企业官网建设流程全解析

1. 开场：从“筛选抗体”到“AI按需定制设计抗体”，我这次想讲透什么

站在讲台上之前，我先给自己定了一个要求：不要花三页幻灯片解释什么叫抗体，也不要照本宣科地讲一遍人工智能概念。我要讲的是，一个在生物药行业里跑了几十年的“筛选抗体”流程，为什么正在被一种“AI按需定制设计抗体”的工作模式撞了一下腰。这个话题放在今天这个场合，特别有意思，因为台下坐的人既有做实验的，也有做计算的，还有管项目的，大家平时都惯用不同语言描述同一个问题。我希望用一次分享把两边的话翻译成同一套逻辑。

传统抗体发现是什么状态？说白了就是“大海捞针”。免疫动物，做杂交瘤，做噬菌体展示，在平板上挑单克隆，测序，表达，测亲和力。流程很成熟，可靠，也诞生了非常多药物，但它最大的特点是“随机”。你最后拿到的候选分子，很大程度上取决于动物免疫得怎样、淘选条件碰得巧不巧、那几天实验员手感顺不顺。AI进来之后，最大的变化不是“取代筛选”，而是把筛的范围压缩，把找分子从“碰运气”变成“按需求出题、按条件解题”。

这篇实录适合谁看？如果你在抗体早期发现、计算生物学、蛋白工程、AI制药任何一个交叉点上工作，或者你还没入门但想知道AI在生物大分子里到底怎么落地，这都值得读完。我尽量不堆术语。你只需要记住一句话：今天AI能做的，不是凭空变出一个完美抗体，而是把过去要靠大量湿实验碰出来的答案，先放到计算世界里快速试错一千遍，再用实验去验证最后那几十个最值得看的候选。

2. 传统筛选抗体：曾经是黄金标准，但背后藏着四条隐性成本

2.1 经典流程到底长什么样

先复习一遍我们已经很熟的流程。拿到一个靶点后，第一步是准备免疫原。有的项目用纯化蛋白，有的用表达在细胞膜上的全长蛋白，有的用DNA免疫，目的都是让动物的免疫系统先对这个靶点产生反应。然后取脾脏B细胞，和骨髓瘤细胞融合，筛杂交瘤克隆。另一个主流路线是噬菌体展示：把人的抗体可变区基因融合到噬菌体外壳蛋白上，让抗体片段展示在噬菌体表面，再通过固定化的抗原进行多轮淘选，富集能结合的噬菌体。

这两条路后面还有共同的步骤：挑阳性克隆，测序，转成全长抗体，表达纯化，SPR或BLI测亲和力，做细胞实验看功能，不行就进入亲和力成熟。亲和力成熟本身就是对CDR区域做随机突变或定点突变，再筛一遍。整套体系非常成熟，可以说支撑了整个抗体药物产业，到今天也仍然在大量使用。

但是，当我们把目光从“能不能做出药”放到“能不能快速、可预测地做出药”上，问题就来了。这套流程每一个环节都能用，但每个环节都藏着一笔成本。我把它拆成四条隐性成本来看。

2.2 成本一：时间窗口长到让人焦虑

传统抗体发现的周期，口径差异很大。如果算到临床前候选分子，保守估计从免疫动物到拿到一个可开发性基本过关的分子，12个月到18个月很正常。更难受的是，这个时间不可控。动物免疫不是流水线，每只动物的响应可能不一样；杂交瘤融合效率、淘选富集倍数、后续表达纯化顺利程度，任何一步拖延都会把时间轴拉长。

对很多疾病靶点来说，最大的成本不是金钱，而是时间窗口。比如某个靶点的生物学机制刚刚被论文验证，同行已经冲进这个方向，你这时候还停留在“免疫三只小鼠等下个月采血”，那基本上等于把赛道让给别人。我见过不止一个项目，计算同事提前预测了某个表位可能有效，但实验端还没准备好免疫原，只能看着进度一天一天拖。

