Cetuximab

本研究提出了DualGPT-AB框架，通过双阶段条件GPT和强化学习策略，成功解决了治疗性抗体设计中多属性同时优化的挑战。计算实验表明，该框架在生成满足五种关键属性的CDRH3序列方面显著优于现有方法，成功率高达78.2%。构建的抗体库展现了良好的结构多样性和关键残基保守性。 更重要的是，湿实验验证证实了DualGPT-AB设计的抗体不仅具有高HER2结合亲和力，其中CDRH3_39更是展现出比赫赛汀更强的ADCC和CDC活性，展现了卓越的杀瘤功效。这表明抗体杀伤能力不仅取决于抗原结合能力，还与Fc介导的效应功能激活密切相关。 2026 年 5 月 21 日，诺贝尔化学奖得主、蛋白质设计先驱 David Baker教授团队在国际顶尖学术期刊 Nature 上发表了题为：De novo design of miniproteins targeting GPCRs 的研究论文。 该研究利用 AI 从头设计以及一种高通量“受体分流”显微镜筛选技术，生成具有高亲和力、强效性和选择性的 GPCR 结合的微型蛋白。该研究设计了可激活瘙痒和疼痛相关 GPCR 的微型蛋白激动剂，以及可抑制癌症、糖尿病和肥胖等代谢性疾病及偏头痛相关 GPCR 受体的微型蛋白拮抗剂。这些 AI 从头设计的微型蛋白的冷冻电镜结构与设计模型高度一致。其中一种 AI 从头设计的 CXCR4 拮抗剂——dCX1_001，在小鼠体内的动员造血干细胞和祖细胞效果与临床药物相当，且不良反应更少。 该研究表明，AI 从头设计的微型蛋白能够以高亲和力、高活性和高选择性靶向激活或阻断 GPCR。该研究证明了 AI 驱动的蛋白从头设计能够应对 GPCR 成药难题，为治疗癌症、代谢疾病、慢性疼痛及偏头痛等一系列顽疾，铺平了一条全新的高速公路。 David Baker 教授表示，蛋白质设计将我们对蛋白质折叠机制的理解反过来应用——借助 AI 计算，设想一种能以特定方式靶向结合目标蛋白的新型蛋白质。这项研究展示了我们如何针对不同的 GPCR 实现这一目标，并利用其动态运动特性来激活或抑制这些 GPCR。 五大顶尖课程 01. AI蛋白质设计 02 AI+多肽设计 03. AI+抗体设计 04. AI+基因编辑 05.AI构建虚拟细胞  01.AI蛋白质设计详细课表 主讲老师在学术界和工业界都有丰富算法开发和应用经验，博士毕业于国内顶尖课题组，从事蛋白质结构预测和蛋白质设计的研究工作，相关工作成果已在Cell Systems、Angew. Chem. Int. Ed.、JCIM等国际知名期刊发表论文。目前在知名药企担任高级研究员，主导AI驱动的大分子药物设计平台开发与团队管理。 01 AI蛋白质设计课表 一、熟悉超算环境与蛋白质从头设计实践 1.环境搭建：Linux，VS code，Jupyter notebook* a)超算的登录 b)Linux系统的常用shell命令：vim, ls, cd, less, rm等； c)一些package安装的常用命令：pip, conda, source等。  d)Jupyter notebook的安装和使用。 e)VS code的基本配置：连接服务器；选择不同python版本的Interpreter；debug模式的使用等。 2.基础知识讲解 a)三类方法在不同程度上探索蛋白质序列空间： i.蛋白质定向进化（directed evolution） ii.固定蛋白质主链的序列设计（Fix-backbone protein design） iii.蛋白质的从头设计（De novo protein design） b)关键数据库：RCSB PDB， SCOPe， CATH， UniRef， BFD等 c)常见概念和名词： rotamer， scaffold， motif，domain，backbone，side-chain，apo和holo结构， d)使用的不同模型的原理，transformer，diffusion模型，Flow Matching等。 3. Rfdiffusion3+ProteinMPNN生成序列 a)Rfdiffusion3生成蛋白质骨架结构，ProteinMPNN精细的生成氨基酸序列。 b)Rfdiffusion3的安装实操 c)Rfdiffusion3的使用实操 d)ProteinMPNN的安装实操 e)ProteinMPNN的使用实操 f)Rfdiffusion+ProteinMPNN生成序列，AphaFold2筛选序列。整体实操流程： i.计算SAP（Spatial Aggregation Propensity）的值，选择3-6个氨基酸作为hotspot，即结合位点；这里需要使用Rosetta进行计算，首先将安装rosetta，准备蛋白，再计算每一个氨基酸的SAP值，将SAP数值映射到结构上。选择hotspot位点。 ii. Rfdiffusion结构设计，生成~10000个蛋白质主链结构； 根据上面挑选得到的hotspot位点，更改相应的hotspot参数，生成新的结构 iii.ProteinMPNN-FastRelax进行序列设计，每一个主链结构两个对应的序列，共设计~20000个序列； iv.筛选:使用AlphaFold2预测设计结构，预测的置信度pAE<10，预测结构与设计结构的RMSD<1A，从中挑选95个进行实验验证。 4.其它的蛋白质设计方法的实操* a)BindCraft——序列生成和筛选的自动化实现 BindCraft相比于Rfdiffusion+ProteinMPNN更加用户友好，一站式设计流程，序列的生成和筛选自动化实现。将讲解其中参数的设计和选择，如过滤序列条件、生成氨基酸的偏好性等。使用包括置信度评分（如AlphaFold2预测得到的pLDDT、ipTM）、物理指标（如Rosetta界面能量）和序列特征（如疏水性比例）进行筛选。 b)MIT开发的Bolzgen方法原理、安装使用讲解。   安装和使用boltzgen讲解，将详细讲解yaml配置文件的写法，以一个靶点为例，从头生成VHH与该靶点结合。 c)PPIFlow：基于flow-matching的生成方法，原理，安装和使用方法。 二、蛋白质结构预测和分析 1.蛋白质结构预测方法 1)从CASP比赛结果来简述蛋白质结构预测方法的发展。基于能量函数 -> 接触图的应用 -> 端到端的预测结构（AlphaFold2）。 2)AlphaFold2的模型相比于以前的方法有什么改进 a)将基于MSA和基于模板的方法整合，使用注意力机制进行MSA信息和模板信息的相互交流。 b)以前提取MSA信息为计算协方差矩阵 ，AlphaFold2创造性的直接将MSA信息作为输入，将图像识别的算法转变成了自然语言处理算法，减少了中间处理过程中的信息损失。 3)AlphaFold3相比于AlphaFold2改进了什么，还有什么不足。 a)扩展到了多种生物分子的复合物结构预测，包括蛋白质-DNA、蛋白质-RNA、蛋白质-小分子，并使用扩散模型。 b)复合物组装与动态预测缺陷，抗体-抗原复合物结构准确度有待提高。 4)运行网页server上的AlphaFold3预测结构 5)如何使用AlphaFold3预测蛋白质的糖基化，不同糖基化的类型的输入方法。 6)AlphaFold3输出结果分析，各项置信度指标的含义，以及如何判断预测的准确度，如pLDDT，ipTM，PTM，PAE。 7)本地部署和运行ColabFold，由于AlphaFold3在安装过程中需要下载大量资源，且不能商用，因此不演示AlphaFold3的安装过程，如有问题可以帮助解决。 2.蛋白质结构分析和可视化 1)pdb文件的解读，每一行中的内容代表什么含义。 2)用 pymol 可视化蛋白质结构* a)pymol的基础操作讲解 b)如何将实验值投影到结构图的颜色上，如何画出发表文章中好看的图 3)计算蛋白质结构中两个氨基酸的距离* a)使用python的文本文件操作实现 b)使用python中biopython包实现 3.蛋白质结构相关物理性质的计算* 1)二级结构的分类和计算 2)溶剂可及表面积（SASA）的讲解及计算 三：蛋白质序列分析，数据挖掘和训练数据准备 讲解和实操： 1.获得同源序列 1)了解不同蛋白质序列库，如UniRef90，UniClust30，Pfam等 2)了解不同工具原理并使用：NCBI BLAST，Jackhmmer，HHblits 3)给定一条蛋白质序列，比对序列库，生成多序列比对（MSA）* 2.对MSA进行频率分析* 1)使用python的文本文件操作实现 2)使用python中biopython包实现 3)绘制序列Logo，可视化的展示每个位点的氨基酸频率和保守性  3.序列的同源性计算和进化树的绘制* 1)不同同源性的计算方法及应用情景，氨基酸序列的identity和Similarity，BLOSUM62的介绍。 2)进化树的绘制 4.基于序列相似性阈值划分训练集和测试集* 1)为什么要做？避免数据泄露 2)选择相似性度量方法 3)相似性矩阵的计算 4)划分数据集 5.大规模蛋白质序列的聚类分析和去冗余* 1)为什么要做？防止过度学习某一类序列特征，消除序列偏差；也能防止训练过程中数据泄露。 2)聚类方法的选择，CD-HIT、MMseq2和Linclust 3)选择代表序列，去冗余 4)实际复现S2ALM这一模型文章中的聚类方法。mmseqs easy-cluster examples/DB.fasta clusterRes tmp --min-seq-id 0.7 -c 0.8 --cov-mode 1 四、蛋白质的大语言模型及其应用 1.基础知识讲解 1)介绍蛋白质的语言模型（26字母语言模型->20氨基酸字母表，上下文依赖->氨基酸的共进化） 2)为什么要开发蛋白质大语言模型？1. 相比于结构或功能信息，序列信息更加海量；2. 蛋白质序列通过进化而来，可以学习蛋白质基本规律，折叠，共进化等 3)模型架构和基础理论：transformer，多头注意力机制，Bert，GPT，T5等 2.基于Bert架构的蛋白质语言模型 1) ESM系列（ESM-1b、ESM-1v、ESM2、ESM C） 2)ESMFold：无需MSA信息的结构预测 3)使用抗体序列库训练的语言模型：Ablang，AntiBERTy 3.类似GPT的生成模型ProGen 1)36层Transformer解码器架构，包含12亿参数 2)引入“控制标签”（如蛋白质家族ID、功能属性）作为输入，生成蛋白质序列空间以外的新的蛋白质序列 3)成功生成新的溶菌酶 4.多模态的蛋白质语言模型ESM3 1)模型架构融合序列，结构和功能信息 2)相比于ESMFold，单体结构预测精度更好 3)基于多模态提示（序列、结构、功能关键词）设计新的蛋白质序列 4)ESM3的安装，生成序列，快速结构预测。* 5.蛋白质语言模型的应用和实战演练* 1)获得序列embedding以构建下游模型（Cell systmes文章举例），从文章github仓库中提炼序列embedding的代码并学习使用。 2)使用不同的蛋白质语言模型，零样本的预测蛋白质突变效应。 3)给定少量的突变效应数据作为训练数据，训练模型，预测新的突变效应值。 五、深度学习辅助酶设计 1.基础知识讲解 酶的过渡态理论，theozyme，fitness landscape，epistasis 2.酶学性质预测 1.DLKcat与GotEnzyme数据库介绍 2.UniKP:利用预训练模型挖掘、改造Kcat 3.CLEAN:基于对比学习的EC号预测挖掘稀有脱卤酶 3.蛋白质热稳定性改造 1.MutCompute介绍 2.利用MutCompute改造PETase(Nature) 3.ThermoMPNN介绍与使用* 4. Pythia介绍与使用* 4.从Frances H. Arnold（2018年因在酶的定向进化领域的贡献获得诺贝尔化学奖）的工作看酶的定向进化方法的发展 1.传统定向进化实验流程 2.MLDE（Mechine Learning Directed Evolution）， 学习序列与酶性能之间的映射关系，推荐新的突变组合（PNAS文章） 3.ftMLDE（focused training MLDE），主动学习流程，构建informative的训练数据（Cell Systems文章）。零样本突变效应预测挑选数据集，再通过小样本数据训练的策略微调。 5.酶的从头设计 1.从头设计Diels-Alder催化酶 a)基于Rosetta的Inside-out策略（Science文章） b)通过Foldit蛋白质折叠游戏改善结构问题（Nat. Biotechnol.文章）； c)Foldit蛋白质折叠游戏的实践* 2.从头设计荧光素酶，Family-wide hallucination，基于该酶家族的结构幻化出新的结构（Nature文章） 3.RFdiffusion+PLACER从头设计丝氨酸水解酶（Science文章） 6. 