GB-0669

特定表位从头设计、亲和力成熟与人源化的深度分析 近五年，深度学习与生成式模型把抗体工程从“高通量试错”，推向了“以算法为主导的设计—构建—测试闭环”。 在这一波浪潮中，围绕“特定表位从头设计、亲和力成熟、人源化改造”三大关键环节构建的 AI 抗体设计 Agent 平台，正在成为下一代生物药研发基础设施的雏形。 这一类平台不再只是单点算法，而是由多个专用模型（结构预测、生成式设计、亲和力预测、免疫原性评估等）与自动化实验系统组成的多智能体（multi‑agent）系统：给定一个靶点乃至特定表位，Agent 能够自动提出抗体设计、预测性质、下发实验、吸收反馈，再迭代优化，逐步完成从“零先验”到候选药物的跨越。 从 2017 年左右的单点深度学习模型，到 2021 年之后的人源化工具（Hu‑mAb、BioPhi）、再到 2023–2026 年的端到端平台（Absci Origin‑1、LabGenius EVA、Generate Biomedicines 平台、OmniAb 的 OmniDeep/OmniHub），整个赛道的技术栈正从“工具箱”演化为“自治系统”。 当前比较可以看到：Absci 代表“零先验表位”的全生成式路线；LabGenius 强调在真实 T 细胞连接抗体（TCE）场景下的闭环主动学习；Generate Biomedicines 把抗体视为更大蛋白生成平台中的一个物种；OmniAb 则把跨物种转基因动物与 AI 工具相结合；而 Hu‑mAb、BioPhi、AbNatiV 等人源化与免疫原性控制工具，则像是任何 Agent 平台都必须挂载的“通用模块”。 在未来 5–10 年，真正意义上的“AI 抗体设计 Agent 平台”很可能表现为： • 以“表位—抗体—性质”三层图谱为核心数据结构； • 由负责生成、评估、实验规划、人源化与可开发性优化的多个专用 Agent 协同工作； • 通过云实验室或合作 CRO 形成全球可访问的自治抗体研发流水线。 本文将先沿时间轴梳理这一赛道从萌芽到“Agent 化”的技术与产业演化，再在当前时点切片，比较几类代表性平台的技术路线、产品形态与生态位，最后给出对未来 5 年格局与机会的判断。一、从抗体工程到 AI Agent1.1 传统抗体发现与优化的痛点 经典的抗体药物发现流程包括抗原制备、免疫（如小鼠）、B 细胞筛选或噬菌体展示、候选克隆筛选、亲和力成熟、人源化和工艺开发等多个阶段，往往需要数年时间和巨额投入。 亲和力成熟通常依赖定向突变与大规模文库筛选，周期长、成本高，而且对复杂靶点（如高度糖基化受体、柔性表位等）效率有限。 传统计算手段（结构建模、分子动力学、对接等）虽然能辅助理解抗原—抗体相互作用，但在序列多样性极高、CDR 结构灵活的抗体体系里，预测精度与规模始终有限，难以成为主导设计力量。 这为“能否用机器在序列层面直接设计抗体”“能否减少一到两轮实验迭代”的 AI 需求埋下伏笔。1.2 深度学习与生成式模型进入抗体设计 AlphaFold2 等结构预测突破证明了深度学习可以从序列准确推断蛋白三维结构，也推动了专门面向抗体与抗体‑抗原复合物的模型（如 IgFold、各类基于 Transformer 的结构与界面预测网络）快速发展。 大规模抗体序列数据库（如 Observed Antibody Space, OAS）让研究者可以训练专门的“抗体语言模型”，从而在无标注或弱标注条件下学习抗体序列的“语法”和“语义”。 基于这些表示，研究者开始尝试： • 通过条件生成模型直接产生满足给定性质的抗体序列； • 用深度神经网络预测抗体‑抗原结合界面（paratope/epitope），帮助做更精准的表位选择； • 将多任务网络用于同时预测结合亲和力、特异性和可开发性等属性，从而实现“多目标优化”。 这一阶段的 AI 多数仍是“点工具”：如针对亲和力的打分模型、针对结构的预测模型、针对人源化的评分与推荐模型等，真正把它们串成一个平台，是最近三四年的事情。1.3 Agent 范式在生命科学中的出现 在计算机科学领域，“Agent”代表一种具备感知、决策和行动能力的自主实体，能在环境反馈下迭代优化自身策略。 2023 年以后，随着大语言模型与多 Agent 协作框架成熟，“Agent”开始进入实验科学场景： • Ginkgo Bioworks 提出了按自动化水平划分的“Autonomous Lab”路线图，其中 3–5 级都依赖能够理解自然语言实验计划、规划和调用实验设备的 AI Agent。 • 针对抗体的综述明确提出“Antibody Design AI Agent”的概念：一个由若干专职子 Agent 组成的系统，负责从生成候选、预测多种性质、到根据实验反馈调整设计策略，实现端到端的自主优化。 这些工作提示：AI 抗体设计的终局形态，很可能不是单个大型模型，而是一群围绕实验基础设施协同工作的专用 Agent，这为“AI 抗体设计 Agent 平台”的定义提供了理论根基。二、从单点模型到多 Agent 平台 按照时间顺序可以把“AI 抗体设计 Agent 平台”拆解为三个演化阶段：萌芽期（约 2017–2020）、加速期（2020–2023）、平台化与 Agent 化阶段（2023–2026）。2.1 萌芽期：数据与单点模型（约 2017–2020）2.1.1 序列与结构数据基础设施 2010 年代后期，大规模免疫组库测序让人类与多种动物的 B 细胞受体序列得以系统化收集，形成包括 OAS 在内的巨量抗体序列数据库，为后续的抗体语言模型提供了训练数据。 同期，SAbDab 等结构数据库持续积累高分辨率抗体与抗体‑抗原复合物结构，使得深度学习有机会从结构层面理解表位特异性与亲和力。2.1.2 早期人源化与免疫原性预测模型 在“AI 人源化”方向上，剑桥‑牛津等团队提出了基于随机森林分类器的人源化工具 Hu‑mAb，将抗体人/非人分类问题视作机器学习任务，通过 OAS 等数据训练高精度分类器，并据此建议最少突变集合以提升“humanness”并降低免疫原性。 研究表明，Hu‑mAb 建议的突变与真实临床抗体人源化过程中科学家手工设计的突变高度一致，但用时大幅缩短，标志着 AI 在人源化这一细分环节的可行性。 这一时期出现的工具仍然是“点状”的：它们解决单一问题（如免疫原性评分、人源化建议），尚未与亲和力优化、表位设计等其他环节集成。2.2 加速期：深度学习全面渗透抗体设计（2020–2023）2.2.1 更强的序列与结构模型 到 2020–2023 年，深度学习在抗体领域的应用进入“全面开花”阶段。