2.3 成本二：搜索空间的效率低得惊人

免疫系统其实已经帮我们做了很多先验筛选，但抗体序列空间实在太大。以CDR H3为例，一条CDR H3通常有8到20个氨基酸，这20个位置上的氨基酸组合数目是天文级别的数字。噬菌体展示库的规模一般在10的9次方量级，看起来很大，实际上也只是整个序列空间里一个极其微小的采样。

这意味着什么？意味着你筛出来的分子，大概率只是“当前条件下能被富集到的分子”，而不是“对这个靶点最优的分子”。更麻烦的是，如果第一轮筛出来的分子亲和力不够好，后续亲和力成熟又要重新引入随机突变，等于再一次抽奖。整个流程不是一条直线，更像一条反复震荡的曲线。

2.4 成本三：功能性靶点很难搞

不是所有靶点都适合用传统流程做出好抗体。很多有重要功能的膜蛋白，比如G蛋白偶联受体、离子通道、跨膜转运蛋白，在天然状态下构象不稳定，或者被糖基化修饰遮盖了关键表位。把它们提纯出来做免疫原，难度极高；即使用全细胞免疫，得到的抗体也常常结合到无关的柔性区域，而不是你真正想要的功能位点。

另外，如果靶点与人体自身蛋白高度同源，免疫系统容易产生免疫耐受，天然库或免疫库里的有效候选会非常少。这类项目在传统流程里经常是“筛了半年，什么都没筛到”。这不是操作的问题，是方法的天花板。AI刚好能绕开免疫耐受的限制，因为你不需要依赖动物先验，而是直接通过计算来生成不存在的序列多样性。

2.5 成本四：可重复性是隐形的雷

传统筛选还有一个被低估的问题：可重复性。同一个靶点，不同批次动物、不同淘选条件、甚至不同操作员，筛出来的优势克隆可能完全不一样。我说“完全不一样”不是夸张，序列聚类后经常能看到明显不同的克隆家族。

对商业化项目来说，可重复性差意味着后续重复验证成本高。你可能在一个候选上投入了大量亲和力成熟工作，结果发现这个序列在另一个平台里表达不稳定，只好从头再来。AI设计并不能凭空消除所有可重复性问题，但通过把设计源头锁定到确定的序列生成逻辑上，至少能减少“因随机筛选带来的批次飘移”。这件事在工业生产里价值极高，而不是单纯发文章好看。

3. AI按需定制设计抗体的底层逻辑：把“找答案”变成“解方程”

3.1 先搞清楚“按需定制”里的“需”是什么

很多人听到“AI定制抗体”会觉得，是不是输入一个靶点名，模型就能输出一条序列。真实工程远没有这么粗放。在我们项目里，按需定制要拆成至少四类输入。

第一类是靶点表位约束。你到底要结合靶点的哪个位置？是结合催化口袋阻断酶活，还是结合蛋白质-蛋白质相互作用界面阻断结合，或者只要求结合某个非功能表位来引导内吞？这个约束不明确，AI生成再多序列都没有意义。

第二类是结合动力学需求。你需要一个快速结合、慢解离的锁定型抗体，还是一个中等亲和力但快速解离的分子？不同场景需求完全不一样。如果是做成双抗的一个臂，亲和力太强反而可能让整个分子在循环里被靶点耗竭。

第三类是可开发性约束。表达量、热稳定性、聚集倾向、等电点、疏水残基比例，这些对后续能不能成药影响极大。AI生成时如果不加这些约束，你可能会拿到一批计算亲和力很高但完全没法表达的序列。第四类是物种交叉反应，很多项目需要同时识别小鼠、大鼠或猴子的同源蛋白，方便将来做毒理实验，这个条件也得从一开始写进设计任务。