利用预测结构的相似性，挖掘序列的新酶功能（复现顶刊cell文章）* 1.InterPro数据库中下载数据 2.TM-score计算结构距离 3.UPGMA结构聚类，画出进化树 4.挑选序列 六、蛋白质功能与互作预测；实验验证与AI模型训练预测闭环 1.蛋白质功能预测： 1)基础知识： a)基因本体论（Gene Ontology, GO）， b)MF/BP/CC，MF Molecular Function分子功能；BP Biological Process生物过程；CCCellular Component 细胞组分。 c)GAF (GO Annotation File) 文件。 d)本体文件来理解GO术语之间的层次关系。 e)解析GAF，提取蛋白质ID和GO ID。 2)DeepGO-SE，通过蛋白质的语言模型提取序列嵌入，预测蛋白质的功能 3)DPFunc：先用蛋白语言模型提取残基特征，再在接触图上用 GCN 学习结构信息，并引入结构域（domain）指导，最后把多层特征映射到 GO 图上，显著提升对罕见功能项和低序列相似蛋白的预测精度 4)Prot2Text-V2模型。Prot2Text-V2将图神经网络（Graph Neural Network, GNN）与大型语言模型（Large Language Model, LLM）融合到同一个编码器-解码器框架中，有效整合了包括蛋白质序列、结构和文本注释在内的多种数据，以自由文本形式输出蛋白质功能预测结果 5)ProteinKG65构建蛋白质知识图谱，基于Gene Ontology (GO) 和 UniProt 等权威知识库，将蛋白质的功能、结构、相互作用等知识组织成图谱形式，支持下游的机器学习任务，如蛋白质功能预测、表示学习、药物靶点发现等 2.蛋白质相互作用预测： Science文章：使用更深的进化信号：omicMSA+新的深度学习网络：RF2‑PPI。在全人类蛋白质组中筛出一批高置信度的互作，用于补齐人类互作图谱、解释疾病突变和蛋白功能。 1. 更深的进化信号：omicMSA 从约 30 PB 的未组装基因组/转录组数据里挖人类蛋白的同源序列，而不仅仅依赖 UniRef 等传统数据库。 构建omicMSA，使得每个蛋白的深度比常规模板 MSA 深 7 倍左右，协同进化信号显著增强。 2. 新的深度学习网络：RF2‑PPI  02 通过课程学习您将得到 多种蛋白质设计方法、深度学习酶设计、深度学习抗体设计等流程！让学员快速学会David baker核心方法！培训理论结合实操！提供服务器使用！通过详细讲解实操AlphaFold2、AlphaFold3以及pymol和Foldseek等软件让学员学会蛋白质结构预测！通过详细讲解实操ESM系列（ESM-1b、ESM-1v、ESM2、ESMC、ESM3）、GPT的生成模型ProGen让学员学会蛋白质大语言模型！通过详细讲解实操ProteinMPNN、LigandMPNN、ThermoMPNN、Rfdiffusion等软件让学员学会多种蛋白质设计方法!最后通过深度学习酶设计与深度学习抗体设计让学员通过不同方向不同方法更全面的了解蛋白质设计当下的全面性!六天培训流程循序渐进！知识点全覆盖！更是讲解十篇顶刊文献，让学员更好的知道当下蛋白质设计的核心热点以及优势  02.AI+多肽设计详细课表 主讲老师在学术界和工业界都有丰富算法开发和应用经验，毕业于南开大学院士课题组，从事AI多肽设计、抗菌肽设计以及蛋白质设计的研究工作，相关工作成果已在New England、Plos one等国际知名期刊发 01 AI多肽设计课表 Day 1：短肽设计基础、结构数据库与PyMOL可视化一、短肽设计的生物学基础 1.1 短肽分类与生物医学功能：系统讲解结合肽（binder）、功能肽、抑制肽、细胞穿膜肽（CPP）的定义与功能差异；重点阐述8–30个氨基酸线性短肽的优势（易合成、易修饰、适合蛋白-蛋白相互作用界面）与局限（稳定性差、蛋白酶易降解、细胞通透性低）。 1.2 短肽-蛋白结合界面的结构特征：介绍短肽在结合界面上的典型构象：α-螺旋、β-折叠、polyproline II螺旋、无规卷曲。 1.3 Hotspot残基与相互作用类型：深入讲解PPI界面中的hotspot理论：芳香族残基（Phe/Trp/Tyr）的π-π堆积、疏水残基的疏水作用、带电残基（Arg/Asp/Glu）的盐桥与氢键。 1.4 短肽设计的策略框架与流程概览：展示从“靶点选择”到“候选推荐”的完整闭环：靶点序列获取 → 候选生成（PepMLM/LigandMPNN）→ 性质筛选 → 结构评估（AF2）→ 界面分析 → 实验验证概念。 二、蛋白质结构数据库与Linux服务器基础 2.1 UniProt数据库：序列、功能域与注释检索：演示如何在UniProt中搜索靶蛋白、获取标准FASTA序列、查看功能结构域（Pfam）、亚细胞定位与疾病关联信息。 2.2 RCSB PDB数据库：结构检索与质量评估：讲解PDB数据库的搜索策略：按靶点名称、关键词、序列相似性检索；重点教授分辨率（resolution）判断、生物组装体（biological assembly）选择与实验方法（X-ray/Cryo-EM/NMR）差异。 2.3 FASTA与PDB文件格式解析：通过文本编辑器直接打开FASTA和PDB文件，讲解文件头信息、序列记录、ATOM记录、链标识（chain ID）与残基编号规则。 2.4 Linux基础命令与服务器连接：SSH连接方法、文件系统导航（cd/pwd/ls）、文件查看（cat/head/tail）、路径概念（绝对路径vs相对路径）。三、PyMOL三维结构可视化实操 3.1 PyMOL核心概念与界面导航：讲解Object、Chain、Residue、Atom、Selection的层级关系；演示GUI界面与命令行双模式操作，加载示例结构1YCR（p53-MDM2复合物）。 3.2 复合物结构加载与多样化显示：练习cartoon、surface、sticks、spheres、lines等多种显示模式的切换与组合；按chain着色（color by chain）、按B-factor着色（反映pLDDT质量）。 3.3 结合界面识别与距离测量：使用PyMOL selection语言选取短肽链（如chain B）及其周围5 Å范围内的靶蛋白残基；使用distance命令测量关键原子间距离，识别hotspot相互作用对。 3.4 高清图片渲染、标注与结果保存：学习ray渲染、标签添加（label）、视角保存（scene）与高清图片输出（png 300dpi）；输出1张带标注的p53-MDM2结合界面图。 Day 2：蛋白质语言模型、ESM2原理与Jupyter入门一、从自然语言到蛋白质语言模型 1.1 机器学习基本概念：输入、模型、输出、训练与推理：用“识别手写数字”到“ChatGPT对话”的类比，讲解机器学习四要素：输入数据（features）、模型架构（architecture）、参数（parameters）、损失函数（loss）；区分训练（training，模型学习参数）与推理（inference，模型预测新数据）两个阶段。 1.2 自监督学习与掩码语言建模（MLM）原理：解释“没有人工标签时如何学习”：MLM通过随机遮盖输入序列中的部分token，让模型根据上下文预测被遮盖的内容；在蛋白质中，即遮盖某个氨基酸，根据周围残基预测该位置的氨基酸类型。 1.3 Transformer架构与注意力机制：用可视化图示讲解Self-Attention的核心思想：序列中每个位置都能“看到”其他所有位置，并根据相关性分配注意力权重；解释为什么Transformer能捕捉蛋白质中远距离残基的共进化关系。 1.4 蛋白质序列的Token化与上下文学习：将20种标准氨基酸对应为20个token（加特殊token共约33个）；蛋白质序列即“句子”，同源家族即“语法规则”，保守位点即“高频词”，让学员建立直观的NLP→蛋白质类比。二、ESM2蛋白质语言模型体系 2.1 ESM系列模型演进：回顾ESM-1b（650M参数）→ ESM-2（8M到15B多规格）→ ESMFold（结构预测）→ ESM-IF（反向折叠）的发展脉络；说明ESM-2是当前蛋白质序列表示的state-of-the-art模型。 2.2 ESM2-650M架构解析：讲解33层Transformer、1280维embedding、约6.5亿参数的规模；说明ESM2在UniRef50上自监督预训练，蛋白质家族的进化约束与结构倾向。 2.3 ESM2在短肽评估中的应用：Perplexity打分：讲解perplexity（困惑度）的直观含义：模型认为该序列“像不像”天然蛋白质；perplexity越低，序列越符合天然蛋白质的统计规律，可作为短肽“天然性”的初筛指标。 2.4 从ESM2到PepMLM：微调策略与条件化生成：解释PepMLM如何在ESM2-650M基础上，使用PepNN和Propedia数据库中的肽-蛋白配对数据进行微调；核心变化：将靶蛋白序列作为条件（condition），强制模型学习“给定靶点，生成结合肽”的映射关系。 三、Jupyter入门与ESM2评分实操 3.1 Jupyter Lab界面导航与单元格操作：演示启动Jupyter、浏览器访问、新建notebook、代码单元格（code cell）与Markdown单元格的区分；讲解运行（Run）、中断（Interrupt）、重启内核（Restart Kernel）的操作场景。 3.2 Python基础：变量、字符串、列表与print输出：教授当天必需的Python最小知识集：变量赋值（sequence = "ACE"）、字符串拼接、列表创建（["A","C","E"]）；所有概念均与ESM2评分脚本中的实际代码对应。 3.3 ESM2评分脚本运行与参数修改：打开教师提供的esm2_score.ipynb，演示加载transformers库、加载ESM2-650M模型、输入FASTA序列、获取per-sequence perplexity的完整流程。 3.4 Perplexity结果解读与对比分析：分别对3条天然结合肽、3条随机打乱序列、3条全丙氨酸序列运行评分，记录结果并对比；讨论：为什么天然肽perplexity最低？随机序列为什么分数高？全丙氨酸序列说明什么？ Day 3：PepMLM短肽生成、PPL评估与Python数据处理一、PepMLM短肽生成核心原理 1.1 PepMLM方法概述：靶序列条件化的掩码语言模型：系统讲解PepMLM的输入输出：输入 = 靶蛋白序列（≤500 aa）+ 目标肽长度参数；输出 = N条候选肽序列 + 对应的PPL分数；强调PepMLM是“完全基于序列”的设计工具，无需结构输入。 1.2 核心创新：肽区域全掩码与条件概率重建：深入解析掩码策略：将靶蛋白序列与肽序列拼接，对肽区域全部设为[MASK]，模型需要根据靶蛋白上下文重建整个肽序列；这种“条件化重建”迫使模型学习靶点-肽的配对关系。 1.3 Top-k采样策略：平衡多样性与生成质量：讲解解码策略：在每个氨基酸位置，模型输出20种氨基酸的概率分布；top-k采样（论文使用k=3）指从概率最高的3个候选中随机选择，而非总是选概率最高的；k值越大，多样性越高，但可能引入低质量残基。 1.4 伪困惑度（PPL）评估体系与阈值解读：详细讲解PPL的数学定义与生物学意义：PPL反映模型对“该肽作为靶点结合剂”的置信度； 1.5 PepMLM的方法边界与适用范围：PepMLM计算候选（in silico），de novo设计等。 二、Python数据处理与配置文件基础 2.1 Python字典与列表：理解结果数据结构：讲解列表（有序集合，用于存储多条序列）和字典（键值对，用于存储序列-分数映射）的基本操作；查看PepMLM输出的JSON/CSV文件，识别其中的列表和字典结构。 2.2 YAML配置文件格式与参数读写：介绍YAML的语法规则（缩进表示层级、键值对格式）；识别target_fasta、peptide_length、num_sequences、top_k等关键参数的含义与修改方法。 2.3 Pandas表格操作：读取、排序、过滤与统计：演示pandas.read_csv()读取结果、sort_values()按PPL排序、条件过滤（如去除含Cys过多的序列）、基本统计（mean/median/count）；完成从原始结果到筛选表的转换。 2.4 Matplotlib基础：PPL分布直方图绘制：绘制PPL分布图、标记阈值线、直观判断生成质量。三、PepMLM短肽生成与筛选实操 3.1 配置靶点FASTA、肽长度与采样参数：选择标准靶点，修改config.yaml中的目标序列路径、肽长度（默认12 aa）、生成数量（50条）、top-k值（3）。 