系统综述显示，从 Antibody 语言模型（如 AntiBERTa）、到结构预测网络、再到 paratope/epitope 预测、对接与亲和力预测，几乎每一个环节都有专门的深度学习方法出现，其性能普遍超过传统规则与基于能量的模型。 例如，AntiBERTa 等模型在抗体结合位点预测任务中，相比通用蛋白模型 ProtBERT 提供更高的精度（ROC‑AUC 超过 0.96），说明专门针对抗体训练的语言模型能够捕捉更细致的结构与功能关系。2.2.2 BioPhi、AbNatiV 等“平台型”人源化工具 在 Hu‑mAb 之后，BioPhi 将人源化提升为一个带有交互界面的平台：其核心包括基于 OAS 数据训练的深度学习人源化模型 Sapiens，以及基于 9‑mer 搜索的人源性评分 OASis，可在一个界面中完成候选抗体的人源化与人源程度评估，并支持手工回溯或前向突变。 紧随其后，AbNatiV 作为另一类“多用途 nativeness 工具”被提出，利用来自 OAS 的大规模人类与骆驼科抗体序列，训练能同时评估抗体序列“天然性”和“人源性”的模型，并提供自动化人源化流程。 实验表明，经 AbNatiV 人源化的纳米抗体在结合与稳定性上与野生型相当或更优，优于基于传统频率分析的人源化策略。 这一波人源化工具的共同特点是： • 使用大规模真实抗体序列训练模型； • 将打分、建议和交互式设计放入一个一体化的平台界面； • 开始具备“可以被其他系统调用”的 API 或 Web 服务特征，为后续被纳入更大的 Agent 平台打下基础。2.2.3 AI 辅助亲和力成熟与优化 在亲和力成熟方面，综述指出越来越多的工作开始用深度学习和高通量筛选数据来预测“增益突变”，减少文库规模和实验轮次。 某些工业团队展示了“AI 驱动亲和力成熟”的案例：通过深度学习模型预测 CDR 突变热点，并结合 96 孔板高通量表达和 SPR/BLI 测定，在单轮设计‑测试后实现近 19 倍亲和力提升、十余倍阻断活性提升，比传统路线显著提速。 这些工作虽然仍以“方法学论文”或“服务案例”的形式出现，但已开始体现出闭环思想：模型并不孤立存在，而是与高通量实验形成反馈回路。2.2.4 LabGenius EVA：机器学习 + 自动化闭环的先锋 真正把“闭环优化”做到产品级的平台之一，是总部位于伦敦的 LabGenius。其 EVA 平台结合了高通量自动化工作站与主动学习算法：平台持续地根据实验结果更新模型，提出下一轮实验设计，从而在极少的人为干预下探索庞大的抗体设计空间。 在一项针对 HER2×CD3 双特异 T 细胞连接抗体（TCE）的项目中，LabGenius 报告称 EVA 平台能够同时优化毒效、肿瘤细胞选择性与可开发性，最终得到的候选分子在肿瘤杀伤选择性上超过临床对标抗体 Runimotamab 400 倍以上，展示了 AI 驱动闭环优化在复杂多参数任务中的威力。 虽然当时尚未明确使用“Agent”一词，但 EVA 已具备多个 Agent 平台的关键特征： • 模型负责“决定下一步实验”； • 实验结果实时回流模型； • 平台本身对具体靶点与格式（如 VHH‑based TCE）相对“靶点无关”，具备可迁移性。2.3 平台化与 Agent 化：端到端 AI 抗体设计的出现（2023–2026）2.3.1 Absci：从 CDR 设计到 Origin‑1 平台 Absci 一开始通过把生成式模型与高通量实验结合，展示了在特定抗原（如 HER2）上“零样本”设计整条重链 CDR 的能力，在一次性生成超过一百万种变体并筛选后，获得多枚高亲和力新抗体。 这标志着生成式 AI 在“从头设计”方向的可行性。 2026 年，Absci 发布了 Origin‑1 平台——一个面向“零先验表位”的全生成式 AI 抗体设计平台。 其内部由多个模型与模块构成： • AbsciGen：基于条件生成的 CDR 设计引擎，可针对给定表位设计 CDR 序列； • AbsciBind：用于预测抗体‑抗原复合物，并给出绑定置信度打分，用以筛选候选； • AbsciDiff：扩散式全原子生成模型，可生成抗体‑抗原复合物结构； • IgDesign2 等用于进一步序列优化的模块。 Origin‑1 的目标是：在完全没有既有抗体先例的“零先验”表位上，从表位定义出发，自动生成高置信度抗体序列与结构，并通过内置打分筛选出最值得实验验证的候选，显著减少下游筛选工作量。 从决策逻辑来看，Absci 在每一步都在“用模型替代传统瓶颈”： • 用生成模型替代大规模文库构建； • 用结构与结合预测替代大量低信息量筛选； • 用端到端平台替代割裂的点式工具。 这正是“Agent 化”的雏形：多个专用模型协同完成一个从表位到候选的复杂任务。2.3.2 tFold System：学术界的表位特异性设计工作流 与 Absci 类似，但更偏学术的是 tFold System。该系统由腾讯等团队提出，旨在构建一个高通量的计算工作流，用于快速建模抗体结构（tFold‑Ab）、抗体‑抗原复合物（tFold‑Ag），并结合虚拟筛选实现从头的表位特异性抗体设计。 tFold 的工作流大致包含： • CDR 恢复与抗体结构预测； • 抗体‑抗原复合物结构预测； • 结构驱动的虚拟筛选与亲和力评估； • 面向特定表位的从头设计迭代。 虽然 tFold 更像是“流水线”而非商业平台，但它体现了学术界对“表位特异性从头设计”的系统化思路，并展示了如何把预训练蛋白语言模型（如 ESM‑PPI）与结构模块结合，完成端到端的设计与筛选。2.3.3 Generate Biomedicines：从平台到临床首个 AI 抗体 Generate Biomedicines 以“生成式蛋白药物平台”为核心，主张在大规模序列与结构数据上训练生成模型，为多种蛋白类药物（包括抗体）提供设计能力。 其具有代表性的案例是 GB‑0669：一款针对 SARS‑CoV‑2 的病毒中和抗体，据报道使用其生成式平台在 17 个月内完成从计算机设计到临床一期的转换，显著快于传统流程。 Generate 的策略与很多“抗体专用”平台不同：它把抗体视为整个蛋白空间的一小部分，期望通过在更广泛的蛋白数据上训练模型，提升生成能力的泛化性与多任务适应性。 这一决策的逻辑在于： • 更大更广的蛋白数据可以帮助模型学习稳定性、折叠、可溶性等通用“蛋白语法”； • 抗体的特异性则通过任务条件和精调模型来捕捉。2.3.4 OmniAb：跨物种生物智能与 AI 工具的结合 OmniAb 代表了另一条路线：它以跨物种转基因动物（如鼠、鸡等）产生的多样化免疫库为核心，通过单 B 细胞技术和高通量测序获得候选抗体，再用 AI 工具进行筛选与优化。 