Lirilumab

并非所有在实验室中表现出优异靶点结合能力的抗体都能最终成为上市药物。除了高亲和力与高特异性外，一个成功的抗体还必须具备良好的“可开发性”（developability）——即在生产、储存、给药及体内环境中保持稳定、安全和有效的能力。 可开发性涵盖多个关键物理化学属性，包括高表达量、高热稳定性、高溶解度、低聚集倾向、低粘度、低多反应性（polyreactivity）以及较长的体内半衰期等。这些特性直接影响抗体能否被高效制造、配制成稳定制剂、安全注射并发挥预期疗效。遗憾的是，尽管近年来人工智能（AI）和机器学习（ML）在蛋白质结构预测与抗体结合设计方面取得突破，但在可开发性预测方面却进展缓慢。 为解决这一瓶颈，Ginkgo Bioworks公司近期构建了一个名为 PROPHET-Ab（Platform for Reliable Outcome Prediction in High-throughput Evaluation of Therapeutic Antibodies）的高通量抗体可开发性评估平台。该平台不仅自动化了十多项经典生物物理检测方法，还生成了标准化、AI友好的“整洁数据”（tidy data），为训练下一代抗体可开发性预测模型提供了关键资料，文献发表于mAbs上。 抗体药物可开发性问题的难题 可开发性，是决定一个实验室里的优秀抗体分子能否最终成为安全、有效、稳定、可大规模生产的药物的关键门槛。它是一系列生物物理和生化属性的总和，而每一部分问题都有对应需要解决的问题： 表达性：能否在中国仓鼠卵巢（CHO）细胞中高效、经济的生产？ 稳定性：能否在储存和运输过程中保持结构稳定，不变性失效？ 溶解性：能否在高浓度下（便于皮下注射）保持澄清溶液，而不形成浑浊或沉淀？ 黏度：能否在高浓度下仍保持较低粘度，以便于通过细针头注射？ 多反应性：是否“过于粘人”，容易非特异性地结合到其他非靶标分子或细胞上？这可能导致脱靶毒性或快速被机体清除。 低聚集倾向：聚集体可能引发免疫反应，影响药效和安全。分子自身是否容易抱团形成聚集体？ 半衰期：在血液中能否停留足够时间发挥作用？ 预测一个抗体的“可开发性”一直是个令人头疼的难题。原因很简单：缺乏高质量的“大数据”。传统的可开发性评估依赖于分散、耗时的实验，数据量小、格式不一，难以喂给机器学习（ML）模型进行有效学习。这导致候选抗体往往在投入巨额成本的后期临床开发阶段，才暴露出可开发性缺陷，造成巨大浪费。 PROPHET-Ab平台 PROPHET-Ab平台的核心目标是快速、系统、标准化地测量抗体的可开发性属性。该平台能做到兼容不同的抗体格式，如IgGs、抗体药物偶联物、多特异性抗体、VHHs、VHH-Fc、迷你结合剂、Fabs和单链可变片段，并使用不同的亲和纯化标签（如Fc、His、StrepII） 其工作流程分为四个阶段：表达—纯化—评估—输出。这套系统的吞吐量达到每周数千种抗体，比传统方法快两个数量级。更重要的是，它实现了前所未有的标准化——所有抗体在完全相同的条件下测试，数据格式统一，便于机器学习模型摄取。 抗体会先在CHO（中国仓鼠卵巢）或HEK293细胞中进行瞬时表达，然后再通过Protein A、Ni-NTA或StrepTactin等亲和层析方法纯化。纯化后的抗体就会进入“评估”阶段，其中接受至少10项生物物理检测，包括：①表达滴度（titer），②纯度（%LC+HC，通过还原毛细管电泳测定），③单体比例（% monomer，通过尺寸排阻色谱SEC测定），④热稳定性（Tm1、Tm2，通过nanoDSF或DSF测定），⑤疏水性（HIC、SMAC），⑥肝素结合能力（HAC），⑦自缔合倾向（AC-SINS、DLS-kD），⑧多反应性（使用CHO膜蛋白或卵清白蛋白Ova作为探针） 平台最大的创新之一在于其数据输出格式。所有原始数据、处理结果和样本元数据（如序列、亚型、表达条件）都以 “整洁数据” 格式存储。这种格式如同将杂乱无章的档案室变成了结构清晰的数据库，每个变量一列，每个观测一行，极大地方便了机器学习模型直接读取、学习和分析，解决了AI在生物医药领域应用的一个主要数据障碍。 246个抗体的可开发性图谱 研究团队利用PROPHET-Ab对246个已知抗体进行了全面评估，其中包括106个已获批药物、135个处于临床阶段的候选药物，以及5个撤回或预注册分子。