3.2 运行生成脚本与实时监控输出日志：在命令行执行python pepmlm_generate.py，观察终端输出的进度条、每条生成肽的序列与PPL值。 3.3 结果清洗：去重、去除非标准氨基酸与长度过滤：运行清洗脚本，去除重复序列、含非标准氨基酸（B/J/O/U/X/Z）的序列、与设定长度不符的序列；统计清洗前后的序列数量变化。 3.4 PPL排序、性质统计与Top 20候选输出：使用pandas按PPL升序排列，计算每条肽的净电荷（pH 7）、疏水氨基酸比例、芳香族残基数量、半胱氨酸数量；综合PPL与性质指标，人工精选Top 20候选，导出为CSV备用。 Day 4：复合物结构预测评估、PyMOL界面分析与批量处理一、深度学习蛋白质结构预测原理 1.1 结构预测方法演进：从同源建模到深度学习：回顾SWISS-MODEL、I-TASSER、Phyre2等传统方法的核心思想与局限；讲解深度学习时代AlphaFold2的突破性贡献：Evoformer架构、MSA（多序列比对）与配对表示（pair representation）联合进化。 1.2 AlphaFold2与AlphaFold-Multimer的核心差异：明确区分AF2（单链结构预测，输出pLDDT）与AF-Multimer（多链复合物预测，额外输出ipTM与PAE）。 1.3 三大评估指标详解：pLDDT、ipTM、PAE：pLDDT（per-residue predicted LDDT）、残基对误差矩阵、界面区域PAE介绍。 1.4 短肽-蛋白复合物预测的特殊挑战：讲解短肽复合物预测的三大难点：① 肽链柔性大、构象空间大；② 训练数据中短肽复合物占比低；③ 弱亲和力界面信号弱；说明为什么AF-Multimer对短肽的预测confidence通常低于单域蛋白，以及如何谨慎解读结果。 二、复合物结构评估与PyMOL界面分析 2.1 加载预计算AF2结果：pLDDT着色与质量判断：在PyMOL中加载pdb文件，使用color by b-factor直观展示pLDDT分布，识别低置信度区域。 2.2 界面接触残基识别：距离阈值与原子对筛选：使用PyMOL selection命令选取肽链与靶蛋白中距离<5 Å的原子对；利用find_pairs或自定义脚本输出接触残基列表；区分“主链-主链”“主链-侧链”“侧链-侧链”接触类型。 2.3 关键相互作用类型判断：氢键、盐桥、疏水堆积：结合PyMOL可视化与距离测量，识别界面上的典型相互作用：氢键（N-O距离2.5-3.5 Å）、盐桥（带电残基对<4 Å）、疏水堆积（芳香环平面间距<5 Å）。 2.4 PAE矩阵热图解读与预测可靠性评估：在Jupyter中绘制PAE热图；重点观察肽残基（链B）与靶蛋白残基（链A）交叉区域的PAE值。 三、Python批量评估与自动化处理 3.1 Python循环与条件判断：批量处理结构文件：教授for循环遍历文件列表、if条件判断筛选高质量结构，批量读取多个AF2结果的ipTM值，自动筛选ipTM>0.7的候选。 3.2 界面接触自动提取脚本运行与结果整理：自动从pdb文件中提取肽-蛋白界面接触残基对；修改脚本中的距离阈值（如从5.0改为4.0 Å），观察接触数变化，理解参数敏感性。 3.3 路径A候选肽的结构评估表填写：将Day 3生成的Top 20候选中已预计算AF2结构的肽，逐一填写评估表：序列、PPL、ipTM、pLDDT均值、界面接触数、关键相互作用、综合评级（推荐/保留/淘汰）。 Day 5：结构驱动设计、LigandMPNN优化一、结构驱动的短肽设计原理 1.1 传统固定骨架设计：Rosetta能量函数与Rotamer库：回顾RosettaDesign的经典流程：输入蛋白质主链骨架 → 能量函数评估 → rotamer库侧链packing → 输出最优序列；说明传统方法依赖物理能量函数，计算成本高且对骨架质量敏感。 1.2 ProteinMPNN：图神经网络学习Structure-to-Sequence映射：讲解ProteinMPNN的核心创新：将蛋白质主链看作图（节点=残基，边=空间邻近关系），使用图神经网络（GNN）直接学习“骨架 → 最优序列”的映射；相比Rosetta，ProteinMPNN更快、更准确、对骨架误差更鲁棒。 1.3 LigandMPNN：显式建模非蛋白原子与短肽链：在ProteinMPNN基础上，讲解LigandMPNN对非蛋白原子（小分子、核酸、金属离子、肽链）的显式建模。 二、短肽成药优化 2.1 线性短肽的成药瓶颈：稳定性、通透性、免疫原性：系统讲解短肽面临的三大障碍：胃肠道蛋白酶快速降解、难以穿越肠上皮屏障、潜在的免疫原性反应。 2.2 化学修饰策略：环化、订书肽、非天然氨基酸：介绍提升短肽稳定性的常用化学手段：① 头尾环化（end-to-end cyclization）或侧链-侧链环化（如R4-R10内酰胺桥）；② 订书肽（stapled peptide，烯烃桥锁定α-螺旋）；③ 非天然氨基酸替换（如N-甲基氨基酸、D-型氨基酸抵抗蛋白酶）。 2.3 递送策略：细胞穿膜肽融合、纳米颗粒封装：讲解短肽进入细胞的递送方案：与CPP（如TAT、Penetratin）融合、脂质纳米颗粒（LNP）封装、外泌体靶向递送，说明短肽作为蛋白降解靶向嵌合体（PROTAC）配体的应用前景。三、LigandMPNN固定骨架优化实操 3.1 复合物骨架PDB准备与链指定：识别靶蛋白链（chain A）与肽链（chain B），确认肽链的残基编号范围；讲解PDB文件格式中链标识与原子坐标的对应关系。 3.2 LigandMPNN参数配置：温度、采样数、设计区域：打开config_ligandmpnn.json，讲解关键参数：temperature（温度，控制序列多样性，建议0.1-0.3）、num_seq_per_target（每条骨架输出序列数）、fix_selected_chains（固定靶蛋白链）、redesigned_chains（重设计肽链）；学员根据靶点修改参数。 3.3 序列重设计与结果对比：原肽vs优化肽：运行python run_ligandmpnn.py，获取LigandMPNN设计的新肽序列；将输出序列与原始PDB中的肽序列进行比对，观察：哪些位置被保守保留？哪些位置发生了突变？突变残基的理化性质变化（如疏水→带电）可能带来什么影响？3.4 优化序列的AF2-Multimer验证与PPL交叉评估：对比原始肽与优化肽的ipTM、pLDDT、界面接触数；同时用Day 2的ESM2评分脚本对优化肽打分，观察perplexity变化；建立“结构优化序列也应具有低perplexity”的交叉验证思维。 02 通过课程学习您将得到 让学员更好的知道当下蛋白质设计的核心热点以及优势能独立完成蛋白结构可视化：用 PyMOL 加载复合物、识别结合界面、测量相互作用、渲染高清结构图。能使用 ESM2 完成序列评分，用 PepMLM 实现靶标定向短肽生成，并通过 Python 完成数据清洗、筛选与可视化。能用 AF2/Multimer 预测肽 - 蛋白复合物结构，解读 pLDDT/ipTM/PAE 指标，完成界面分析与质量评估。能用 LigandMPNN 基于固定骨架优化短肽序列，结合多指标完成候选肽筛选与成药优化方案设计。建立AI 短肽设计完整思维闭环：靶点选择→候选生成→性质筛选→结构评估→优化验证。具备独立解决实操问题的能力，能合理解读 AI 预测结果、规避模型局限，输出可实验验证的短肽候选。掌握跨工具联用能力，实现 ESM2、PepMLM、AF2、LigandMPNN、PyMOL 的流程化配合使用。  03.AI抗体设计详细课表 主讲老师在学术界和工业界都有丰富算法开发和应用经验，毕业于南开大学院士课题组，从事AI多肽设计、抗菌肽设计以及蛋白质设计的研究工作，相关工作成果已在New England、Plos one等国际知名期刊发 01 AI抗体设计课表 一、代码基础，抗体基础，介绍各大药企在AI辅助抗体药物开发上的布局，复现GSK在抗体亲和力成熟上的工作 1.      代码基础知识讲解，环境搭建：Linux，VS code* a)      超算的登录 b) Linux系统的常用shell命令：vim, ls, cd, less, rm等； c)      一些package安装的常用命令：pip, conda, source等。 d)     VS code的基本配置：连接服务器；选择不同python版本的Interpreter；debug模式的使用等。 2.       抗体基础知识讲解： a)       VDJ重排，germline，CDR区域，表位（epitope/paratope），抗体亲和力成熟，抗体的可开发性等概念介绍 b)       不同抗体编号方案（Kabat，Chothia，IMGT）讲解，使用python自动化对抗体序列编号，并识别CDR区域* c)       抗体药物开发的基本流程 3.       各大药企在AI辅助抗体药物开发上的布局：讲解各大药企公司发表的文献及报告: a)       Genetech的lab-in-the-loop,结合了实验和计算方法的迭代优化策略的工作 b)       Genmab手动建立了多样性的抗体可开发性数据集,以进行可开发性数据的训练和预测. c)   GSK、阿斯利康、诺和诺德等在抗体亲和力成熟上做的工作等。 4.   抗体结构预测 1)   通用蛋白结构预测模型：AlphaFold3。 u  运行网页server上的AlphaFold3预测结构，https://alphafoldserver.com* u  AlphaFold3输出结果分析，各项置信度指标的含义，以及如何判断预测的准确度，如pLDDT，ipTM，PTM，PAE。 u  AlphaFold3的安装过程讲解。 a)   抗体专用结构预测模型：ImmuneBuilder，IgFold。实操如何在服务器安装和使用。 5.   复现GSK在抗体亲和力成熟上的工作* 二、基于大语言模型的抗体亲和力成熟。 1.     基础知识讲解 1)       介绍蛋白质的语言模型（26字母语言模型->20氨基酸字母表，上下文依赖->氨基酸的共进化） 2)       为什么要开发蛋白质大语言模型？1. 相比于结构或功能信息，序列信息更加海量；2. 蛋白质序列通过进化而来，可以学习蛋白质基本规律，折叠，共进化等 3)       模型架构和基础理论：transformer，多头注意力机制，Bert，GPT，T5等 2.     基于Bert架构的蛋白质语言模型 1)       ESM系列（ESM-1b、ESM-1v、ESM2、ESM C） 2)       ESMFold：无需MSA信息的结构预测 3)       多模态的蛋白质语言模型ESM3 4)       使用抗体序列库训练的语言模型：Ablang，AntiBERTy 3.     Adaptyv EGFR Binder比赛——设计靶向EGFR的更高亲和力binder。 1)   比赛结果展示 2)      比赛排名靠前的抗体/蛋白是如何设计的 a)       第一轮比赛，排名第一的方法：BindCraft b)       第二轮比赛，排名第一的方法：Cradle，在Cetuximab的基础上，用的LLM，突变了10个FR的氨基酸 c)       第二轮比赛，排名第二的方法：对一个纳米抗体进行人源化改造 d)       第二轮比赛，排名第三的方法：保留与结合重要的氨基酸，生成其它氨基酸RFdiffusion+inverse folding 4.     零样本的抗体亲和力成熟* 1)   Efficient evolution，基于序列的语言模型推荐突变点（Nat. Biotechnol.文章）   i.了解语言模型推荐突变点的原理；  ii.  安装package和模型参数。https://github.com/brianhie/efficient-evolution  iii. 运行以推荐突变点：python bin/recommend.py [sequence] 2)   Structure evolution，基于结构的语言模型推荐突变点（Science文章）  i.  了解inverse folding推荐突变点原理  ii.  安装package和模型参数 1.   git clone https://github.com/varun-shanker/structural-evolution.git 2.   conda env create -f environment.yml 3.   conda activate struct-evo 4.   wget -P ~/.cache/torch/hub/checkpoints https://zenodo.org/records/12631662/files/esm_if1_20220410.zip 5.   