3.2 AI在模型里到底学什么、预测什么

从计算角度看，AI设计抗体并不是“找一条看起来像抗体的序列”那么简单。它真正要学的是序列到功能的映射关系，其中最关键的一层是结构层面的互补。

结构层面可以拆成三个预测子任务。第一个是序列到构象的映射，给定CDR序列，预测它在三维空间里可能的环状构象。CDR H3尤其柔性，晶体结构都常常抓不到，以前靠分子动力学模拟又太慢。现在深度学习模型可以从大量实验结构或预测结构中学习这种柔性分布，生成时直接给出多条候选构象。

第二个预测子任务是表位互补度。抗体CDR形成的表面要跟靶点表位在形状、电荷、氢键网络上互补。这个计算过程很像机械设计里的公差分析，只不过零件表面是一堆氨基酸侧链。模型需要评估两个界面在三维空间里搭不搭得起来、有多少有利相互作用。

第三个预测子任务是可开发性。模型会输出比如聚集倾向、表达水平、免疫原性潜力的预测值。这些预测不完美，但比纯经验规则覆盖面更广。把这三级预测串联起来，AI才真正实现了“我先看你能不能长成一个能用的抗体，再决定要不要让你进入实验”。

3.3 语言模型、扩散模型，到底选哪个

我在项目里被问得最多的一个问题是：抗体设计应该用语言模型还是扩散模型？我的答案是别做单选题。

基于序列的语言模型能抓住天然抗体序列的演化规律，生成出来的CDR比较像真实人源抗体，免疫原性风险相对低，也能保证序列整体看起来“自然”。扩散模型则更适合处理三维结构生成，它能把CDR环当作空间点集，在几何坐标里逆向生成合理的骨架原子位置。两者不是对立关系，更像是手绘草图和三维建模的关系。

最稳的组合是先用语言模型生成一个比较宽的序列池，然后用结构模型做折叠验证和界面打分，再把结构信息反馈给生成器做第二轮精修。这样既保留了序列多样性，又避免生成一堆在计算结构里根本无法对接的“幻觉序列”。我在后面专门有一段讲这个工作流的具体细节，这里先记住这个方向。

4. 从靶点到候选分子：我们项目里跑通的八步工作流

4.1 八步流程的完整拆解

这部分是整个分享里我自己觉得最值钱的内容。过去一年，我们团队在一个内部项目里反复打磨出了一套端到端流程，现在已经固定成模板。我把项目细节拿掉，只留流程，你可以直接照搬框架。

第一步是整理靶点输入。把靶点氨基酸序列、已知结构或高质量同源模型整理好，并且明确表位范围。如果只有序列没有结构，就需要先用结构预测模型补充，但要对置信度很低的区域保持警惕。表位区域定义越清楚，后面生成的成功率越高。

第二步是固定抗体骨架。先选好人源化的VH和VL框架区，作为所有生成序列的底盘。骨架不等于一成不变，框架区里少数关键残基会影响CDR呈现角度，所以这部分我们会留几个可控的微调位点，但不会大规模改动。

第三步是生成CDR候选。这一步把靶点表位和骨架信息喂给训练好的生成模型，批量生成以CDR H3为主的候选序列，同时让H1、H2在一定范围内组合变化。GPU上生成几千条序列只需要很短时间，真正的计算压力在后面几步。

第四步是规则过滤。这一步我强烈建议做得保守一点。先去掉Cys数量异常、CDR里出现N-连接糖基化基序、等电点过偏、疏水性过高、聚集预测概率太高的序列。AI生成的序列偶尔会出现一些天然序列里极少见的组合，规则过滤器是守住物理边界的第一道门。

第五步是结构验证和打分。通过规则过滤后的候选，再用结构预测模型做折叠，拿CDR构象和靶点表位做对接打分，把排名靠后或者界面补得很差的序列直接淘汰。这一步要清楚，计算结构不等于实验结构，但作为初筛已经能有效缩小范围。

第六步是实验表达初筛。把剩下的候选送到高通量表达平台，一般是96孔或384孔规模。先看表达量，再看单体比例。这一环节会淘汰掉一批“理论高分但实际不表达”的分子。AI模型再怎么强，也预测不完全蛋白在细胞里的真实命运，实验该做的还得做。