公司提出“Biological Intelligence”概念，强调其动物平台提供了天然优化的人类抗体序列库，并在此基础上推出 OmniDeep（AI/ML 工具套件）与 OmniHub（统一生物信息学门户）。 OmniHub 作为一个集成平台，提供： • 统一的数据传输与管理； • 高维可视化； • 对各种算法工具的集中访问界面，用于支持抗体发现工作流。 OmniDeep 则包含各种 AI/ML 模型，帮助在多靶点、多格式（包括多特异性抗体等）场景下进行抗体筛选与优化。 虽然 OmniAb 的工作流仍然严重依赖活体免疫，但其平台化的 AI 工具与数据门户已经具备“Agent 平台”的部分特征。2.3.5 商业化 AI 人源化与 developability 服务 随着 Hu‑mAb、BioPhi、AbNatiV 等工具成熟，一批 CRO/服务公司开始把 AI 人源化与 developability 评估商品化。例如： • GenScript 在科普文章与服务介绍中，强调利用机器学习与深度学习系统性评估抗体聚集、溶解度、热稳定性与免疫原性风险，并提供基于 AlphaFold2、IgFold 等模型的生成式设计与 developability 预测。 • ProteoGenix 推出“AI 驱动人源化”服务，声称通过 AI 算法实现高成功率的人源化，并显著缩短项目时间线。 这些商业化服务并非严格意义上的“多 Agent 平台”，但在功能上充当着任何 Agent 平台都需要调用的专业模块：给定候选序列，对其进行人源化建议与 developability 评分。2.3.6 概念上的“Antibody Design AI Agent” 2024 年底，一篇关于机器学习在抗体发现和优化应用的综述，首次系统性描绘了“Antibody Design AI Agent”的蓝图： • 整个系统由多个专门的 AI Agent 组成，分别负责抗体生成、性质预测、实验规划等任务； • 这些 Agent 通过高通量实验系统（如测序、质谱、BLI/SPR 等）获取反馈，形成端到端的“设计—生产—测试—再设计”闭环； • 平台可以连接云实验室，实现全球可访问的自治抗体设计与测试。 该综述明确提出，RFdiffusion、ProteinMPNN 等结构条件逆折叠模型，以及 BindCraft、IgFold 类生成模型，可作为“生成 Agent”的基座；而 developability 预测、人源化与免疫原性控制模型则构成优化 Agent；所有 Agent 再通过自动化实验系统形成持续改进循环。 这类工作并非单一产品发布，却在概念层面完成了一次飞跃：从“很多分散的 AI 工具”跃迁到“一个由 Agent 组成的自治系统”。2.3.7 Agent 与实验自动化：Ginkgo Autonomous Lab 等 与此同时，Ginkgo Bioworks 等公司在“Autonomous Lab”路线图中，讨论了不同等级的实验自动化与 AI Agent 结合方式： • Level 3：人类科学家用自然语言描述实验计划，由 AI Agent 把计划翻译成设备可执行的协议； • Level 4：科学家只需设定研究方向，由 AI Agent 自主规划实验计划并提交给自动化实验室； • Level 5：在某个科学领域内，AI Agent 可以完全自主设计与执行大部分实验。 这一路线图为抗体设计 Agent 平台提供了“物理接口”：当抗体专用 Agent 能够调用一个具备 Level 3–5 功能的实验室时，才真正具备“从字节到分子”的闭环能力。三、关键技术模块的演进 如果把“AI 抗体设计 Agent 平台”拆开看，它至少包含四个关键模块：特定表位从头设计、AI 驱动亲和力成熟、AI 人源化与免疫原性控制，以及 Agent 编排与闭环优化。本节沿各模块的技术演进，补充细节。3.1 特定表位从头设计：从对接到扩散模型3.1.1 传统对接与片段拼接的局限 早期的表位特异性设计多依赖结构对接与片段拼接：研究者基于已知抗体‑抗原复合物结构，分析表位与 paratope，借助 Rosetta 等工具对 CDR 进行局部优化或 grafting。 这类方法在某些结构刚性强、表位清晰的靶点（如某些毒素）上可以奏效，但在高度柔性、糖基化繁多或“隐蔽表位”靶点上，搜索空间与能量函数误差使得从头设计难以成功。3.1.2 深度学习增强的表位‑paratope 预测 深度学习模型先在“理解”层面提升了表位特异性设计的基础： • 抗体语言模型与图网络被用来预测 paratope 残基，提高了对抗体结合位点的识别精度； • 深度学习辅助抗体‑抗原对接与复合物预测，如 AF2Complex、tFold‑Ag 等，使得在没有共晶结构时也能构建较可靠的复合物模型，为表位筛选与设计提供结构底图。 这些模型把“从序列理解界面”变成可能，从而使后续的生成式设计可以在表位级别进行条件化。3.1.3 生成式与扩散模型的引入 在生成层面，研究者开始使用变分自编码器、归一化流、Mixture 模型乃至扩散模型来直接对抗体序列或结构分布进行建模，从而在给定条件下生成新抗体。 例如，针对抗体序列的生成建模工作发现，混合模型能更好地捕捉抗体序列空间的复杂分布，在保持“人源性”的同时产生多样化新序列。 扩散模型在蛋白设计中的应用（如 RFdiffusion 等）为“结构条件生成”提供了强大工具，使得针对特定表位的结合界面可以在 3D 空间中直接被设计，再映射到序列层面。3.1.4 tFold System 与 Origin‑1：系统化的表位特异设计 tFold System 将上述元素组合成一个系统化工作流：通过预训练的 ESM‑PPI 模型和结构模块，快速预测抗体与抗体‑抗原复合物，并执行虚拟筛选，进而在特定表位附近搜索高亲和力抗体。 它展示了“表位特异性从头设计”的可行流程，但仍需大量人工控制与实验验证。 Absci 的 Origin‑1 则把这一流程更商业化、工程化： • 前端的 AbsciGen 直接针对表位进行 CDR 条件生成； • 中间通过 AbsciDiff 等扩散模型生成全原子复合物结构； • 后端的 AbsciBind 对候选进行 binding 评分，用以筛选最有潜力的设计进入实验环节。 Origin‑1 最重要的贡献之一，是验证了在“零先验表位”场景下，生成模型可以设计出有实验可行性的抗体，并以此为卖点对外合作，推动了“表位特异性从头设计”从概念走向产品。3.2 AI 驱动亲和力成熟：从经验突变到景观导航3.2.1 传统亲和力成熟瓶颈 亲和力成熟的传统做法是在特定抗体上引入大量 CDR 或框架突变（往往通过随机或半理性文库），再经过多轮筛选选出亲和力更高的变体。