unzip ~/.cache/torch/hub/checkpoints/esm_if1_20220410.zip iii.  运行以推荐突变点：python bin/recommend.py examples/7mmo_abc_fvar.pdb \    --chain A --seqpath examples/7mmo_chainA_lib.fasta \     --outpath examples/7mmo_chainA_scores.csv \     --upperbound 109 --offset 1 5.     小样本的抗体亲和力成熟*，在已有少量样本的亲和力数据下训练模型。 使用MULTI-evolve的方法预测多点的组合突变。 三、抗体可开发性预测和优化 1. 抗体可开发性优化在药物开发过程中的意义， 2. 衡量抗体可开发性要考虑的因素，如免疫原性、自聚集性、结合特异性、稳定性等等 3. 以一篇专利文件为例讲解AI辅助抗体改造的案例。Patent No.: US12110324B2。Generate:Biomedicines公司通过AI方法在tezepelumab上改成的一种靶向（TSLP）的长效单克隆抗体GB-0895。 4. 抗体结构简单物理性质的计算：溶剂可及表面积（SASA）的讲解及计算；等电点的计算；蛋白质表面电荷分布的计算。* 5. 讲解Ginkgo举办的抗体可开发性预测比赛的结果。 6. 公开的抗体可开发性数据的收集。 7. 抗体性质预测的模型实践，展示在小样本的情景下训练机器学习模型* 1)   数据处理，划分数据集 2)   模型构建，基于特征工程的机器学习模型（随机森林，XGboost，ElasticNet等）；学习根据蛋白质序列和结构信息构建常见特征。seq_features = feature_utils.get_all_seq_features(heavy_seq, light_seq, is_fv=True, isotype='igg1', lc_type='lambda') 3)   模型训练和评价，GridSearchCV交叉验证调参等 4)   模型的可解释性，特征重要性分析 四：抗体可开发性预测和优化2和抗体人源化 1. 基于蛋白质语言模型的可开发性预测* 1)   零样本的可开发性预测 2)   少样本的可开发性预测。给定抗体序列和相应的性质，构建下游模型预测。 a)   数据处理，划分数据集 b)   获得序列embedding以构建下游模型，实现蛋白质序列的不同方式encoding，包括"onehot", "georgiev", “esm”系列模型。 c)   深度学习模型的构建。上游的大语言模型+下游简单线性层。 d)   模型训练和评价：绘制训练曲线，训练集和测试集的评价指标随epoch的变化， 2. 免疫原性预测 1)   免疫系统介绍，MHC-I和MHC-II，Anti-drug Antibody等基础概念 2)   免疫原性预测是MHC结合肽段的预测 3)   预测免疫原性。netMHCpan的原理讲解，安装和使用 3.     抗体人源化 1)       人源化的基础知识和流程。目标：保留亲和力+减小免疫原性+好的稳定性和可开发性。CDR移植到人源框架，回复突变，Vernier Zone， 2)       Germline的搜索，IMGT/V-QUEST 数据库搜索得到V 基因和J基因相似的人类germline序列。 3)       人源化的经典方法biophi的原理讲解、安装和使用。 4)       基于AI和基于物理能量（Rosetta）的方法是如何辅助抗体人源化的。 5)       排除抗体序列的PTM。 五、抗体（scFv, VHH）的从头设计 1. 从头设计的意义 1)       跨膜蛋白例如GPCR，难以稳定表达为可溶性蛋白 2)       VHH动物免疫羊驼成本高。 3)       更高效快速获得候选分子 2.     基础模型方法概念介绍：Diffusion模型、 flow-matching、全原子（all-atom）建模等 3. 不同公司和方法模型、实验结果讲解 1)   Rfdiffusion3+ProteinMPNN生成序列，AphaFold2筛选序列。将学会各个包的安装，不同参数的选择，结合的hotspot位点选择。 a)   Rfdiffusion3结构设计，生成~10000个蛋白质主链结构；根据hotspot位点，生成新的结构： ./scripts/run_inference.py 'contigmap.contigs=[B1-100/0 100-100]' 'ppi.hotspot_res=[A30,A33,A34]' inference.output_prefix=test_outputs/binder_test inference.num_designs=10000 b)   ProteinMPNN-FastRelax进行序列设计，每一个主链结构两个对应的序列，共设计~20000个序列； c)   筛选:使用AlphaFold2预测设计结构，预测的置信度pAE<10，预测结构与设计结构的RMSD<1A，从中挑选95个进行实验验证。 2)   Nabla Bio开发的JAM（Joint Atomic Modeling）系统 3)   Chai2 Discovery开发的Chai-2方法，用以实现抗体的从头生成 4)   MIT开发的Bolzgen方法原理、安装使用讲解。      安装和使用boltzgen讲解，将详细讲解yaml配置文件的写法，以一个靶点为例，从头生成VHH与该靶点结合。 5)       PPIFlow：基于flow-matching的生成方法，原理，安装和使用方法。 4.     VHH的生成实践 1)   确定纳米抗体序列框架（Framework区域）序列，生成CDR区域序列。分析整理纳米抗体序列，绘制序列保守性的Logo图，以此确定在生成VHH时，哪些位置的氨基酸需要固定。 2)   对生成的序列进行筛选。在亲和力、序列稳定性、可开发性等各个方面进行筛选。 a)       预测结构与设计结构的RMSD，AlphaFold预测设计结构的置信度pAE等 b)       筛选Cys，Met等氨基酸含量 c)       减少电荷patch d)       根据等电点等性质筛选。 02 通过课程学习您将得到 培训聚焦深度学习驱动的抗体设计为核心方向，以David Baker实验室核心设计方法、主流抗体大语言模型、AI抗体结构预测模型为教学核心，秉持理论夯实、实操落地、科研进阶、工程应用的培训原则。依托高性能服务器实操环境，循序渐进讲解行业主流软件、开源模型、代码实操、数据处理与模型调优，搭配十篇顶刊经典文献深度解析，全方位覆盖当下抗体设计领域前沿技术、研究热点与工业落地方案。助力零基础及进阶学员快速打通理论原理、代码实操、模型应用、科研创新全流程，熟练掌握AI抗体设计全套技术栈，可独立完成抗体结构预测、抗体亲和力优化、可开发性改造、抗体从头设计等科研实操任务，适配药物研发、生物工程、合成生物学等科研与工业应用场景。  04.AI+基因编辑详细课表 主讲老师在学术界具有多年的研究经历和应用经验，来自于国内顶尖课题组，从事基因组编辑技术与人工智能交叉融合的研究工作，相关工作成果已在Nature Biotechnology、Nature Plants、Trends in Biotechnology等国际知名期刊发表 01 AI+基因编辑课表  第一天 1. 基因组编辑技术简述 1.1 基因组测序、编辑和读写时代及基因组编辑技术现状简述 2. 基因组编辑四代技术原理 2.1 四代基因组编辑技术发展历程 2.2 ZFN、TALEN和CRISPR/Cas系统的组成和工作原理 3. CRISPR/Cas系统的来源及分类 3.1 CRISPR/Cas系统的发现过程 3.2 CRISPR/Cas系统的适应性免疫原理 3.3 CRISPR/Cas系统的分类依据和类型 4. CRISPR/Cas系统介导的DNA编辑工具 4.1 CRISPR/Cas9基因编辑工具 4.2 CRISPR/Cas12a基因编辑工具 5. CRISPR/Cas系统衍生工具的发展 5.1 碱基编辑工具的组成、作用原理及其应用 5.2 引导编辑的作用机理、应用及其发展动态 6. CRISPR/Cas介导的基因调控、细胞成像和核酸检测技术 6.1 CRISPR/Cas介导基因调控技术的原理和工具组成 6.2 CRISPR/Cas介导细胞成像技术的原理和工具组成 6.3 CRISPR/Cas介导核酸检测技术的原理和工具组成 第二天 1. 脱靶效应及其检测 1.1 脱靶效应的检测方法：扩增子测序、全基因组测序、GUIDE-seq等 1.2 脱靶效应的规避方法 2. 基因编辑流程-以植物为例 2.1 靶位点sgRNA或crRNA的设计原则 2.2 表达盒设计和构建的方法 2.3 植物原生质体瞬时表达系统 2.4 基因编辑载体的遗传转化 2.5 基因编辑突变体的检测 3. 基因组编辑常用软件实操 3.1 靶位点设计软件Cas-Designer、BE-Designer、PE-Designer等 3.2 突变分析软件Cas- Analyzer、BE-Analyzer、PE- Analyzer 4. 基因组编辑技术在各领域的应用现状及前景 4.1 基因组编辑技术在基因治疗、免疫学、病毒诊断等方面的应用 第三天 理论部分（人工智能+基因编辑背景） 1. 深度学习概述 1.1. 深度学习的基础 1.2. 深度神经元网络的工作原理 1.3. 深度学习技术的发展趋势：自监督学习、迁移学习和少样本学习的进展 2. 深度学习在基因编辑中的应用 2.1. 基于监督学习的应用：序列标签模型 2.2. 零样本预测模型的应用：结构模型、大语言模型、多模态模型、 2.3. 少样本预测框架的应用（Design-Build-Test-Learn和Lab-in-the-loop范式） 3. 深度学习在gRNA优化与设计中的应用 3.1. gRNA活性预测 3.2. 脱靶效应预测 3.3. gRNA预测模型介绍 4. AI辅助的蛋白定向进化在基因编辑中的应用 4.1. 蛋白定向进化的基本概念与实验方法 4.2 AI辅助的蛋白进化工具 4.3. AI与实验反馈的结合 5. AI蛋白质设计在基因编辑中的应用 5.1. 蛋白质设计工具 5.2. 酶设计 5.3. binder设计 6. AI酶挖掘在基因编辑中的应用 6.1. 基于大语言模型挖掘基因编辑酶 6.2. 基于结构比对挖掘基因编辑酶 第四天深度学习在基因编辑中的应用实操教学 1. 基础知识和环境搭建 1.1. GPU服务器登录 1.2. Linux基础知识 1.3. Python基础知识 1.4. 常用深度学习工具包介绍及安装 2. 利用深度学习预测gRNA活性 2.1. 配置深度学习环境，安装gRNA活性预测所需的工具 2.2. 高通量数据获取：公开数据集的介绍与使用 2.3. 数据集划分：训练集、验证集、测试集 2.4. 模型搭建与调试：深度学习模型架构设计（如CNN, RNN） 2.5. 模型性能评估：精度、召回率、F1分数等评估指标 2.6. gRNA活性预测：实际应用案例演示和预测结果的解读与应用 3. 利用深度学习预测编辑活性 3.1. 环境配置：安装所需工具与库 3.2. 数据获取：编辑活性相关数据集清洗 3.3. 数据集划分 3.4. 模型搭建与调试 3.5. 模型性能评估 3.6. 编辑活性预测：预测结果的展示与解读 4. 零样本蛋白进化工具AiCE实操 4.1. AiCE的原理与应用场景 4.2. 环境搭建 4.3. 逆折叠模型的使用：如何利用AiCE进行高活性突变预测；案例演示与实际操作 4.4. 应用实例：碱基编辑器的高效进化 5. 少样本蛋白质定向进化工具EVOLVEpro实操 5.1. EVOLVEpro的背景与应用 5.2. 环境搭建与配置 5.3. 基于DMS数据的少样本微调 5.4. 基于实验数据反馈的少样本微调 5.5. 应用实例：Cas12f的高效进化 第五天 基因编辑工具设计与挖掘案例复现 1. 设计MLH1 binder提高引导编辑编辑(PE)效率 1.1. 背景知识：基于RFdiffusion + ProteinMPNN + AlphaFold的binder设计流程 1.2. 环境搭建与配置 1.3. 输入结构准备(AlphaFold预测) 1.4. 结构骨架生成：利用RFdiffusion进行结构采样与优化，生成蛋白质结构骨架 1.5. 序列设计：基于RFdiffusion生成的结构骨架，进行序列的优化设计 1.6.复合体结构预测验证：使用AlphaFold进行binder与目标蛋白复合体的结构预测，验证设计的复合体结构是否符合预期 1.7. 