这些抗体覆盖IgG1、IgG2、IgG4亚型及κ/λ轻链，具有高度代表性。 分析结果不仅验证了平台的可靠性，也揭示了一些深刻规律： ①IgG4亚型可开发性差：数据分析证实，不同抗体亚型（IgG1， IgG2， IgG4）具有不同的可开发性基线。其中尤其突出的是IgG4。 IgG4亚型虽然因效应功能弱而在某些疾病中受青睐，但其单体纯度显著低于IgG1/IgG2，这意味着近10%的IgG4分子会形成聚集体或降解片段，给纯化工艺带来巨大挑战。 同时IgG4热稳定性也普遍偏低，这证明IgG4的铰链区容易发生链交换反应。 这一发现对药物开发有立竿见影的指导意义。因为许多开发者选择IgG4是为了利用其减弱的效应器功能（减少对正常细胞的杀伤），但必须权衡其生物物理缺陷。 ②高通量不等于低质量 高通量自动化常被视为需要牺牲数据质量，但PROPHET-Ab的数据彻底否定了这一偏见PROPHET-Ab。改进的方法提供了更短的运行时间(每次运行约5-10分钟)，而不会影响数据分辨率或质量。 疏水性检测（HIC）：与传统方法相关性达0.97 胶体稳定性（SMAC）：相关性0.91 肝素结合（HAC）：运行时间缩短3倍，数据质量不变 更值得称道的是，优化的SMAC方法通过增加洗涤步骤，能分辨出三种高度"黏性"抗体（lirilumab、glembatumumab、edelumab），而旧方法只能将它们混在一起。这证明自动化不仅快，还能提升分辨率。 ③数据的聚类相关性：通过相关性分析和聚类，研究人员发现某些属性存在“结伴出现”的现象。例如，疏水性（HIC）和胶体稳定性（SMAC）高度相关；两种多反应性检测方法（针对复杂膜蛋白和简单卵清蛋白）结果也高度一致，提示在早期筛选中可采用更简单的试剂。这简化了评估维度。 ④表达宿主对多数属性影响有限 研究还比较了同一抗体在HEK293与ExpiCHO细胞中表达后的可开发性数据。结果显示，除表达滴度外，疏水性、自缔合、热稳定性、聚集状态等关键属性高度一致（相关系数r > 0.7）。这意味着早期筛选可使用HEK293等便捷系统，后期再转至CHO进行工艺放大，不会显著影响可开发性判断。 ⑤AC-SINS可替代DLS-kD在抗体药物早期可开发性评估中，替代动态光散射测得的扩散相互作用参数（Diffusion Interaction Parameter, kD from DLS）是溶液行为和高浓度制剂成功的公认预测因子。不过，这里研究人员还发现，亲和捕获自相互作用纳米颗粒光谱法（Affinity Capture Self-Interaction Nanoparticle Spectroscopy, AC-SINS）可以在某些应用场景下代替DLS-kD。 DLS-kD需要1-10 mg/mL的纯化抗体（40倍于AC-SINS），且通量低。但两者的Spearman相关性（模型性能）高达-0.90，这意味着AC-SINS完全可以用于早期快速筛选，识别自聚集倾向分子。 从经验阈值到AI预测 传统上，业界使用“红绿灯”式的阈值警告系统来评估可开发性风险。即，为每个检测指标设定一个阈值（例如，基于已上市抗体数据的第90百分位数），超过即亮“黄灯”或“红灯”。 然而，这次研究的数据显示，这种简单方法存在局限。因为这种二元分类法忽略了属性间的复杂交互，且阈值设定主观。 随着时间推移，处于不同临床阶段的抗体，其“红灯”数量并没有显著减少。这意味着，仅靠单项指标超标与否，无法有效区分最终能成功上市和最终失败的抗体。 为此，团队训练了一个基于XGBoost算法的ML分类器，输入为10项可开发性指标，输出为“获批可能性”（称为“可开发性得分”）。结果显示： 已获批抗体的平均得分为0.60，显著高于未获批抗体的0.49（p < 0.0001）； 高分抗体获批概率提升15%，低分抗体失败风险增加20%； 模型AUPRC（精确率-召回率曲线下面积）达0.63，优于随机模型（0.56）。 这证明，可开发性数据中确实蕴藏着预测临床成功潜力的信号，而AI能够将其提取出来。 数据量决定一切 研究还探索了训练数据量对预测能力的影响。他们使用蛋白质语言模型（ESM-2）生成序列嵌入，训练线性回归模型预测各项可开发性参数。