第七步是亲和力与功能验证。用SPR或BLI测亲和力，用细胞实验测功能活性。第一轮能拿到几个有苗头的候选就算成功，不指望一步到位。第八步是最关键的反馈闭环，把所有实验数据，包括成功和失败的结果，整合回训练集里，微调生成模型。没有这一步，AI定制设计就只是通用模型的一次盲猜。

4.2 初筛阶段必须盯紧的关键指标

项目推进过程中，我习惯用一张表来判断一个候选值得不值得继续投入。列的指标不多，但每一条背后都是真实项目里的血泪教训。

这里有一个经常被忽略的点：亲和力再好，可开发性不及格，照样走不下去。我见过太多“计算得分完美”的候选卡在表达量和聚体比例上。反过来说，一个中等亲和力但表达稳定、聚集少、Tm高的分子，反而更容易在后续亲和力成熟里打磨成药物。可开发性决定分子到底是“高潜力分子”还是“PPT分子”。

4.3 用一句规则过滤器示例串联逻辑

我自己写项目报告时经常用一小段伪代码来演示过滤逻辑，这里也放出来给大家参考。不是完整代码，但逻辑足够清楚。

import pandas as pd candidates = pd.read_csv("ai_generated_antibodies.csv") filtered = candidates[ (candidates["cdr_cysteine_count"] <= 1) & (candidates["pI"] >= 6.0) & (candidates["pI"] <= 9.5) & (candidates["glycosylation_motif_in_cdr"] == False) & (candidates["aggregation_probability"] < 0.5) & (candidates["predicted_tm"] >= 55.0) ] filtered.sort_values("predicted_tm", ascending=False) \ .head(200) \ .to_csv("filtered_candidates.tsv", index=False)

这个过滤器不是模型，不是AI，只是把最明显的问题序列拦下来。很多人一上来就想上复杂模型，结果忽略了最基础的经验规则。这类规则虽然没有“AI”两个字，但过滤掉的问题序列比例往往比模型还高。先做规则过滤，再做模型打分，顺序不要反过来。

5. 实操复盘：模拟项目X的两轮设计实例，以及我踩过的四个坑

5.1 两轮迭代能走到多远的模拟数据

为了不涉及任何未公开信息，我用一个模拟项目来还原实操。假设我们要针对一个与肿瘤免疫逃逸相关的膜蛋白设计抗体。第一轮我们输入了靶点结构和表位区域，让生成模型输出800条候选全长VH/VL序列。规则过滤后剩120条，再做结构打分剩30条，高通量表达后有16条表达阳性且单体比例合格。拿BLI去测亲和力，最好的分子KD在20纳摩尔左右。这个结果不算惊艳，但已经是可继续优化的起点。

第二轮我们把第一轮表现最好的两条克隆作为模板，再用AI模型对CDR热点位置做饱和替换和建议突变组合，同时把第一轮的实验数据反馈进模型做微调。这次生成120条成熟候选，过滤后选了不到10条进入实验，最终拿到5条KD低于1纳摩尔的分子。其中最好的那条KD约80皮摩尔，HMW比例小于3%，Tm也过了线。后续功能实验里，这个分子的阻断活性比参考抗体更好。

这个模拟数据想说明的不是“AI一次就能设计出药”，而是“AI能把搜索空间压缩到实验端可以轻松处理的范围”。从800条回到个位数候选，实验端的工作量大幅下降，而分子的质量上限明显提升。这就是设计型工作流的实际意义。

5.2 坑一：只把CDR H3长度当成生成约束

很多人第一次做AI抗体设计，会把CDR H3长度当成最重要的生成条件。H3确实是影响亲和力的核心区域，但只盯H3长度，会丢掉框架区突变的贡献。框架区一个点突变可能改变整个CDR的呈现角度，就像同一段话换了标点，意思完全不同。我们第一版流程踩过这个坑，生成的序列H3长度分布很好，但表达出来结合活性普遍偏弱，后来发现是框架区固定得太死，错过了那些让H3朝向正确表位的框架微调。

