做不出来”，而是“成本比别人高一个量级”。

6. 避坑指南：传统筛选团队转向AI设计的四条经验

6.1 数据标准化是第一生命线

我见过不止一个团队拿着几千条历史数据冲进AI设计，结果第一轮训出的模型泛化能力差得离谱。原因高度一致：历史数据里的亲和力数值来自不同平台、不同批次、不同温育时间，甚至单位和检测模式都不一样。把这些数据直接丢进训练集，等于喂给模型一套自相矛盾的“事实”。正确的做法是先花时间做数据标准化，把所有亲和力数据映射到共同的检测协议下，再谈建模。数据整理听着不性感，但它决定模型的全部上限。

6.2 计算和实验必须双责任人

AI设计项目最容易死在交接处。计算团队交付100条序列，实验团队表达了20条，然后各自觉得是对方的流程有问题。我们的做法是每个项目同时设计算组和实验组两个接口人，每周强制同步一轮，讨论什么序列值得合成、什么结果值得反馈。上一节提到的那个膜蛋白项目第二轮能快速收敛，靠的就是这个机制，不是什么玄学。

6.3 别让打分模型替实验做“绝对筛选”

再好的打分模型都会有偏差。我的原则很明确：计算阶段只做安全性过滤，帮实验省掉那些明显表达不了、免疫原性风险过高的候选；真正的胜负手，永远交给实验验证。也不要追求单条序列高分，一张覆盖多种结合模式的候选名单，比十条长得差不多的“高分”序列更有价值。

6.4 先拿难靶点练兵，别碰容易靶点

转AI设计的团队最容易犯的错，是先拿一个传统筛选已经能做好的容易靶点做验证。容易靶点做不出差距，也看不出管线哪里薄弱。去找一个过去用传统筛选失败过的靶点，让AI团队正面挑战一次。如果AI能给出一版传统方法给不出的先导抗体，整个团队才会真正从心底相信这场范式转移。那一瞬间带来的团队信心，比任何KPI都管用。

最后说一个PPT里没写的小细节：那场分享结束后的晚宴上，有两位做临床很多年的朋友跟我说，他们真正关心的不是AI能设计出多少条序列，而是这些序列能不能在高难度靶点上稳定复制成功。我个人把这句话一直留着，它比任何技术指标都更能提醒我，这个领域离“坐实”还很远，但也正因为如此，才值得继续铺管线、攒数据、踩坑。