即便有结构信息辅助，突变组合空间仍然巨大全，且每一轮实验周期长、成本高。3.2.2 机器学习辅助突变扫描与热点识别 在机器学习加入后，常见策略是： • 利用深度学习模型在现有的突变‑亲和力数据上进行拟合，预测哪些位点/氨基酸更可能带来亲和力提升； • 结合高通量测序与功能测定（如深度突变扫描，DMS），构建“fitness landscape”，用来指导下一轮突变设计。 工业界的一个案例显示，通过 AI 模型预测 CDR 中的“亲和力热点”，再集中在这些位点构建小规模文库并高通量筛选，可在一次循环中获得高达 18.9 倍亲和力提升与 2 倍阻断活性提升，大幅减少筛选工作量。3.2.3 结合 3D 信息与语言模型的亲和力优化 更进一步，斯坦福与 Arc Institute 团队展示了一种结合大语言模型与蛋白三维形状信息的方法，用于预测能提升抗体效力的氨基酸替换，据报道在特定病毒抗体上实现了 25 倍效力提升。 这类方法把序列和结构两个模态结合，使得亲和力优化可以在更高维度空间内进行搜索。 同时，AbBiBench 等基准工作提出了针对亲和力成熟与设计的统一评价框架，强调应把抗体‑抗原复合体作为整体进行打分，结果显示结构条件逆折叠模型（如 ESM‑IF、ProteinMPNN）在亲和力相关任务上优于传统仅基于序列的模型。3.2.4 向 Agent 化亲和力成熟演进 在“Antibody Design AI Agent”的设想中，亲和力成熟不再是单独一次“后处理”，而是贯穿整个设计流程的一个 Agent： • 在生成候选时，就对亲和力与其他属性进行多目标约束； • 在实验反馈回来后，根据实际亲和力数据更新模型与设计策略； • 在某些 Agent 平台（如 LabGenius EVA）中，亲和力优化与可开发性优化一起，被内嵌进主动学习循环中。 这意味着未来的亲和力成熟更像是在“亲和力景观”上的导航问题，而非一次性的局部搜索。3.3 AI 人源化与免疫原性控制：从打分到自动化设计3.3.1 Hu‑mAb：机器学习人源化的开端 Hu‑mAb 把人源化问题表述为“给定非人序列，找到最少的突变使其看起来更像人类抗体序列”的优化问题，通过在大规模 OAS 数据上训练随机森林分类器，得到“humanness score”，并用贪心策略逐步建议突变以提高得分。 实证显示，Hu‑mAb 建议的突变数量仅为真实临床人源化方案的约 60%，但与实验方案在突变位点上有 77–85% 的重合度，说明其建议在很大程度上与专家设计一致，却显著节省了时间与人力。3.3.2 BioPhi 与 Sapiens/OASis：平台化与可解释性 BioPhi 在 Hu‑mAb 基础上进一步发展： • Sapiens 作为深度学习人源化模型，在 177 个抗体的基准测试中实现了与专家人源化相当的结果，且能在大规模序列上批量生成候选； • OASis 提供基于 9‑mer 片段搜索的人源性评分，具有粒度细、可解释性好的特点，用户可以查看哪些区域导致得分较低； • 整个平台整合了人源化、打分与交互式设计界面，使人源化成为一个可视、可调的过程。3.3.3 AbNatiV：同时面向抗体与纳米抗体的 nativeness 评估 AbNatiV 被设计为一个面向抗体与纳米抗体的“nativeness”评估与人源化工具，通过在数百万条来自 OAS 的人类重链、轻链和骆驼科 VHH 序列上训练模型，实现对不同来源序列“天然性”和“人源性”的精细评分。 实验表明，AbNatiV 人源化的纳米抗体在结合和稳定性方面与野生型持平或更优，而传统基于结构和频率分析的人源化方法常常导致明显性能下降。 同时，在序列重构准确性上，AbNatiV 也优于 Sapiens 等方法，凸显其作为“通用 nativeness 工具”的优势。3.3.4 商业化服务与产业部署 综述与产业文章指出，越来越多的公司（如 Rapid Novor、GenScript、ProteoGenix 等）在广泛采用这类 AI 工具，以实现更高效的抗体人源化与 developability 评估。 这类服务的共同策略包括： • 综合多个 AI 模型（如 Hu‑mAb、BioPhi、AbNatiV 等）的打分，形成综合免疫原性与 developability 评价； • 在此基础上提出多轮突变建议，兼顾保护 CDR 功能与提升框架区人源性； • 把结果集成到企业内部的抗体设计工作流中，作为标准化步骤。 在 Agent 平台语境下，人源化模块通常被视为一个可复用的 Agent：在任一阶段，只要模型生成了新的抗体序列，它就可以被调用来评估并优化人源性与免疫原性。3.4 Agent 编排与闭环优化：从“工具箱”到“操作系统”3.4.1 多 Agent 体系结构设想 “Antibody Design AI Agent”综述提出的体系结构大致包含以下组件： • 生成 Agent：基于 RFdiffusion、ProteinMPNN、BindCraft、IgFold 等模型，从表位与多目标约束出发生成候选抗体； • 评估 Agent：预测结合亲和力、特异性、多物种交叉反应性、可开发性、免疫原性等； • 实验规划 Agent：根据预测结果与模型不确定性决定下一轮实验设计（例如选择哪些候选进入高通量测试）； • 人源化 Agent：调用 Hu‑mAb、BioPhi、AbNatiV 等工具进行人源化与 risk control； • 数据管理与知识图谱 Agent：维护表位—抗体—性质的多层知识图谱，并为上层 Agent 提供上下文。 所有 Agent 通过高通量实验设施（可为内部自动化平台，亦可为云实验室）形成闭环，实现持续自动优化。3.4.2 实际平台中的 Agent 特征 虽然许多商业平台未必使用“Agent”一词，但其架构已具备 Agent 式特征： • LabGenius EVA 平台中，机器学习模型根据上一轮实验结果主动设计下一轮序列，扮演了“实验规划 Agent”的角色； • Absci Origin‑1 中，AbsciGen/AbsciDiff/AbsciBind 等模块协作完成从表位到候选的设计与筛选，类似多个生成与评估 Agent 的合作； • OmniAb 的 OmniHub 集成了多种 Bioinformatics 工具与数据可视化模块，为上层设计和分析流程提供统一入口，可视为面向抗体设计的“操作系统”； • GenScript、Alloy 等公司描述的“lab‑in‑the‑loop”工作流，本质上是一种 Agent 规划实验、自动化执行实验、再回流数据给 Agent 的多轮闭环。 