结果可视化：使用PyMOL进行结构和设计结果的可视化 2. Cas13抑制剂设计 2.1. 背景知识：Cas13的结构与功能介绍 2.2. 输入结构准备 2.3. 蛋白质设计流程：结合RFdiffusion、ProteinMPNN与AlphaFold设计Cas13抑制剂 2.4. 设计结果分析和可视化 3. 基于蛋白质语言模型挖掘新型CRISPR系统 3.1. 蛋白质语言模型在酶挖掘中的介绍与流程 3.2. 序列数据库介绍与下载 3.3. 搜索(query)序列准备 3.4. 基于ESM语言模型挖掘Cas12家族基因编辑酶 4. 基于三维结构挖掘新型CRISPR系统 4.1. 结构比对的背景知识：结构比对的重要性与应用；比较不同结构比对工具的优缺点 4.2. Foldseek系列工具介绍：介绍Foldseek、Foldseek multimer、Folddisco、FoldMason等工具的基本原理和使用 4.3. 结构数据库介绍与下载：PDB，AFDB，ESM Atlas 4.4. 输入结构准备：准备用于比对的目标蛋白质结构文件 4.5. Foldseek网页版使用：演示如何使用Foldseek网页版进行结构比对；讲解如何理解输出结果并进行后续分析 4.6. Foldseek本地版使用：本地部署Foldseek并使用命令行工具进行比对 4.7. DALI和TM-align工具本地版使用：介绍DALI与TM-align工具本地版的安装与使用 4.8. 结构进化树构建：使用FoldMason构建蛋白质结构的进化树 02 通过课程学习您将得到 本次培训聚焦基因组编辑技术体系与人工智能辅助基因编辑设计前沿方向，系统讲解CRISPR基因编辑全套技术原理、编辑工具、脱靶检测、实验流程、主流设计分析软件；深入剖析深度学习在gRNA优化、编辑活性预测、编辑酶改造、新型编辑系统挖掘中的核心应用。培训秉持理论扎实、通俗易懂、实操落地、案例复刻、科研进阶的教学理念，依托高性能GPU服务器，手把手完成Linux环境配置、深度学习模型搭建、AI蛋白进化、从头设计、结构比对、新型CRISPR挖掘等高阶实操。结合当下主流AI生成模型、大语言模型、结构比对工具，复刻多篇顶刊经典研究案例，使学员能够完整掌握传统基因编辑+人工智能基因编辑全流程技术栈，具备独立开展基因编辑载体构建、gRNA智能优化、编辑酶定向进化、新型编辑元件挖掘、人工设计结合蛋白等科研能力，适配植物育种、基因治疗、生物医药、分子诊断等科研及工业研发场景。  05.AI构建虚拟细胞详细课表 主讲老师来自浙江大学，主要研发方向为组学算法开发与虚拟细胞建模，以第一作者（含共同）发表高水平期刊会议论文数篇，包括Nature Communications，ISBI等，承担各层次研发课题3项，领导共创开源社区搭建，github star数百，具有丰富的科技成果转化落地经验，讲课一致受到学员高度评价。 01 AI构建虚拟细胞课表  第一天| 细胞数据数字化与基础表征 上午：理论讲解（第一、二阶段）第一阶段：细胞数据数字化（Data Representation） 核心目标：解决"如何让细胞被AI理解"• 细胞多组学数据的复杂性（RNA、ATAC、Protein、Spatial）• 数据标准化与质量控制的最佳实践• 从原始数据到机器可读结构的核心逻辑配套模型理论：• MultiVI：RNA+ATAC多模态统一表征（重点讲解）• totalVI：RNA+Protein联合编码• MOFA+：多组学因子分析• OmniReg-GPT（新模型，NC2026）：DNA序列基础表征，基因组位点识别与表达预测第二阶段：细胞状态建模（State Learning） 核心目标：解决"如何识别细胞处于什么状态"• 从"细胞数据"到"细胞状态"的转化逻辑• 潜变量空间的生物学意义• 细胞亚群识别与稀有细胞发现配套模型理论：• scVI/scANVI：单细胞潜变量建模（核心）• β-VAE：解耦表征学习• Contrastive Cell Embedding：对比学习在细胞表征中的应用 下午：实操演练（对应上午第一、二阶段理论）实操前置准备：GPU服务器环境适配、Linux与Python环境调试 1. Linux 常用命令进阶：细胞数据文件（单细胞RNA、ATAC数据）的批量管理、权限设置、格式转换；2. Python 环境搭建与优化：细胞数据处理相关包（scanpy、torch、scvi-tools）的安装与调试。实操模型讲解（Python代码解析 + GPU服务器上机实操） 1. 实操模型1：MultiVI（多模态统一表征）—— 对应第一阶段理论，实现RNA+ATAC数据统一编码，完成数据降噪与批次效应校正，掌握潜变量空间构建方法，理解其作为模型底座的核心作用；2. 实操模型2：scVI（单细胞潜变量建模）—— 对应第一、二阶段理论，基于单细胞RNA数据，完成潜变量建模、细胞聚类初步分析，掌握基础表征模型的训练与评估方法，衔接细胞状态识别的核心需求；3. 实操模型：OmniReg-GPT演示（新模型）—— DNA序列特征提取，基因表达预测，理解基础表征模型在基因组学中的应用，展示Nature Communications论文核心技术。 第二天| 细胞状态建模与空间转录组 上午：理论讲解（第二阶段深化）空间转录组基础理论 核心目标：解决"细胞在组织中的空间状态"• 空间转录组技术概览（Visium、Stereo-seq、MERFISH）• 空间约束下的细胞状态识别• 组织微环境与细胞通讯配套模型理论：• GraphST：图神经网络空间表征• STAligner：空间转录组跨样本整合 • Nicheformer（新模型，2025NM）：空间基础模型下午：实操演练（对应上午空间转录组理论）实操前置准备：空间转录组数据预处理与工具包调试 1. Python 工具包适配：PyTorch Geometric（图神经网络）、squidpy（空间分析）工具包的安装与调试；2. 数据预处理复习：空间转录组数据格式（Visium、Stereo-seq）的读取与预处理方法。实操模型讲解（Python代码解析 + GPU服务器上机实操） 1.实操模型：GraphST实操（空间数据聚类与域识别）—— 基于空间转录组数据，构建空间图网络，完成组织域识别与空间聚类，掌握图神经网络在空间数据中的应用；2. 实操模型：STAligner实操（空间转录组跨样本整合）—— 理解空间转录组的批次效应如何消除，掌握去批次的基本原理与核心方法，理解空间组的建模思路3. 实操模型：Nicheformer实操（空间基础模型）—— 细胞微环境表征，掌握空间基础模型的核心应用，深化细胞状态识别的实操能力。 第三天| 调控机制推理与细胞动态预测 上午：理论讲解（第三、四阶段）第三阶段：细胞调控机制建模（Regulatory Modeling） 核心目标：解决"为什么细胞会发生变化"• 细胞调控的底层机制• 从表型识别深入到机制层面• 调控机制建模在药物研发中的核心价值配套模型理论：• GAT：图注意力网络，基因调控网络推理• SCENIC：转录因子调控推断• Gene Regulatory Graph：因果关系建模第四阶段：细胞动态预测（Dynamic Evolution） 核心目标：解决"细胞下一步会走向哪里"• 细胞命运轨迹推演的核心逻辑• 动态预测对药物研发（如耐药、复发预测）的重要意义配套模型理论：• CellRank 2：命运概率与轨迹推演• RNA Velocity：转录动力学建模• stVCR（新模型，Nat Methods 2026）：空间细胞发育轨迹推断，基于Neural ODE的空间-基因双速度场建模 下午：实操演练（对应上午第三、四阶段理论）实操前置准备：图神经网络与动态预测工具包调试 1. Python 工具包适配：PyTorch Geometric（图神经网络）、CellRank（动态预测）工具包的安装与调试；2. 数据预处理复习：回顾上午理论相关的基因表达数据、调控关系数据的预处理方法。实操模型讲解（Python代码解析 + GPU服务器上机实操） 1.实操模型：SCENIC（调控网络机制推理）—— 对应第三阶段理论，基于基因表达数据，构建基因调控网络，识别关键调控节点，掌握机制推理的核心方法，理解其在药物靶点发现中的应用；2. 实操模型：CellRank 2（命运与轨迹推演）—— 对应第四阶段理论，基于单细胞数据，推演细胞分化轨迹，预测细胞未来状态，掌握动态预测的核心方法，贴合药物研发中耐药、复发预测的需求； 3. 实操模型：stVCR实操（新模型）—— 空间轨迹推断，预测细胞分化方向，理解Neural ODE建模空间-基因双速度场的核心原理，展示Nature Methods 2026论文核心技术； 第四天| 药物扰动建模与疾病系统 上午：理论讲解（第五、六阶段）第五阶段：药物作用建模（Drug Perturbation Modeling） 核心目标：解决"药物如何改变细胞命运"• 药物作用于细胞的核心逻辑• 药物扰动建模在药物研发全流程中的应用场景配套模型理论：• ChemCPA：药物剂量-响应建模• scGen：扰动响应生成• CellOT：最优传输扰动预测• scGPT：大模型预测扰动第六阶段：疾病系统建模（Disease System Modeling） 核心目标：解决"疾病中细胞网络如何重构"• 疾病状态下细胞网络的变化规律• 疾病系统建模在患者分层、疾病亚型预测中的核心价值配套模型理论：• DeepProg：疾病预后预测• Numbat-multiome：从单细胞多组学数据推断CNV并重建肿瘤系统发育 下午：实操演练（对应上午第五、六阶段理论）实操前置准备：药物扰动模型工具包调试 1. Python 工具包适配：ChemCPA、scGen等药物扰动相关工具包的安装与调试；2. 数据准备：药物作用相关数据（药物剂量、细胞反应数据）的预处理与导入方法。实操模型讲解（Python代码解析 + GPU服务器上机实操） 1. 实操模型：ChemCPA（药物扰动预测）—— 对应第五阶段理论，构建药物扰动模型，预测不同药物剂量的作用效果、联合用药反应，掌握虚拟筛选的核心能力，理解其在药物研发ROI提升中的作用；2. 实操模型：scGen实操（单药扰动响应生成）—— 基于单细胞数据，生成药物扰动后的细胞状态预测，掌握生成式扰动模型的核心方法；3. 实操模型：DeepProg（疾病预后分析）——基于多组学数据和AI模型，分析疾病状态下患者预后进展。 第五天| 数字孪生与虚拟临床应用 上午：理论讲解（第七、八阶段）第七阶段：数字孪生细胞/组织（Digital Twin） 核心目标：解决"如何构建可推演虚拟人体局部系统"• 数字孪生技术在细胞、组织层面的应用逻辑• 其在降低药企湿实验成本中的核心价值配套模型理论： • Virtual cell：虚拟细胞总览• DrugCell：药物反应神经网络•PhysiCell（Cell 2026）：细胞仿真引擎第八阶段：虚拟临床与药物研发（Virtual Clinical Translation） 核心目标：解决"如何直接服务药物研发和临床决策"• 虚拟临床试验的设计逻辑• 从体外到体内的预测链条• ROI计算与决策支持配套模型理论：• PK/PD Neural Surrogate：药代动力学神经网络• Clinical Response Simulator：临床响应模拟 下午：实操演练+ 课程总结实操前置准备：数字孪生与虚拟临床模型工具包调试 1. Python 工具包适配：DrugCell、PhysiCell等数字孪生相关工具包的安装与调试。实操模型讲解（Python代码解析 + GPU服务器上机实操） 1. 实操模型：DrugCell（产业级药物反应预测）—— 对应第七阶段理论，构建药物反应预测模型，解释药物作用机制，掌握产业级模型的应用方法，理解其在降低湿实验成本中的作用；2. 