通过模拟不同训练集大小的效果，发现几乎所有检测项目的预测相关性都随数据量增加而单调提升。 量化分析显示，每增加100个数据点，Spearman相关性平均提升0.01-0.03。虽然数值看似微小，但在药物研发尺度上意义重大——这意味着PROPHET-Ab每周产生的数据能持续优化模型，最终突破可用性阈值。 有趣的是，通用的ESM-2模型（在单体蛋白上预训练）与专有的抗体模型（AbLang-2、IgBert）表现相当，说明可开发性信息主要编码在序列的基本模式中，而非抗体特有结构。这让研究者可以直接利用强大的开源模型，无需等待专用工具。 总结 总的来说，PROPHET-Ab模型代表了从定性经验到定量数据驱动的巨大进步，商业化上，如果Ginkgo Bioworks想将其作为降低抗体风险的推销手段，但是正如它所说的那样，目前还缺乏数据样本，尤其是失败抗体的临床数据样本。要验证一个被它“淘汰”的抗体本会失败，或一个被它“推荐”的抗体最终成功，需要长达数年的临床实验。这种滞后性使得其价值难以在服务当下被充分确认和定价。 或许只有当模型能够清晰回答“是序列中的哪个部分，通过何种机制，导致了哪个可开发性问题，以及如何通过最小改动来修复它”时，才能更好实现模型对抗体可开发性的评估。 参考来源： Arsiwala, A., Bhatt, R., van Niekerk, L., Quintero-Cadena, P., Ao, X., Rosenbaum, A., … Borhani, D. W. (2025). A high-throughput platform for biophysical antibody developability assessment to enable AI/ML model training. mAbs, 17(1). https://doi.org/10.1080/19420862.2025.2593055

免疫球蛋白G（IgG）是人体血清中含量最丰富的抗体类型，约占血清免疫球蛋白总量的70%–85%，在适应性免疫应答中扮演着核心角色。IgG分子呈典型的Y形结构，由两条相同的重链（Heavy Chain）和两条相同的轻链（Light Chain）通过二硫键连接而成。重链和轻链的近氨基端的序列高度可变，称作可变区(V区，VH和 VL)；其余序列在遗传上较为稳定，称作恒定区(C区，CH和CL)。IgG抗体的重链恒定区可分为CH1、CH2和CH3三个结构域。其结构可进一步划分为抗原结合区域（Fab）和可结晶区域（Fc）：Fab区域负责特异性识别和结合抗原；而Fc区域则介导多种免疫效应功能，在Fc区域中存在一个高度保守的糖基化位点——Asn297，包括甘露糖、N-乙酰葡萄糖胺、半乳糖、唾液酸和岩藻糖等糖基。 图1 IgG抗体的结构 IgG可进一步分为四个亚型：IgG1、IgG2、IgG3和IgG4，它们除了恒定区的CH2区不同，其它的恒定区序列高度同源。铰链区域在 Fab 末端与 Fc之间形成了一个灵活的连接体，这会影响 Fab 区域相对于 Fc 区域以及彼此之间的可能构象。各亚型在铰链区结构上也存在显著差异，包括二硫键的数量与位置：IgG1和IgG4含有2个铰链区二硫键，IgG2有4个，而IgG3则多达11个。此外，轻链与重链的连接位置也因亚型而异：IgG1连接于重链第5位半胱氨酸，而IgG2、IgG3和IgG4则连接于第3位。这些结构差异进一步影响了各亚类的糖基化模式、柔韧性及与受体的亲和力，从而导致它们在效应功能上的强弱不同。 表1 IgG亚型的结构和功能差异 IgG抗体的四个亚型在免疫应答中表现出不同的特性。IgG1类抗体主要在对可溶性蛋白质抗原和膜蛋白抗原的应答中诱导产生，同时也可伴随较低水平的其他亚类抗体，尤其是IgG3和IgG4。针对细菌荚膜多糖抗原的免疫应答则主要诱发IgG2类抗体的生成。在效应功能方面，IgG3是一种强效的促炎抗体，能有效激活下游免疫效应机制，但其半衰期较短，这可能有助于防止过度的炎症反应。IgG4类抗体通常在非感染性、长期或反复暴露于抗原的情况下占主导地位，例如在慢性过敏或某些自身免疫环境中。 