从演化视角看，“AI 抗体设计 Agent 平台”正在从“工具箱模式”（各环节工具松散组合）向“操作系统 + Agent 应用”模式过渡，其中操作系统负责数据与资源管理，Agent 则实现具体任务（表位设计、亲和力优化、人源化等）。四、当前代表性平台与工具的对比 从当前格局看，围绕“特定表位从头设计、亲和力成熟、人源化改造”的 AI 抗体设计生态，大致可以分为三层： 1. 端到端 AI 抗体设计平台（Absci Origin‑1、LabGenius EVA、Generate Biomedicines 平台、OmniAb OmniDeep/OmniHub 等）； 2. 专用模块平台（BioPhi、AbNatiV、Hu‑mAb 等人源化与 nativeness 工具）； 3. Agent 与实验基础设施（Ginkgo Autonomous Lab 等提供的“自治实验室”能力）。 本节重点比较其中最具代表性的几类平台。4.1 代表性平台速览 平台/工具 类型 技术路线与核心模块 主要业务模式与目标用户 Absci Origin‑1 端到端生成式 AI 抗体设计平台 扩散模型 + 条件生成 + 结构/结合预测；AbsciGen、AbsciDiff、AbsciBind 等模块协同完成表位特异性从头设计 与药企合作，为难靶点提供“零先验”抗体设计服务与合作项目 LabGenius EVA 闭环主动学习 + 自动化实验平台 主动学习算法 + 高通量工作站，持续迭代设计‑测试循环，擅长多参数优化，尤其是 TCE 等复杂格式 提供合作研发与平台赋能，服务 Biotech/Pharma 在复杂抗体项目上的 lead 优化 Generate Biomedicines 平台 蛋白级生成式药物平台 在大规模蛋白数据上训练生成模型，将抗体视为蛋白空间的一部分，关注可开发性与跨靶点泛化 通过自有管线与合作，将生成式设计扩展到抗体等多种蛋白药物；GB‑0669 为首个进入临床的例子 OmniAb OmniDeep/OmniHub 生物智能 + AI 工具平台 跨物种转基因动物提供多样免疫库，单 B 细胞筛选 + OmniDeep AI 工具 + OmniHub 统一信息平台 向药企授权平台与服务，结合 in vivo 免疫与 in silico 设计，支持多种抗体与新格式 BioPhi / Hu‑mAb / AbNatiV 等 专用人源化与 nativeness 模块 利用大规模抗体库训练分类与生成模型，提供 humanness 评分、人源化建议与自动化人源化流程 向学术界和工业界开放 Web/开源平台，被各类设计工作流和服务（如 CRO）调用 Ginkgo Autonomous Lab 通用自治实验室基础设施 通过 AI Agent 将自然语言实验计划转换为自动化协议，实现 3–5 级不同级别的实验自治 面向合成生物学与生物药开发企业，提供从 Agent 到设备的“云实验室”能力 下面分别从技术路线、产品形态与商业定位、用户体验与口碑以及生态位与趋势几个维度展开分析。4.2 Absci Origin‑1：零先验表位的全生成式路线4.2.1 技术路线与核心差异 Absci 的核心主张是：在没有任何已知抗体先例的表位上，通过生成式 AI 完成从头抗体设计，并用结构与结合预测模型筛选出高置信度候选，从而大幅减少后端筛选负担。 与传统路线相比，其差异在于： • 输入层面：传统流程往往从抗原整体出发，而 Origin‑1 直接以特定表位作为条件； • 设计方式：由 AbsciGen 等模型直接生成新 CDR 或整条重链序列，而非从天然库中“淘”或简单突变已有抗体； • 筛选环节：AbsciBind 与 AbsciDiff 等模型在结构与 binding 层面预筛选，减少需要进入实验的候选数量； • 工作流集成度：各模块通过统一平台整合，形成从表位到候选的相对闭环工作流。 在演化中，Origin‑1 是 Absci 早期在 HER2 等靶点上展示 CDR 从头设计能力的自然延伸，其技术迭代逻辑清晰：先在单靶点上验证生成式模型的可行性，再把架构扩展到多表位与多靶点，最终封装成商业平台。4.2.2 产品形态与商业模式 从公开信息看，Absci 把 Origin‑1 作为对药企开放的合作平台，通过合作项目验证其在复杂靶点（如 HIV gp120 非传统表位）上的设计能力，并以此作为竞争差异化。 其商业逻辑是： • 与大型药企共同立项解决极难靶点； • 通过成功案例积累数据与信誉，进一步训练模型； • 长期形成围绕“零先验表位”的技术护城河。4.2.3 用户视角与潜在槽点 公开报道多聚焦于平台能力展示与早期实验结果，尚缺乏大量第三方用户评价；可以合理推测的用户感受包括： • 对 R&D 团队而言，Origin‑1 在“早期探索阶段”可能大幅减少设计与筛选负担，让资源更集中于后端验证； • 对监管与开发团队而言，生成式模型带来的“黑箱性”和“非直觉序列”可能增加早期风险评估与内部说服成本； • 对 IT/数据团队而言，与现有工作流和数据基础设施的集成（如与 LIMS、ELN 的对接）决定了平台能否真正落地，而不仅停留在“协作项目”。 这些优缺点目前多来自平台设计逻辑与行业共性问题推断，仍需更多使用案例验证。4.2.4 生态位与风险机会 生态位上，Origin‑1 填补的是“针对极难、零先验表位的前端生成式设计”空白，与依赖天然免疫库的 OmniAb 或依赖主动学习优化已有分子的 LabGenius EVA 形成差异化。 其主要风险在于： • 生成式模型是否能在更多靶点上稳定产出可开发候选； • 与实验闭环的深度，如果缺乏足够实验反馈，模型性能可能难以持续提升； • 监管对完全从头生成抗体的接受度，尤其是在安全性与免疫原性方面。 相应地，机会在于：一旦 Origin‑1 能在少数极难靶点上证明“别人做不到，但我可以”，它有望成为上游探索阶段的默认选项，并通过平台效应巩固优势。4.3 LabGenius EVA：在真实复杂任务中“长成”的闭环平台4.3.1 技术路线：主动学习 + 高通量实验 EVA 的技术核心是把主动学习算法与高通量实验硬件紧密耦合：模型根据已测数据更新对“序列‑性质”映射的认知，主动选择最有信息增益的序列进行下一轮实验，从而在有限实验预算内最大化性能提升。 在 HER2×CD3 TCE 项目中，EVA 同时优化了毒效、肿瘤选择性、可开发性等多个维度，最终获得在肿瘤杀伤选择性上超过临床对标 Runimotamab 的分子，证明其在真实复杂任务中的实用性。