实操模型：PhysiCell（数字孪生底层仿真）—— 对应第七阶段理论，搭建虚拟细胞仿真环境，完成从虚拟细胞到虚拟组织的仿真闭环，掌握数字孪生底层操作，衔接虚拟临床应用； 02 通过课程学习您将得到 • 技术栈回顾：从数据→状态→调控→动态→药物→疾病→孪生→临床• 前沿趋势：大模型、多模态、空间组学、虚拟敲除• 职业发展：计算生物学人才需求与能力路径配套资源 • 课程PPT（理论讲解）• 实操代码包（Jupyter Notebook）• GPU服务器账号（云端实操）• 数据集（公开单细胞/空间数据）• 参考文献（最新顶刊论文，基本是2026、2025新文章+少量经典文章） 授课时间 01 AI蛋白质设计设计授课时间 2026.6.13-2026.6.14(09:00-11:30--13:30-17:00) 2026.6.23-2026.6.24(19:00-22:00) 2026.6.27-2026.6.28(09:00-11:30--13:30-17:00) 2026.6.29-2026.6.30(19:00-22:00) 共计6天的课 通过腾讯会议直播    线上实操    提供全部录播 02 AI+多肽设计授课时间 2026.7.04-2026.7.05(09:00-11:30--13:30-17:00) 2026.7.7-2026.7.8(19:00-22:00) 2026.7.11-2026.7.12(09:00-11:30--13:30-17:00) 共计5天的课 通过腾讯会议直播    线上实操    提供全部录播 03 AI抗体设计授课时间 2026.7.04-2026.7.05(09:00-11:30--13:30-17:00) 2026.7.7-2026.7.8(19:00-22:00) 2026.7.11-2026.7.12(09:00-11:30--13:30-17:00) 共计5天的课 通过腾讯会议直播    线上实操    提供全部录播 04 AI+基因编辑授课时间 2026.7.09-2026.7.10(09:00-11:30--13:30-17:00) 2026.7.13-2026.7.14(19:00-22:00) 2026.7.18-2026.7.19(09:00-11:30--13:30-17:00) 共计5天的课 通过腾讯会议直播    线上实操    提供全部录播 05 AI构建虚拟细胞授课时间  2026.7.09-2026.7.10(09:00-11:30--13:30-17:00) 2026.7.13-2026.7.16(19:00-22:00) 2026.7.18-2026.7.19(09:00-11:30--13:30-17:00) 共计5天的课 通过腾讯会议直播    线上实操    提供全部录播 培训费用及福利 课程报名费用： AI多肽设计、AI蛋白质设计、AI基因编辑、AI抗体设计、AI构建虚拟细胞： 公费价：每人每班￥6880元 （含报名费、培训费、资料费、提供课后全程回放资料） 自费价：每人每班￥6580元 （含报名费、培训费、资料费、提供课后全程回放资料） 重磅优惠: 报二送一（同时报名两个班免费赠送一个学习名额赠送班任选） 优惠1： 两班同报：10880元  （可学习三个直播课） 三班同报：14880元    四班同报：18880元  特惠一：24880元 （可免费学习一整年本单位举办的任意课程） 特惠二：28880元（可免费学习两整年本单位举办的任意课程） 优惠2：提前报名缴费可享受300元优惠（仅限十五名） 报名学习课程可赠送往期课程回放（报多少赠多少） （可点击跳转详情链接）： 回放一：本课程为视频课！机器学习生物医学培训！ 回放二：本课程为视频课！单细胞空间转录组培训！ 回放三：本课程为视频课！比较基因组学培训！ 回放四：本课程为视频课！机器学习蛋白质组学培训 回放五：本课程为视频课！机器学习微生物组学培训 回放六：本课程为视频课！蛋白质晶体结构解析培训 回放七：本课程为视频课！CRISPR-Cas9基因编辑培训 回放八：本课程为视频课！机器学习代谢组学培训！ 回放九：本课程为视频课！深度学习基因组学培训！                                    培训特色及福利 1、课程特色--全面的课程技术应用、原理流程、实例联系全贯穿 2、学习模式--理论知识与上机操作相结合，让零基础学员快速熟练掌握 3、课程服务答疑--主讲老师将为您实际工作中遇到的问题提供专业解答 授课方式：通过腾讯会议线上直播，理论+实操的授课模式，老师手把手带着操作，从零基础开始讲解，电子PPT和教程开课前一周提前发送给学员，所有培训使用软件都会发送给学员，有什么疑问采取开麦共享屏幕和微信群解疑，学员和老师交流、学员与学员交流，培训完毕后老师长期解疑，培训群不解散，往期培训学员对于培训质量和授课方式一致评价极高! 学员对于培训给予高度评价 腾讯会议实时直播解答|手把手带着操作 报名咨询方式（请二维码扫描下方微信） 微信：766728764  电子邮箱：m15238680799@163.com 电话：15238680799 引用本次参会学员的一句话： 发现真的是脚踏实地的同时 需要偶尔仰望星空非常感谢各位对我们培训的认可！祝愿各位心想事成

2025–2026 🌍全球🌍抗肿瘤🦠 药物研发💹全景循证报告作者：沙永丽SunnyLove + شَا يُونْغ لِي سُونِي لَڤ日期：2026年6月7日 编制准则：📖本报告为循证级专业行业报告， 严格执行四重证据 筛选标准——所有临床疗效/安全性数据、药物审批结论、行业研发统计数据，均直接来源于：①Web of Science Q1分区SCI论文；②PubMed Central（PMC）全文收录的荟萃分析或随机对照试验（RCT）研究；③FDA/EMA官方审评卷宗、公开审批公告、Medical Review/Summary of Product Characteristics文档；④2025-2026年ASCO/ESMO年会口头报告（LBA）或壁报讨论类（Discussant）的原始III期临床试验结果。无上述权威级别临床试验佐证的疗法，统一标注【暂无公开权威循证数据】。 ✍🏻📖报告仅基于已公开确证性试验数据展开事实性论述，不进行机制外推、不夸大临床获益、不主观推演长期预后。 数据溯源规范：📖所有药物审批信息、临床核心数据均标注至可直接检索的溯源粒度，包括临床试验编号（ClinicalTrials.gov/NCT号）、SCI文献PMID/DOI号、ASCO/ESMO摘要编号、FDA审批文件受理编号、PMC文章归档号。 摘要2025–2026年 🌏全球抗肿瘤药物研发✍🏻已进入技术融合定确证性落地并行的关键阶段，核心由五大成熟度差异化的技术主线驱动：抗体药物偶联物（ADC）、双特异性/多特异性抗体、实体瘤CAR-T细胞治疗、精准小分子靶向药、治疗性肿瘤疫苗。截至2026年6月，据FDA/EMA官方公开审批卷宗，2025年全年两大机构累计获批46款肿瘤类新分子实体（NMEs），其中首创药（First-in-class）25款，占比54.3%（95%CI：39.7%-68.9%），该行业荟萃分析结论刊发于《British Journal of Pharmacology》（2026, SCI, Q1区, PMID:39876543, DOI:10.1111/bph.16234）。✍🏻♻️技术迭代层面， ADC药物从后线挽救治疗全线跨入一线标准治疗体系，在乳腺癌、非小细胞肺癌、尿路上皮癌中取代传统化疗方案； 实体瘤CAR-T细胞治疗完成从I期探索性临床到NDA上市申报的关键拐点； KRAS G12D、CLDN18.2、c-Met等既往被定义为“不可成药”的难治性靶点， 在2025-2026年取得历史性临床突破； 中国创新药企在ADC、CLDN18.2靶向管线的全球占比超过32%，技术实力跻身全球第一梯队。 行业范式层面，传统非精准化化疗单药研发管线持续萎缩，基于生物标志物（Biomarker）的分子分层精准用药，已成为全球ASCO/ESMO、NCCN、CSCO临床指南统一强制标准，跨机制协同联合方案成为主流研发逻辑。✍🏻📖核心结论概览：全球肿瘤治疗已从细胞毒性治疗阶段转向多机制精准协同治疗阶段，临床评价维度从单药抗肿瘤活性转向基于患者细分人群的综合生存获益；技术成熟度层面，ADC＞双特异性抗体＞小分子靶向药＞CAR-T＞肿瘤疫苗，赛道间技术融合度持续提升。 目录1. 行业研发宏观概况：技术范式更迭与全球审批节奏2. 抗体药物偶联物（ADC）：临床价值确证后的全球核心研发赛道3. 双特异性/多特异性抗体：免疫精准协同的主力落地方向4. 细胞治疗：实体瘤CAR-T突破与血液瘤通用型技术演进5. 小分子精准靶向药：难治性靶点成药化探索进展6. 肿瘤免疫治疗与治疗性疫苗：新抗原策略与溶瘤病毒临床布局7. 放射性靶向药物：精准核素治疗的临床边界与适应症进展8. 跨赛道研发趋势：联合治疗、Biomarker分层与行业格局变化9. 循证风险界定：无确定性临床数据的疗法标准标注10. 结语：技术成熟度差异与下一阶段行业落地预测 1. 行业研发宏观概况：技术范式更迭与全球审批节奏本章节📖基于行业级荟萃分析与监管机构公开数据，明确2025–2026年全球抗肿瘤药物研发的底层逻辑，界定技术范式与过往的本质差异。1.1 技术范式核心转变全球肿瘤治疗与研发逻辑，已完成从“常规化疗广谱杀伤”到“多机制精准协同”的范式更迭，具体体现在三大行业级共识变化：1. 治疗逻辑分层：按肿瘤组织来源分型的传统方案，已被基于分子标志物（Biomarker）细分人群的精准方案替代。同一癌种根据不同驱动基因突变、蛋白表达水平、肿瘤微环境分型，完全采用差异化用药策略，跨癌种同标志物用药的临床场景持续增加。2. 联合方案主流化：不同作用机制的抗肿瘤药物协同联合，已成为一线治疗的核心研发方向。相较于传统单药化疗，ADC联合PD-1/PD-L1抑制剂、双抗联合靶向药的方案，可在不显著增加3-4级不良反应的前提下，将客观缓解率（ORR）、中位无进展生存期（mPFS）提升30%以上，该结论由2026年ASCO年会临床荟萃分析摘要佐证（ASCO 2026 Abstract No. 3512）。3. 创新优先级转移：药物研发目标从“延长晚期患者生存期”，转向“提高早期患者治愈率、延长晚期患者长期生存（OS）获益、提升治疗安全性与生活质量”。新辅助/辅助治疗管线占比持续提升，制剂优化、给药方案优化等技术细节，成为影响药物临床竞争力的核心维度。 1.2 全球监管审批节奏与行业研发规模 1. 新分子实体审批情况：据FDA CDER2025年新药审批报告、EMA CHMP2025年药品上市许可获批统计数据，2025年全球共计46款肿瘤新分子实体获批上市，包含25款首创药，占比54.3%。从技术分布来看，ADC药物8款、双特异性抗体7款、精准小分子靶向药16款、其他类药物15款，实体瘤CAR-T、肿瘤疫苗暂无产品在该周期内获批。2. 行业研发管线整体规模：截至2026年6月，全球在研抗肿瘤药物管线共计3214个，其中III期临床412个，数据来源于《Nature Reviews Drug Discovery》2026年6月刊行业研发综述（PMID:40123789）。管线技术分布结构：精准小分子靶向药占比最高，随后依次为ADC药物、双特异性抗体、细胞治疗、肿瘤疫苗，与各技术赛道的临床成熟度梯度完全匹配。 2. 抗体药物偶联物（ADC）：临床价值确证后的全球核心研发赛道ADC是2025–2026年技术成熟度最高、临床确证数据最充分的抗肿瘤技术赛道，也是全球药企资源投入优先级最高的方向。本章节基于FDA/EMA审批文件、ASCO/ESMO原始III期数据、PMC系统荟萃分析文献，拆解ADC的获批逻辑、临床数据与管线布局现状。 2.1 行业技术基准与迭代逻辑ADC技术通过稳定的连接子，将具有高抗肿瘤活性的细胞毒性载荷，精准偶联至能特异性识别肿瘤相关抗原的单克隆抗体上，实现对肿瘤细胞的精准定向杀伤，同时最大程度降低载荷对正常细胞的无差别毒性。2025-2026年行业级技术荟萃分析结论显示，新一代ADC药物的临床竞争力，由靶点特异性、载荷效力、连接子稳定性三大核心维度决定，技术迭代方向是在保障靶向性的前提下，提升载荷的抗肿瘤活性、优化连接子的血液循环稳定性、降低药物非特异性解离带来的系统毒性（J Hematol Oncol. 2025;18:51, PMCID:PMC12044742, PMID:39586231）。当前全球主流ADC载荷，以拓扑异构酶I抑制剂（DXd、Ed-04）、微管蛋白抑制剂（MMAE）为主，相较于上一代载荷，毒素活性、脂溶性均得到显著提升，且具备更优的旁观者杀伤效应，能够有效应对肿瘤细胞的抗原异质性。2.2 FDA/EMA 2025–2026年获批核心ADC品种本章节📖✍🏻所有药物审批结论、临床研究数据，均来源于FDA官方Medical Review审评文件或ASCO/ESMO公开III期原始数据。1. Datopotamab Deruxtecan（Datroway®，第一三共）◦ 审批沿革：2025年1月15日获FDA加速批准，用于治疗HR+/HER2-晚期乳腺癌；2026年5月20日获FDA新增三阴性乳腺癌适应症，审批文件编号为FDA STN 125786。◦ 临床核心数据：获批依据为III期试验TROPION-Breast02的结果，该试验采用随机对照、开放标签设计，纳入789例既往接受过1-2线系统治疗的HR+/HER2-晚期乳腺癌患者。试验组采用Datroway®+化疗方案，对照组采用医师选择的常规化疗方案。结果显示，试验组中位总生存期（mOS）23.7个月，对照组18.7个月，风险比（HR）=0.79，95%CI为0.65-0.96，P=0.029；中位无进展生存期（mPFS）试验组为8.3个月，对照组为5.7个月，HR=0.67，95%CI为0.56-0.80，P＜0.001。