5.3 坑二：对低置信结构强行对齐

另一个很常见的坑是，当靶点没有实验结构时，我们用结构预测软件得到一条打分不高的模型，却还是强行把CDR和这个模型做界面优化。这样生成出来的序列在计算里看着很完美，但实际靶蛋白的柔性区域稍微动一下，预测的相互作用就全没了。后来我们改成同时生成多条候选构象，做构象聚类，再对多个聚类中心分别设计，而不是孤注一掷地对单一条结构硬算。

5.4 坑三：对可开发性预测盲目自信

AI模型的可开发性预测本身也是从实验数据里学出来的，而AI生成的序列分布和天然序列分布有差异。模型在训练集里见过大量天然抗体，生成时可能倾向输出天然序列特征，但也可能生成出一些看似合理、实际上落在天然分布边缘的序列。这类序列的聚集预测和表达预测都非常不靠谱。我们现在的习惯是：凡是AI倾向性特别明显的候选，都要单独再跑一遍经验规则检查，并且优先挑几只结构序列都比较保守的分子进实验，而不是只看模型排名。

5.5 坑四：反馈数据太少时急着训练模型

AI模型有非常强的记忆能力。如果你只把成功分子的序列反馈回来做继续训练，模型很快会把少数成功案例里的特殊特征当作通用规律，然后生成出一堆同一个模具里刻出来的序列。我们现在的原则是，成功和失败的分子必须一起反馈，并且每条实验数据至少要有两批重复。单次实验的偶然误差被模型学进去，后果会在下一轮生成里被放大。反馈不是把数据丢给模型就行，数据质量决定了AI会不会“越训越偏”。

6. 未来影响：设计能力会把抗体发现推进到一个更快的循环

6.1 研发组织方式会被重写

当AI把候选生成和初步筛选压缩到以周为单位的循环里，研发团队的工作重心会从重复劳动转移到判断和验证上。实验人员不再需要把大量时间花在那些注定失败的克隆上，而是把精力集中到真正值得深挖的少数分子上。计算人员也不再是交出一份预测报告就结束，而是要和实验人员每天都对数据、对齐判断。这种组织方式对很多老团队来说需要适应，但一旦跑通，吞吐量是成倍提升的。

6.2 从抗体到其他生物分子的通用逻辑

这套“按需定制”的思路不会只停在抗体上。多肽疫苗的抗原设计、靶向蛋白降解分子的界面设计、酶活性的改造，甚至新型蛋白支架的从头设计，底层共享同一个问题：序列如何映射到结构和功能。以前我们只能靠随机突变和高通量筛选去摸这个映射关系，现在可以用数据驱动的方式直接学习这个关系。抗体是这个方法论里最成熟的一个例子，但例子本身不是全部。掌握了这套思路，未来迁移到其他生物分子只是工程量问题。

6.3 哪些实验环节依然不可替代

最后必须泼一盆冷水。不管AI生成能力变得多强，最终决定分子好不好用的，仍然是湿实验。蛋白质在真实细胞里的折叠效率、在血清里的稳定性、在人体里会不会引发免疫反应，这些都超出了当前计算模型的可靠预测范围。AI最大的贡献是帮你把搜索空间大幅压缩，让你实验验证时面对的不再是一整片大海，而是几个真正值得下网的候选点。实验永远不会被淘汰，只会变得更加精准。

我个人在项目里最深的体会是，AI设计抗体这件事，最大的门槛其实不在模型，而在团队愿不愿意把失败数据也认真标好、反馈给算法。很多人喜欢把成功的分子做得漂漂亮亮，却对失败数据一笔带过。但真正能让AI按需定制能力快速成长起来的，恰恰是那些被实验否决的“负样本”。把负样本标注清楚，比把正样本宣传得好听更重要。今天分享的这些流程和坑，都是这么一版一版磨出来的，也希望大家少走几步同样的弯路。