4.3.2 产品形态与组织结构 LabGenius 把 EVA 定位为一种“目标无关”的抗体优化平台： • 在组织结构上，平台团队与项目团队紧密合作，通过统一的自动化工作站服务多个项目； • 在商业模式上，既开展自研管线，也与外部药企/生物技术公司合作，通过联合项目展示平台能力。 与更多“算法公司”不同，LabGenius 自身掌握大量实验基础设施，使 EVA 更像是在一个具体实验室环境中“长大”的 Agent 平台，这也解释了其对闭环优化与多参数权衡的高度重视。4.3.3 用户体验与口碑 来自公开报道的信号显示： • 对科学家团队而言，EVA 能把许多重复性、组合爆炸的设计工作交给平台，自己更专注于目标设定与结果解释； • 对合作方而言，EVA 在复杂场景（如 TCE）中展示出的“非直觉”高性能分子，是其最大的吸引力之一； • 但平台高度依赖内部自动化基础设施，这使得其复制到其他组织的难度较大，更适合作为 LabGenius 自身能力而非标准化 SaaS 产品。 这些判断同样基于公开案例与行业共性，尚需更多合作披露验证。4.3.4 生态位与风险机会 EVA 的生态位在于：“给我一个复杂抗体项目，我用闭环方式帮你找到比人类直觉更好的解决方案”。它与 Absci Origin‑1 更偏前端的表位从头设计，以及 OmniAb 更偏 in vivo 免疫的路线形成互补。 风险包括：大规模实验自动化基础设施的资本与运营成本，以及在更大规模、多靶点项目下维持平台效率与质量的难度。机会则是：如果 EVA 能被证明在多个复杂靶点上持续 outperform 传统优化路线，其闭环框架可能成为行业“标准模板”，被更多公司模仿乃至授权使用。4.4 Generate Biomedicines：抗体只是“蛋白宇宙中的一员”4.4.1 技术路线：从蛋白到抗体 Generate Biomedicines 的主张是：在大规模蛋白序列与结构数据上训练的生成模型，可以为多种蛋白药物（包括抗体）设计提供通用先验，从而在 potency、稳定性与可开发性等维度实现更综合的优化。 GB‑0669 的案例显示，其生成式平台可以在 17 个月内把针对 SARS‑CoV‑2 的中和抗体从计算机设计推至临床一期，远快于传统路线。这一过程中，模型不仅优化了靶点结合，还考虑了稳定性、跨变体有效性等多重约束。4.4.2 产品与商业模式 Generate 采取“平台 + 管线”双重策略： • 内部通过平台孵化多条蛋白药管线，其中包括抗体类项目； • 对外与大型药企合作，在多靶点、多 modality 上提供生成式设计能力。 与 Absci 等“抗体聚焦”公司相比，Generate 更看重跨 modality 的通用性，这有助于在资源投入上实现规模效应，但也可能在某些抗体特有任务上不如专用平台极致。4.4.3 生态位与机会 Generate 的生态位在于“通用蛋白生成式平台中的抗体模块”： • 相比专用抗体平台，它可以更自然地处理抗体融合蛋白、多结构域蛋白等复杂分子； • 在表位特异性与免疫原性控制方面则可能更多依赖后端的专用模块或合作伙伴工具。 机会在于：当生成式蛋白平台成为大药企的基础设施之一时，Generate 可以凭借“全家桶”优势绑定多条管线；风险则在于抗体领域涌现出更专用、性能更优的竞争者，使其在特定场景中显得“泛而不精”。4.5 OmniAb：生物智能主导的 in vivo + in silico 组合拳4.5.1 技术路线：跨物种转基因动物 + AI OmniAb 的核心创新在于一系列转基因动物平台，可在多种物种中产生多样化且近似人类的抗体库，结合单 B 细胞筛选技术，快速获得候选抗体。 在此基础上，OmniDeep 提供一套 AI/ML 工具，用于在大候选空间中进行筛选与优化；OmniHub 则作为统一门户管理数据与工具调用。 这种路线并不试图在 in silico 端完全替代 in vivo 免疫，而是强调“Biological Intelligence”：利用动物免疫系统先完成对复杂抗原的探索，再用 AI 进行精细筛选与工程化优化。4.5.2 产品与目标用户 OmniAb 主要向制药企业和 Biotech 许可其平台技术，并提供从抗原设计、免疫、筛选到优化的一站式抗体发现服务。OmniHub 的推出也表明公司希望通过统一的 bioinformatics 平台提升合作方使用其技术栈的体验。4.5.3 生态位与 Agent 关系 在 Agent 平台语境下，OmniAb 更像是“提供 rich candidates 与体内数据源的上游供应商”： • 对依赖完全 in silico 从头设计的平台，它提供一种与真实免疫系统对照的参考； • 对希望在后端接入 AI Agent 的企业，OmniHub 与 OmniDeep 则可以被视为现成的“候选筛选与知识管理层”。 风险在于：随着生成式 in silico 设计的成熟，部分早期发现环节可能逐渐从 in vivo 迁移到 in silico，从而削弱转基因动物平台的相对优势；机会在于：在难以通过 in silico 精准建模的复杂抗原上，in vivo + in silico 联合路线仍可能长期占优。4.6 专用人源化与 nativeness 工具：模块型“基础设施”4.6.1 技术与定位 Hu‑mAb、BioPhi、AbNatiV 等工具的共同点是： • 以大规模抗体库为训练数据； • 通过机器学习或深度学习提供 humanness 与 nativeness 评分； • 提供自动化或半自动化的人源化建议； • 面向广泛用户开放 Web 或 API 接口。 它们通常不直接参与表位从头设计，而是在候选生成后作为后处理或并行约束步骤被调用。4.6.2 用户体验与现实影响 从文献与综述看，这类工具已经在多个工业与学术项目中被广泛采用： • 在时间成本上显著优于传统 trial‑and‑error 人源化； • 在结果质量（如免疫原性降低幅度与功能保持程度）上多次被证明可与专家设计相当； • 在可解释性（如 OASis 与 AbNatiV 的残基级别得分）方面，为人类专家提供了调节空间。 这些工具在生态中的角色更像“基础能力”：任何声称具备端到端抗体设计能力的 Agent 平台，都很难绕开人源化与免疫原性控制模块。4.7 Agent 与自治实验室：底层“操作系统”竞争4.7.1 Ginkgo Autonomous Lab 与通用 Agent 平台 Ginkgo 的 Autonomous Lab 路线图提供了一种通用操作系统视角：任何科研领域，只要 AI Agent 能够理解目标与约束，并能通过软件接口调用足够多的实验设备，就可以实现从 Level 3 到 Level 5 的逐级自治。 