抗体的效应功能是其最重要的生物学活性，目的在于灭活或清除传染源及其产物，IgG类抗体具有两种主要的效应功能：补体激活和Fcγ受体（FcγR） 介导的调理和杀伤作用。特别值得注意的是，Fc区域中高度保守的糖基化位点Asn297引起的糖链结构对抗体与各类FcγR及补体蛋白C1q的结合具有决定性影响，进而调控如抗体依赖性细胞毒性（ADCC）、抗体依赖性细胞吞噬作用（ADCP）和补体依赖性细胞毒性（CDC）等重要免疫效应机制。 图2 IgG与Fc效应分子的相互作用 补体激活始于 C1q 的结合，在 CH2 区域中对于 C1q 结合起重要作用的残基包括 L235、D270、K322、P329 和 P331。在 IgG2 中，C1q 结合力的减弱似乎主要是由残基 A235（在其他亚类中为亮氨酸）引起的，而在 IgG4 中，P331在一定程度上是导致 C1q 结合减弱或缺失的原因。有研究表明，IgG3 的较长铰链使得 C1q 结合位点更加可及，从而导致补体激活更加有效。由于IgG2和 IgG4的铰链区比较短，仅有 12 个氨基酸残基，C1q 与 IgG2和IgG4 的结合可能会受到 Fab 区域对潜在结合位点的遮蔽作用的影响。综上所述IgG1 和 IgG3 能够有效触发这种经典的补体途径，但 IgG2 和 IgG4 的作用效率则要低得多。 图3 IgG不同亚型重链恒定区序列 图4 IgG不同亚型的结构 Fc区域与FcγR结合从而介导多种免疫反应，不同IgG亚型与不同的FcγR结合能力不同。FcγRI能与除 IgG2 以外的所有人类 IgG 亚类结合，IgG1和IgG3 与 FcγRI的结合能力高于IgG4 与 FcγRI的结合能力。在 IgG2 相同位置的 IgG1 的下铰链区域发生突变，特别是 E233P、L235A 和 G236突变，会破坏其结合能力；P331S 和 L234F 被认为是导致其与 IgG3 相比结合能力降低的原因。FcγRIIb/IIc与所有IgG亚型的结合能力都较弱，通常偏好为 IgG3=IgG1=IgG4> IgG2。 FcγRIII 通常与 IgG1 和 IgG3 结合，不与 IgG2 和 IgG4 结合，其中 IgG3 的结合效果优于 IgG1。因此 IgG1 和 IgG3 结合FcγR的能力强于IgG2 和 IgG4。 新生儿Fc受体（FcRn）能与IgG的Fc区域结合，进而保护IgG免受降解，延长其在体内的半衰期。FcRn在生理 pH 值（7.4）下不会与其配体结合。只有在内吞小泡的酸性环境中（pH < 6.5），即 IgG 中暴露的组氨酸残基被质子化的情况下，才会发生与 FcRn 的结合。IgG 的 Fc 尾部（CH2-CH3 接口）内的组氨酸残基与 β2-微球蛋白（β2M）和 FcRn α 链的残基高亲和力结合至关重要。H435 位于该界面的核心位置，而含有 R435 的 IgG3 类型抗体与 FcRn 的亲和力降低，这解释了它们的半衰期缩短以及在胎盘中的转运量减少。 目前市场上已有的治疗性抗体大多基于IgG框架构建，其中IgG1因具有较强的效应功能而成为主流选择，部分药物采用IgG2或IgG4亚型。IgG3虽然显示出更强的补体激活能力和细胞毒性，但由于其半衰期较短、存在较多异型多态性及潜在免疫原性，目前尚未被直接用于治疗性抗体开发。在实际药物设计过程中，根据治疗目标和机制的不同，需合理选择或改造IgG亚型： 1. 需要强效应功能的场景（如抗癌、抗感染药物） IgG1因其对FcγR和C1q的高亲和力，能有效介导ADCC、ADCP和CDC，成为该场景的首选。IgG3虽然效应功能更强，但因药代动力学性能较差，通常作为次要选项。此外，还可通过Fc区域点突变进一步增强其效应功能，例如S239D/I332E（DE）、G236A/S239D/I332E（GASDIE）等突变可增强与FcγR的结合；E345R/E430G等突变则能促进六聚体形成，显著增强补体激活能力。 2. 需要弱效应功能的场景（如抗炎、信号阻断类抗体） IgG2抗体亚型的效应功能相对较弱，这一特性使其成为治疗某些自身免疫病和感染性疾病的理想选择。IgG4与FcγR结合能力很弱，几乎不激活补体，非常适合用于需避免Fc介导的副作用（如非特异性细胞杀伤）的阻断型抗体。