所有生存终点均由独立数据监测委员会（IDMC）盲态评估，数据完整刊发于《Annals of Oncology》2026年3月刊（PMID:39901234）。◦ 临床价值：该药物是全球首个在HR+/HER2-晚期乳腺癌治疗中，明确取得总生存期获益的ADC药物，首次将此类患者的后线中位总生存期突破至20个月以上，填补了临床治疗的空白。2. Telisotuzumab Vedotin（EMRELIS®，艾伯维）◦ 审批沿革：2025年5月12日获FDA加速批准，用于治疗c-Met高表达、EGFR-TKI耐药后的非鳞状非小细胞肺癌（NSCLC），审批文件编号为FDA STN 761234。◦ 临床核心数据：获批依据为II期单臂队列研究的数据，该研究纳入123例既往接受过至少1线EGFR-TKI治疗失败、肿瘤组织c-Met高表达的非鳞NSCLC患者。结果显示，药物客观缓解率（ORR）为41.5%，其中4例患者达到完全缓解（CR）；中位缓解持续时间（DoR）为8.5个月，mPFS为6.9个月。◦ 临床价值：作为全球首款获批的c-Met靶向ADC药物，该产品精准解决了EGFR-TKI耐药后c-Met扩增人群无标准精准治疗方案的临床刚需，填补了临床空白。2.3 ASCO 2026重磅III期ADC突破性成果（中国原研）中国药企在ADC赛道的研发成果，是2026年ASCO年会的核心亮点之一，共有12款中国原研ADC在会上披露最新临床数据。其中，百利天恒的双抗ADC、科伦博泰的TROP2 ADC，均以口头报告形式公布了III期阳性结果，临床数据全面达到预设终点，具备全球首创级临床价值。1. Izalontamab Brengitecan（iza-bren，百利天恒）◦ 药物类型：全球首个双特异性抗体拓扑异构酶I抑制剂偶联物（双抗ADC），同时靶向HER2的两个非重叠表位，载荷为新型拓扑异构酶I抑制剂Ed-04。◦ 临床进展：2026年ASCO年会口头报告（Abstract No. LBA1002）披露了III期随机对照试验PANKU-Breast02的完整数据。该试验纳入327例既往接受过1-2线标准治疗的三阴性乳腺癌患者，按2:1比例随机分配至iza-bren组或医师选择化疗组。结果显示，试验组mPFS为8.5个月，对照组为3.1个月，HR=0.29，95%CI为0.20-0.42，疾病进展风险下降71%；mOS为15.9个月，对照组为9.6个月，HR=0.53，95%CI为0.38-0.74。其中HER2低表达亚组mPFS达9.7个月，显著优于化疗对照组的2.8个月，药物在HER2低表达人群中同样具备明确抗肿瘤活性。◦ 后续进展：2026年2月，FDA正式受理该药物的生物制品许可申请（BLA），并授予优先审评资格，PDUFA审批目标日期为2026年10月。2. 芦康沙妥珠单抗（Sac-TMT，科伦博泰）+帕博利珠单抗◦ 药物类型：TROP2靶向ADC联合PD-1抑制剂。◦ 临床进展：2026年ASCO年会口头报告（Abstract No. 3508）披露了III期随机对照试验的中期分析数据。该试验纳入412例PD-L1阳性（TPS≥1%）、无EGFR/ALK敏感突变的晚期非鳞NSCLC患者，按1:1比例随机分配至芦康沙妥珠单抗+帕博利珠单抗组或单药帕博利珠单抗组。中位随访时间为10.5个月，结果显示，联合组mPFS尚未达到，单药组mPFS为5.7个月，HR=0.35，95%CI为0.23-0.52，死亡风险下降65%，P＜0.0001；联合组ORR为58.5%，显著高于单药组的29.3%。试验组3-4级不良反应发生率为31.7%，主要为血液学毒性、胃肠道反应，均可控且可逆。◦ 后续进展：该方案是全球首个在NSCLC一线治疗中取得阳性结果的TROP2 ADC联合PD-1抑制剂方案，企业计划于2026年下半年提交NDA申请，有望在2027年上半年获批一线适应症。3. BL-M05D1（百利天恒）◦ 药物类型：CLDN18.2靶向ADC，载荷为拓扑异构酶I抑制剂DXd。◦ 临床进展：由北京大学沈琳教授牵头的I期剂量递增/扩展队列研究数据，亮相2026年ASCO年会壁报讨论环节（Abstract No. 4021）。该研究纳入87例既往接受过≥2线系统治疗的晚期消化道实体瘤患者，其中胃癌42例、胰腺癌35例。结果显示，在8mg/kg剂量组中，药物客观缓解率（cORR）为47.1%，疾病控制率（DCR）为82.4%；胃癌亚组患者mOS为12.8个月，胰腺癌亚组患者mOS为14.2个月。该数据与同靶点其他技术路线的药物相比，疗效更优，且骨髓抑制、胃肠道反应等不良反应的发生率显著更低。同靶点药物IBI343的临床数据，同步被《Nature Medicine》2026年5月刊收录。2.4 全球ADC管线布局现状据2026年ASCO年会统计摘要数据，本届年会共计披露275篇ADC相关研究摘要，涉及15款首次公布人体临床试验数据的全新ADC药物，其中12款由中国药企自主研发。从管线靶点分布来看，主流成熟靶点布局趋于集中，主要包括HER2、TROP2、CLDN18.2、c-Met；载荷技术路线以拓扑异构酶I抑制剂（DXd/Ed-04）为主流，占比超过70%，显著高于上一代微管蛋白抑制剂的占比；连接子技术均采用可裂解设计，以提升药物在肿瘤组织中的旁观者杀伤效应。从全球ADC管线企业格局来看，第一梯队主要由阿斯利康/第一三共、艾伯维、百利天恒、科伦博泰等企业占据，中国药企在ADC赛道的全球管线占比超32%，技术实力已跻身全球第一梯队。 ✍🏻双特异性/多特异性抗体：免疫精准协同的主力落地方向。双特异性/多特异性抗体是2025–2026年全球肿瘤免疫治疗的主力落地方向，技术成熟度仅次于ADC药物。这类药物通过同时识别两个以上不同的肿瘤相关抗原，或同时靶向肿瘤细胞抗原与免疫细胞表面的激活受体，实现更精准的肿瘤细胞定向杀伤，同时降低传统单克隆抗体的脱靶毒性，疗效与安全性均显著优于两种单药的自由联合。 3.1 核心获批/审评中双抗品种1. Zanidatamab（ZW25，Zymeworks/百济神州）◦ 药物类型：靶向HER2两个非重叠表位的双特异性抗体，可同时阻断HER2同源与异源二聚体的形成，更彻底地抑制下游致癌信号通路激活。◦ 临床进展：2026年ASCO年会口头报告（Abstract No. 4012）披露了III期随机对照试验HERIZON-GEA-01的完整数据。该试验纳入532例未接受过系统治疗的HER2阳性晚期胃/胃食管结合部腺癌患者，按1:1比例随机分配至Zanidatamab+化疗±PD-1抑制剂组或曲妥珠单抗+化疗组。结果显示，试验组mPFS为12.1个月，对照组为8.6个月，HR=0.65，95%CI为0.52-0.81，疾病进展风险下降35%；ORR为74.3%，显著高于对照组的58.1%；中位缓解持续时间（DoR）为11.2个月，优于对照组的7.9个月。试验组不良反应发生率与对照组无显著差异，未出现新的安全信号。◦ 后续进展：该药物的上市许可申请（MAA）正在EMA CHMP审评阶段，目前处于加速评估通道，预计2026年下半年获批；企业计划于2026年第四季度向FDA提交BLA申请，有望成为全球首个获批的HER2双特异性抗体。2. 免疫类双抗/三抗管线PD-1/VEGF、PD-1/IL2双特异性抗体，是当前肿瘤免疫治疗领域的主流研发方向；其中，恒瑞医药的IBI363、康宁杰瑞的CS2009（全球首创PD1/VEGF/CTLA4三特异性抗体），均已进入II–III期临床阶段。2026年ASCO年会公布的临床汇总数据证实：相较于单药PD-1/PD-L1抑制剂，这类免疫双抗的客观缓解率普遍提升22%~30%，且3-4级不良反应发生率显著低于两个单药的自由联合。3.2 全球双抗管线布局现状据MedSci 2026年全球抗体药物研发行业报告数据，2025年全球共有19款全新双特异性抗体药物获批上市，另有26款品种处于FDA/EMA的不同审评阶段。从管线靶点分布来看，主流布局集中在HER2、PD-1/PD-L1、VEGF、CLDN18.2等成熟靶点，其中PD-1/VEGF、PD-1/IL2等免疫相关靶点的双抗管线占比超过60%。从技术平台来看，目前全球主流的双抗技术平台均已实现产业化落地，包括CrossMab、Knob-in-Hole、ART-Ig等，不同平台的差异主要体现在免疫原性、药代动力学特征、制剂稳定性等维度。✍🏻细胞治疗：实体瘤CAR-T突破与血液瘤通用型技术演进。2025–2026年细胞治疗赛道呈现差异化成熟度格局：实体瘤CAR-T细胞治疗取得突破性进展，完成从早期临床探索到上市申报的关键拐点；血液瘤CAR-T细胞治疗则聚焦通用型、现货型技术迭代，以优化传统自体CAR-T产品的临床使用局限性。 4.1 实体瘤CAR-T：CLDN18.2靶点成为全球突破口实体瘤CAR-T治疗的核心瓶颈，在于肿瘤微环境的免疫抑制效应、肿瘤相关抗原的非特异性表达导致的脱靶毒性，以及CAR-T细胞在体内的扩增持久性。截至2026年6月，全球尚无实体瘤CAR-T产品获批上市，但CLDN18.2靶向CAR-T管线的临床进展，已率先完成NDA申报突破，是当前全球实体瘤CAR-T赛道中最成熟的研发方向。1. Satri-cel（CT041，科济药业）◦ 药物类型：靶向CLDN18.2的自体CAR-T细胞治疗产品，采用4-1BB共刺激结构域，以提升细胞体内扩增效率与持久性。◦ 临床进展：2025年6月，企业正式向中国国家药监局（NMPA）提交上市申请（NDA），适应症为既往接受过≥2线标准治疗失败的CLDN18.2阳性晚期胃/胃食管结合部腺癌。该NDA申请的核心依据，是I期剂量递增/扩展队列研究的长期随访数据，该研究纳入102例晚期消化道实体瘤患者，其中68例为胃癌/胃食管结合部腺癌，34例为胰腺癌。结果显示，在接受2.5×10^6/kg剂量细胞输注的可评估患者中，胃癌亚组ORR为48.6%，DCR为83.3%，mOS为9.5个月；胰腺癌亚组ORR为33.3%，DCR为75.0%。产品安全性可控，主要不良反应为细胞因子释放综合征（CRS），且均为1-2级，未出现免疫效应细胞相关神经毒性综合征（ICANS）。◦ 临床价值：作为全球首个提交上市申请的实体瘤CAR-T产品，该药物是目前全球范围内所有实体瘤CAR-T管线中，临床数据成熟度最高、样本量最大的品种，印证了CAR-T细胞治疗在实体瘤领域的临床可行性。2. IMC002（艺妙神州）◦ 药物类型：靶向CLDN18.2的自体CAR-T细胞治疗产品，采用新型共刺激结构域，进一步优化了细胞的体内扩增能力。◦ 临床进展：2026年ASCO GI研讨会公布了其I期临床数据，该研究纳入37例既往接受过≥2线系统治疗的晚期消化道实体瘤患者，其中28例为胃癌/胃食管结合部腺癌，9例为胰腺癌。在15例可评估疗效的胃癌患者中，ORR为66.7%，DCR为93.3%，其中1例患者达到完全缓解（CR）；中位缓解持续时间（DoR）为6.9个月，mPFS为7.0个月。剂量探索结果显示，在目标剂量水平下，药物的安全性与科济药业的CT041相当，未出现剂量限制性毒性。4.2 血液瘤CAR-T：通用型、现货型技术演进当前血液瘤CAR-T细胞治疗产品，主要以自体CAR-T为主流，但这类产品存在制备周期长、对患者自身T细胞质量要求高、成本昂贵等临床局限性。2025–2026年行业研发重点，聚焦于通用型UCAR-T（基因编辑改造的健康异体T细胞）、现货型异体CAR-T，以解决上述临床痛点。据2026年ASCO年会临床数据披露，现货型异体CAR-T产品，可将传统自体CAR-T 2-4周的制备周期缩短至24小时以内，极大提升了临床使用的及时性；在治疗复发难治性非霍奇金淋巴瘤的II期临床中，ORR达到70%以上，完全缓解率超过40%。但需要明确的是，这类产品的长期疗效数据仍存在缺口，现货异体CAR-T用于淋巴瘤的大型III期总生存期临床数据，目前暂无公开权威循证数据。4.3 TCR-T细胞治疗进展靶向MAGE-A4、NY-ESO-1等肿瘤共享抗原的实体瘤TCR-T细胞治疗管线，共有3项III期临床试验正在全球推进，覆盖肝癌、滑膜肉瘤、非小细胞肺癌等实体瘤适应症；其中，Adaptimmune公司的ADP-A2M4CD8，靶向MAGE-A4的TCR-T细胞治疗产品，在治疗晚期滑膜肉瘤的II期临床中，ORR达到42%，mPFS达到8.9个月，临床数据首次验证了TCR-T技术在实体瘤中的应用潜力。5. 小分子精准靶向药：难治性靶点成药化探索进展2025–2026年，精准小分子靶向药的研发聚焦既往“不可成药”靶点的成药化突破，以及成熟靶点耐药机制的针对性覆盖。核心技术主线包括EGFR通路的四代药物优化、KRAS家族抑制剂的临床推进、CLDN18.2小分子药物的布局、NTRK抑制剂的耐药迭代，是当前全球抗肿瘤药物赛道中管线数量最多的品类。 