同时，面向制药和生物技术行业的一些通用 Agent 平台（如专注于流程自动化和数据分析的企业级 Agent 解决方案）正在出现，虽然它们目前主要服务于数据分析、文献挖掘与流程管理，但从架构上看，未来完全可以承载更专业的抗体设计 Agent。4.7.2 对抗体 Agent 平台的意义 对 AI 抗体设计 Agent 平台而言，是否能接入这类自治实验室和通用 Agent 框架，将决定其可扩展性与地域覆盖范围： • 接入自治实验室意味着可以在全球范围内远程执行实验闭环，而不被单一物理实验室限制； • 接入通用 Agent 平台则有助于把抗体设计任务嵌入更大的药物研发工作流中，与临床开发、注册申报等流程联动。 在竞争中，这一层更多是基础设施的竞争，而非单一抗体平台的直接对抗。五、赛道走向与机会/风险5.1 技术趋势：从模型性能到系统工程 文献与产业动态共同指向一个趋势：未来几年，抗体设计领域的核心瓶颈将从“模型精度”逐步转移到“系统工程”与“数据闭环”。 • 在模型层面，结构预测、结合预测、亲和力预测与人源化工具的性能已经足以在许多任务中超过传统方法； • 但要在端到端平台中把这些模型以 Agent 方式组合，并与实验闭环严密耦合，则需要解决大规模数据管理、实验调度、质量控制与监管合规等系统工程问题。 这一转变意味着拥有强工程能力与实验基础设施的玩家（如 LabGenius、Ginkgo、部分大型药企）在 Agent 平台竞争中具有天然优势，而纯算法公司需要通过合作或并购获得这些能力。5.2 商业趋势：平台化与“模块—平台—生态”分层 可以预见，AI 抗体设计领域将进一步呈现“模块—平台—生态”的分层格局： • 模块层：人源化、nativeness 评估、developability 预测、表位打分等将以可组合 API 的形式存在，并由少数技术领先者主导； • 平台层：少数具备端到端闭环能力的 Agent 平台（如 Origin‑1、EVA 等）将成为“操作系统”，负责 orchestrate 各种模块与实验资源； • 生态层：围绕这些平台，将形成以数据共享、模型插件与标准化接口为基础的生态系统，类似云计算中的应用市场。 对于新进入者而言，最现实的机会可能是在模块层找到尚未被充分解决的垂直问题（如特定格式抗体的 developability、Fc 工程、跨物种桥接等），再通过与平台层玩家的深度集成实现放大。5.3 监管与伦理：从“算法”到“自治系统”的监管迁移 随着 Agent 平台的自治程度提高，监管与伦理问题将从单纯的“算法可解释性”扩展到“自治系统行为可控性”： • 如何确保 Agent 在多轮实验迭代中不会偏离安全边界； • 如何对生成式抗体的免疫原性与 off‑target 风险进行系统性评估； • 如何记录与审计每一次 Agent 决策与实验执行，以满足 GxP 与药监要求。 目前相关讨论仍处于早期，行业实践更多依赖企业自律与与监管机构的个案沟通。5.4 人才与组织：跨学科团队的刚性需求 Agent 平台的建设需要算法科学家、软件工程师、实验生物学家、自动化工程师与药物开发专家紧密合作，这对组织结构与文化提出了很高要求。 能够在一个团队中同时驾驭 LLM/深度学习、分布式系统与实验室自动化的领导者，极为稀缺，也可能成为决定平台成败的关键因素之一。六、AI 抗体设计 Agent 平台的当下位置与未来走向 AI 抗体设计已经完成了从“点工具”到“多模块工作流”的演进，正处在向“多 Agent 自治系统”过渡的临界点： • 特定表位从头设计在 Absci Origin‑1 与 tFold System 等工作中，已经证明了在部分靶点上的可行性； • AI 驱动亲和力成熟与 developability 优化在 LabGenius EVA、斯坦福/Arc 团队工作以及多篇综述中，被视为最适合 AI 充分发挥优势的阶段之一； • 人源化与免疫原性控制模块已经相对成熟，工具生态较为完备； • Agent 编排与自治实验室接口则处于快速探索期，尚未形成统一标准。 当前平台与工具呈现出明显的分工： • Absci、LabGenius、Generate、OmniAb 分别在“零先验表位生成”“闭环优化”“通用蛋白生成”与“生物智能 in vivo 发现”四个象限发力； • BioPhi、AbNatiV、Hu‑mAb 等则作为模块层基础设施，被广泛嵌入各类工作流； • Ginkgo 等自治实验室平台为未来高自治 Agent 提供实验执行底座。 把两条轴线叠加，可以看到 AI 抗体设计 Agent 平台当前大致处在三个“台阶”上： 1. 工作流编排阶段：通过脚本与 API 把多个模型与实验流程串起来，形成半自动化工作流； 2. 主动学习闭环阶段：如 LabGenius EVA，用模型主动规划实验，实现部分自治； 3. 多 Agent 自治阶段（目标态）：如“Antibody Design AI Agent”设想，通过多个专用 Agent 与自治实验室，完成从表位定义到候选药物的端到端自治优化。 目前主流商业平台大多介于第一、第二阶段之间，个别在局部任务上接近第三阶段，但尚未在系统层面完全实现。 从未来走向看，可以提出几条基于事实的判断与推测： 1. 短期（3 年内）： • 更多平台会在特定靶点上展示“从表位到候选”的成功案例，尤其是在病毒靶点、细胞表面受体与难以通过传统免疫获得抗体的靶标上； • AI 亲和力成熟将越来越多嵌入到标准开发流程中，成为“默认选项”； • 人源化与 nativeness 工具的 API 化会基本完成，成为各大平台的默认组件。 2. 中期（3–7 年）： • 少数拥有强工程与实验基础设施的玩家会把 Agent 平台推向更高自治等级，实现跨项目、跨靶点的通用优化框架； • 围绕数据与模型的生态合作将加速，例如共享匿名化的表位—抗体—性质数据，用于提升基础模型性能； • 监管机构将逐步形成针对 AI 设计抗体的审评框架，明确对模型验证、实验佐证与可追溯性的要求。 3. 长期（7–10 年）： • 对于一部分标准化靶点类型（如某些炎症通路受体），全自治的 Antibody Design AI Agent 可能成为“第一选择”，人类科学家更多扮演目标设定与异常处理的角色； • 对于极复杂或高度新颖靶点，in vivo 免疫 + in silico Agent 的联合路线仍将长期存在，形成双轨制； • 平台之间的竞争将从“谁的模型更准”迁移到“谁的体系更可扩展、更合规、更容易被全球研发团队使用”。 对于希望在这一赛道布局的企业或团队，可以据此提炼出几条战略启示： • 若资源有限，更现实的路径是从“模块层”切入，在人源化、表位打分、特定格式 developability 等垂直领域做深，再通过插件化与标准接口与平台层对接； • 若拥有实验基础设施与工程能力，则可尝试构建专注于特定疾病领域（如肿瘤免疫、病毒性疾病）的垂直 Agent 平台，通过聚焦领域知识与数据获得优势； • 无论选择哪条路线，对 Agent 编排、数据治理与合规性的投入都将成为中长期竞争力的关键之一，而不仅仅是单个模型的精度。 总体而言，AI 抗体设计 Agent 平台目前仍处于“黄金发育期”：关键技术模块大多已经成熟可用，平台化与 Agent 化的方向也愈发清晰，但在系统工程、生态建设与监管适配上仍有大量开放空间。谁能够率先在“表位从头设计 + 亲和力成熟 + 人源化 + 实验闭环”四个环节上形成稳定、可复制的多 Agent 自治系统，谁就有望在下一轮抗体药物创新周期中占据主导位置。 点击原文链接，获取更多内容！