为彻底消除Fc区域的功能，还可引入L234A/L235A（LALA）、P329G（LALAPG）等突变降低与FcγR和C1q的结合，或通过N297A/Q去除糖基化，完全消除效应功能。 3. 需要延长半衰期的场景 所有IgG亚型均可通过FcRn结合区工程化改造以延长其血清半衰期。常见策略包括引入M252Y/S254T/T256E（YTE）或M428L/N434S（LS）等点突变，增强其pH依赖性结合能力，从而减少溶酶体降解、增加循环时间。 此外，IgG4还具有Fab臂交换（Fab-arm exchange, FAE）的能力，可在体内重组为功能上的单价双特异性抗体，为设计天然结构的双抗提供了独特途径。由于其较低的效应功能，IgG4被视为“非炎症性”亚型，更适合用于某些治疗场景。目前，基于IgG4框架的双特异性抗体已成为药物研发的热点。 表2 临床研究阶段和已上市的基于IgG4亚型的治疗性抗体 药物名称 适应症 靶点 研发状态 IPH-2101 多发性骨髓瘤 KIR2D受体 临床Ⅱ期 Inotuzumab ozogamicin 急性淋巴细胞白血病 CD22 批准上市 Reslizumab 哮喘 IL-5 批准上市 Lebrikizumab 哮喘 IL-13 批准上市 Ixekizumab 斑块状银屑病 IL-17 批准上市 GS-5745 胃癌或胃食管结腺癌 MMP9 临床Ⅱ/Ⅲ期 Tralokinumab 哮喘 IL-13 批准上市 Dupilumab 哮喘，特异反应性皮炎 IL-4α受体 批准上市 Ibalizumab 艾滋病 CD4 批准上市 PRO-140, PA14 艾滋病 CCR5 临床Ⅱ期 LY2951742 习惯性的或复发性丛集性头痛 CGRP 批准上市 综上所述，IgG亚型的选择与工程化改造是实现治疗抗体功能精准调控的关键策略。随着对抗体结构与功能关系理解的深入和蛋白质工程技术的发展，更多具有增强功能、延长半衰期、低免疫原性及双特异结合能力的抗体药物将被开发，广泛应用于肿瘤、自身免疫病、感染性疾病等多个治疗领域。 参考文献 吕若芸, 陈忱，魏敬双. "治疗性抗体药物开发中IgG亚型选择." 中国生物工程杂志 36.7(2016):8. Vidarsson, Gestur , G. Dekkers , and T. Rispens . "IgG Subclasses and Allotypes: From Structure to Effector Functions." Frontiers in Immunology 5(2014):520. Damelang，Timon , et al. "Impact of structural modifications of IgG antibodies on effector functions." Frontiers in Immunology 14.000(2023) :25. Natalia I. Majewska，Max L. Tejada，Michael J. Betenbaugh，Nitin Agarwal. "N-Glycosylation of IgG and IgG-Like Recombinant Therapeutic Proteins: Why Is It Important and How Can We Control It ?." Annual review of chemical and biomolecular engineering 11.1(2020). 关于领康时代 领康时代重点打造国内外领先的生物制品CDMO技术服务平台，旨在为生物制品创新企业提供基于两大平台（哺乳动物细胞表达平台和微生物表达平台）的成药性评估、高质量的早期药理毒理研究样品生产、生产工艺开发、临床申报支持服务、临床样品生产和商业化生产的CDMO服务。 领康时代郑重承诺公司将始终坚持： 质量为先：严格执行国际GMP标准 创新驱动：持续加大研发投入 客户至上：不断提升服务质量 我们诚挚期待与各界合作伙伴携手并进，共同推动生物医药产业高质量发展，为患者提供更多优质的治疗选择。 联系领康 电话 | 131 2081 8528 邮箱 | CDMO@lktime.cn 官网 | www.lktime.cn 官方微信公众号 业务咨询微信