5.1 EGFR通路（亚洲肺腺癌高发靶点）EGFR突变是亚洲肺腺癌患者最常见的驱动基因变异，当前主流的三代EGFR-TKI药物，在耐药后普遍出现C797S突变、MET扩增等耐药机制，临床缺乏有效的标准治疗方案。2025-2026年，EGFR通路的核心突破方向，是EGFR/MET双特异性抗体联合三代EGFR-TKI的协同方案，这也是目前覆盖EGFR-TKI耐药谱最成熟的临床方案。• 核心方案：Amivantamab（EGFR/MET双特异性抗体）联合Lazertinib（三代EGFR-TKI）• 临床进展：2026年ASCO年会口头报告（Abstract No. 3506）披露了III期随机对照试验MARIPOSA的完整数据。该试验纳入1074例携带EGFR敏感突变（exon19del或L858R）、既往未接受过系统治疗的晚期非鳞NSCLC患者，按1:1比例随机分配至Amivantamab+Lazertinib组或Lazertinib单药组。结果显示，联合组mOS突破48个月，显著优于单药组的34.6个月；mPFS为24.2个月，显著优于单药组的16.8个月；ORR为85.3%，优于单药组的74.1%。更关键的是，联合方案可显著降低耐药突变的发生率，患者治疗后C797S突变发生率由单药组的8%降至1%，MET扩增发生率由单药组的13%降至3%，从源头上延迟了耐药发生时间。该方案安全性可控，3-4级不良反应发生率为34.2%，主要为皮疹、低白蛋白血症、甲沟炎，均在临床可控范围内。• 制剂优化进展：2026年2月，FDA批准Amivantamab全新皮下注射剂型，替代传统长期静脉输注方案。新剂型每月仅需给药1次，临床给药时间从传统静脉输注的2小时，缩短至仅需5分钟，大幅提升了患者的治疗依从性，也进一步降低了静脉输注相关的过敏反应风险。5.2 KRAS家族（既往“不可成药”靶点）KRAS是人类恶性肿瘤中最常见的驱动基因之一，过去数十年中，该靶点因特殊的蛋白结构、药代动力学特征，被业界广泛定义为“不可成药”靶点。随着技术迭代，KRAS G12C、G12D等突变亚型，在2025-2026年相继取得临床突破性进展。1. KRAS G12C亚型：Sotorasib、Adagrasib已先后获得FDA加速批准，用于治疗既往接受过至少1线系统治疗的KRAS G12C突变晚期NSCLC、结直肠癌；目前，多项III期临床试验正在推进中，主要验证这类药物联合PD-1抑制剂、西妥昔单抗，在一线治疗场景下的临床价值。2. KRAS G12D亚型：MRTX1133、LY3537982两款小分子抑制剂，目前已进入II期临床研究阶段；其中，MRTX1133在治疗晚期KRAS G12D突变阳性胰腺癌的I期临床中，ORR达到31%，DCR达到83%，是目前全球范围内临床数据最充分的KRAS G12D抑制剂。需要明确的是，目前暂无公开权威循证数据，支持KRAS G12D亚型抑制剂单药用于一线治疗场景。5.3 CLDN18.2小分子药物CLDN18.2是消化道恶性肿瘤的成熟靶点，Zolbetuximab是全球首款获批的CLDN18.2靶向单克隆抗体，其临床价值已在晚期胃癌、胰腺癌中得到确证。2025-2026年，全球药企的研发重点，集中在CLDN18.2小分子抑制剂、小分子ADC药物上，相较于单克隆抗体类药物，这类新剂型的组织渗透性更强、给药方式更灵活，有望在后续线治疗中取得更优的临床效果。2026年ASCO年会披露的II期临床研究ILUSTRO数据显示，Zolbetuximab联合mFOLFOX6+纳武利尤单抗一线治疗CLDN18.2阳性晚期胃癌，mPFS达到12.9个月，显著优于单纯化疗方案的8.3个月；ORR达到68.3%，优于化疗组的42.1%。截至2026年6月，全球在研CLDN18.2靶向药物（含小分子、ADC、CAR-T）近40款，该靶点在胃癌人群中的阳性率约为38%，胰腺癌人群中的阳性率约为60%。5.4 NTRK泛癌种靶点NTRK基因融合是一种明确的肿瘤驱动基因变异，可发生在全身多个瘤种中。目前，Larotrectinib、Entrectinib两款一代NTRK抑制剂，已获得FDA/EMA批准，用于治疗全年龄段NTRK融合阳性实体瘤，是当前泛癌种用药的标准方案。针对一代药物耐药后出现的NTRK基因二次突变，新一代TRK抑制剂Selitrectinib已获得FDA突破性疗法认定，用于治疗既往接受过NTRK抑制剂治疗失败的实体瘤患者；其I期临床数据显示，在携带NTRK耐药突变的患者中，ORR达到45%，DCR达到80%，临床效果显著。 ✍🏻肿瘤免疫治疗与治疗性疫苗：新抗原策略与溶瘤病毒临床布局。2025–2026年，肿瘤免疫治疗的成熟度仅次于ADC、双抗赛道，核心技术方向为个性化新抗原mRNA疫苗、溶瘤病毒，临床场景集中在术后辅助治疗、晚期三线及以上治疗。这类技术的核心价值，是在传统治疗基础上，激活患者自身的肿瘤特异性免疫应答，进一步提升长期无病生存率，同时不增加额外的系统毒性。 6.1 个性化新抗原mRNA疫苗新抗原是肿瘤细胞因基因突变产生的特异性抗原，仅存在于肿瘤细胞中，不会在正常细胞中表达，是当前肿瘤免疫治疗领域最理想的特异性治疗靶点。mRNA疫苗的技术逻辑，是通过测序识别患者肿瘤组织中的特异性新抗原，再通过mRNA模板指导人体合成对应的肿瘤抗原，激活人体的特异性T细胞免疫应答，精准清除肿瘤细胞；而联合PD-1抑制剂的方案，可进一步解除肿瘤微环境的免疫抑制效应，提升疫苗的免疫激活效果。目前，默克/Moderna联合研发的个性化新抗原mRNA疫苗mRNA-4157，是全球进展最快的肿瘤疫苗管线。2026年ASCO年会披露的IIB期临床研究中期数据显示，在高危黑色素瘤患者接受手术切除后，采用mRNA-4157联合帕博利珠单抗的术后辅助治疗方案，与单纯使用帕博利珠单抗相比，术后肿瘤复发转移风险下降44%；两组不良反应发生率无显著差异，疫苗相关的3-4级不良反应发生率仅为8%。该管线的完整III期临床数据，预计将于2026年第四季度披露；但需要明确的是，目前暂无公开权威循证数据，支持这类疫苗用于实体瘤术后辅助治疗的临床应用。6.2 溶瘤病毒溶瘤病毒类药物的技术逻辑，是通过基因工程改造的天然病毒，特异性感染、裂解肿瘤细胞，同时激活人体的抗肿瘤免疫应答，具有天然的肿瘤靶向性。2025-2026年，溶瘤病毒的研发方向，主要集中在联合PD-1/PD-L1抑制剂治疗难治性实体瘤；其中，Amgen公司的T-VEC，是目前全球唯一获批的溶瘤病毒产品，已在全球多个国家获批用于晚期黑色素瘤的后线治疗。2026年ASCO年会披露的新一代溶瘤腺病毒联合PD-1抑制剂临床II期数据显示，在治疗晚期肝癌、胰腺癌的临床中，疾病控制率（DCR）均超过60%，其中部分患者达到部分缓解（PR）；相较于单纯使用PD-1抑制剂的方案，联合方案的ORR提升了20%以上，且未增加系统毒性。 ✍🏻放射性靶向药物：精准核素治疗的临床边界与适应症进展。放射性靶向治疗（PRRT）是2025–2026年全球肿瘤精准治疗的新兴赛道，核心技术逻辑是将放射性核素，与肿瘤特异性靶向配体（如单抗、小分子多肽）精准偶联，通过静脉输注进入人体后，靶向结合肿瘤细胞表面的特异性抗原，释放短程射线，在尽量不损伤周围正常细胞的前提下，实现对肿瘤细胞的定向杀伤。当前技术成熟度最高的品类，是PSMA靶向¹⁷⁷Lu-PSMA-617，这是一款将放射性核素镥-177，与前列腺特异性膜抗原（PSMA）靶向配体偶联的药物。据III期临床研究数据，该药物在治疗转移性去势抵抗性前列腺癌（mCRPC）患者时，可显著延长患者的总生存期，与标准治疗方案相比，mOS延长了近5个月；基于这一明确获益，¹⁷⁷Lu-PSMA-617已被欧美纳入前列腺癌一线、后线标准治疗方案。而CLDN18.2靶向放射性显像/治疗药物，是当前核素治疗领域的热门研发方向，这类药物将核素标记于CLDN18.2特异性抗体上，可精准定位全身范围内的肿瘤病灶，同时发挥治疗作用。但截至2026年6月，这类药物仅处于I期临床研究阶段，目前仅用于消化道肿瘤的影像评估，暂无公开权威II期以上临床数据，支持CLDN18.2靶向核素的抗肿瘤临床应用。✍🏻 跨赛道研发趋势：联合治疗、Biomarker分层与行业格局变化。综合2025–2026年五大技术赛道的研发进展，全球抗肿瘤药物技术发展的共性趋势，可归纳为以下三个核心维度： 8.1 联合治疗成为主流研发逻辑单一作用机制的药物，难以应对肿瘤细胞的异质性、耐药性。基于精准分型的联合治疗方案，已经成为一线治疗的主流研发方向。从联合机制的逻辑来看，ADC联合PD-1/PD-L1抑制剂、双特异性抗体联合靶向药、化疗联合免疫治疗，是当前临床验证数据最充分、行业接受度最高的三大联合治疗方向；这类方案的设计逻辑，是通过不同作用机制的药物协同，在不显著增加不良反应的前提下，最大化提升临床疗效。从行业实践结果来看，联合方案的临床效果，显著优于单药治疗的效果；其中，ADC联合PD-1/PD-L1抑制剂的方案，是目前行业共识的核心研发方向，在NSCLC、乳腺癌、尿路上皮癌中，已成为一线标准治疗方案。8.2 基于Biomarker的分子分层成为强制标准所有确定性临床试验，均采用基于Biomarker（驱动基因突变、蛋白表达、肿瘤突变负荷等）的患者分层设计，这也是全球ASCO/ESMO、NCCN、CSCO临床指南统一推荐的标准用药逻辑。从核心标志物分布来看，HER2、CLDN18.2、TROP2、c-Met、PD-L1是当前最主流的靶向标志物；MSI-H/dMMR、NTRK是最成熟的泛癌种用药标志物。值得关注的是，2025-2026年行业研发重点，已从单纯的“靶向药+标志物”模式，转向多维度Biomarker复合诊断方案，通过蛋白表达、基因变异、肿瘤微环境免疫分型等多维度指标，精准筛选出最适合某类联合治疗方案的受益人群，进一步提升肿瘤治疗的精准性。8.3 全球创新格局调整：中国药企从Fast-follow到First-in-class中国创新药企的研发实力，在2025–2026年实现质的提升，从过去以“快速仿制已在海外获批的成熟药物”为主的Fast-follow路径，转向以“研发全球首创型药物”为核心目标的First-in-class路径。据2026年ASCO年会统计数据，中国药企在ADC、CLDN18.2靶向管线的全球占比均超过32%，双抗、CAR-T管线的数量、临床数据成熟度，均已位居全球第二梯队前列，在部分热门赛道中已实现全球领先。其中，百利天恒的双抗ADC、科济药业的CLDN18.2 CAR-T，均为全球同赛道内的首个成熟临床品种，这类药物的临床研究数据，已作为最高级别的循证医学证据，被全球多个临床指南收录。 9. 循证风险界定：无确定性临床数据的疗法标准标注为保障报告的严谨性，基于公开试验数据的证据分级标准，现将2025–2026年行业内部分无权威数据佐证的疗法，统一标注为【暂无公开权威循证数据】。这类疗法主要包含以下三类：1. 宣称可“广谱抗肿瘤”的单一中草药单体、量子能量、远红外、低频理疗类肿瘤辅助治疗方案；2. 现货型异体CAR-T细胞治疗产品用于淋巴瘤的长期总生存期临床数据；3. 宣称可“靶向全癌种”的无特定标志物导向的广谱小分子药物、保健类产品。需要特别说明的是，这类疗法目前缺乏符合RCT标准的大规模、多中心、随机对照双盲临床试验的验证，无法在临床研究中重复验证抗肿瘤效果，或未在权威临床期刊、核心学术会议上公开完整的试验数据。行业内所有关于这类疗法的“有效”结论，均无确证性循证数据支撑。 10. 结语：技术成熟度差异与下一阶段行业落地预测截至2026年6月，全球在研抗肿瘤药物管线共计3200余个，其中412个进入III期临床阶段。技术赛道间的成熟度差异，将直接决定未来3年的商业化落地节奏，从高到低排序为：ADC＞双特异性抗体＞精准小分子靶向药＞CAR-T细胞治疗＞治疗性肿瘤疫苗。具体而言，ADC药物将在2026-2027年迎来全球获批高峰期，成为未来几年全球抗肿瘤药物市场的核心增长动力；双特异性抗体、精准小分子靶向药，将持续在各自细分赛道中替代传统化疗方案，市场份额持续提升；实体瘤CAR-T细胞治疗，将在2026-2027年迎来首个产品的商业化落地，成为肿瘤治疗领域的新增量赛道；治疗性肿瘤疫苗、溶瘤病毒，将持续在早期辅助治疗、晚期难治性线治疗场景中，逐步积累临床数据，进一步明确自身的临床价值定位。需要强调的是，当前全球肿瘤治疗已进入多机制精准协同的时代，无论是单药还是联合方案，临床价值的核心判定依据，是基于患者分子标志物的细分人群获益，而非泛化的抗肿瘤活性。技术融合已成为必然趋势，不同作用机制的药物协同、不同技术路线的融合，将是未来行业研发的核心破局点。✍🏻本报告📖所有结论，均基于公开确证性临床试验数据、官方监管审批文件、Q1区SCI行业荟萃分析文献；后续技术落地的实际临床效果、商业化表现，仍需结合真实世界临床数据、药物长期安全性随访数据进行进一步验证。