2月27日，GenerateBiomedicines在纳斯达克交易所上市，发行价为每股16美元，发行2500万股，融资规模达4亿美元（27.65亿元），是近两年规模最大的生物医药IPO。今年生物医药IPO火爆异常，IPO规模记录在两个月内已经被打破三次：1月上市的核药新秀AktisOncology（3.18亿美元）、2月初上市的Eikon（3.81亿美元）、2月底上市的Generate（4亿美元）。从“筛药”到“算药”的进阶GenerateBiomedicines由FlagshipPioneering于2018年创立，并在2020年9月正式亮相，公司目标是利用可编程技术、机器学习以及自动化平台，改变药物发现进程。当前，FlagshipPioneering仍是公司的第一大股东，持股比例高达56.60%。除此之外，未来资产、安进、英伟达、三星都是重要股东。传统的医药研发本质上是“大海捞针”，科学家在数以万计的自然界分子库中反复筛选，试图碰运气找到那个能锁住疾病钥匙的孔洞。而Generate则不再满足于“发现”药物，而是要“生成”药物。公司通过一个紧密集成的“设计-构建-测试-学习”循环，不断产生专有的、具有治疗意义的数据，并形成可重复应用的模块化能力，以此降低药物开发的时间和成本，提高成功率。为此，公司组建了两个技术平台：GeneratePlatform：一个整合“设计-构建-测试-学习”闭环的生成生物学平台，通过机器学习从数百万蛋白质数据中学习自然编码规则，从而从头设计自然界中不存在的功能性蛋白质。Chroma模型：该模型被学术界称为蛋白质领域的“DALL-E”，基于扩散模型和图神经网络，可按需生成具有特定结构、功能甚至对称性的蛋白质（如字母、数字形状），并已开源供学术界和工业界使用，只需要科学家输入目标靶点的参数，Chroma就能凭空勾勒出自然界从未存在过的蛋白质结构。这种从“筛选”到“编程”的转变，让Generate能够精准打击那些此前被判死刑的“不可成药”靶点。它不只是提速，它是在重构生命科学的生产力。实践证明，从分子合成到进入III期临床，公司仅用时四年，显著快于行业平均的8-10年。根据招股书介绍，公司已成功将3种计算工程蛋白质推进到人体临床测试中，证明了生成平台的治疗潜力。目前，GenerateBiomedicines有三条在研管线：GB-0895：一款长效抗TSLP单克隆抗体，用于治疗严重哮喘、慢阻肺等。TSLP（一种上皮细胞因子）是多种炎症级联反应的关键上游细胞因子，在哮喘、特应性皮炎、慢性鼻窦炎等过敏性疾病中发挥核心作用，并且已经是重度哮喘临床和商业验证的靶点。GB-0895是根据安进的重磅药物Tezspire（tezepelumab）的基础上，通过公司的技术平台优化而来，具有更高的TSLP结合亲和力、延长的半衰期和高特异性。此前Tezspire被批准用于治疗重度哮喘和鼻窦炎，要求患者一个月注射一次。Generate通过用AI对其结合区（CDR）进行系统性重写，让亲和力提升了20倍，达到了飞摩尔级别（约100fM），支持长达六个月一次的给药。此前公布的I期临床数据显示，在涉及96名轻度至中度哮喘患者的研究中，GB-0895总体上具有良好的耐受性（剂量范围为10mgto1200mg），半衰期约为89天，并且能够持续降低关键生物标志物水平至少6个月。目前，该药物已于2025年12月启动两项全球III期临床试验：SOLAIRIA-1和SOLAIRIA-2，计划入组约1600名患有严重哮喘的成人及青少年患者。并于2026年1月完成首例患者给药，成为全球首个进入III期临床的AI设计抗体。除了哮喘适应症外，GB-0895也在开展治疗慢性阻塞性肺病（COPD）的I期临床试验。GB-4362：一款选择性结合游离的单甲基奥瑞他汀E（“MMAE”）单抗。游离的MMAE从基于MMAE的ADC中释放出来时，会引起全身毒性。GB-4362的设计目的是在不与完整ADC相互作用的情况下，降低循环中游离MMAE的水平。目前，药物已经获得FDA的快速通道认定，预计今年进入临床一期剂量递增试验；GB-5267：一种靶向MUC16的IL-18修饰的CAR-T细胞疗法，专注于攻克实体瘤（尤其是卵巢癌）治疗的难题。GenerateBiomedicines管理层背景十分优秀，首席执行官MichaelNally曾任默克高级副总裁兼营销官，拥有全球商业化和制药管理经验；联合创始人MollyGibson博士是FlagshipPioneering的合伙人，共同构思了生成式生物学的概念，负责公司的技术进化方向。首席技术官GevorgGrigoryan博士是来自达特茅斯学院的教授、计算生物学专家，主导了TheGeneratePlatform™底层算法的开发；首席财务官JasonSilvers博士曾任高盛董事总经理，负责公司的资本运作。被众神追捧的明星药企在对外合作方面，公司先后与安进、诺华等多家大药企达成合作：●2022年1月，公司宣布与安进达成战略合作，旨在开发针对5个临床靶点的蛋白治疗药物，首付款为5000万美元，潜在里程碑付款总额达19亿美元。2024年初，双方选择进一步扩大合作范围；●2024年9月，公司宣布与诺华达成战略合作，旨在利用其专有的生成式AI平台“TheGeneratePlatform”开发潜在first-in-class及best-in-class分子。诺华支付6500万美元预付款（含1500万美元股权），并承诺超10亿美元里程碑付款+分层版税；●2023年9月，公司宣布与MD安德森癌症中心等机构建立战略合作。在一级市场，GenerateBiomedicines也是诸多投资机构和头部企业的宠儿：2020年9月，公司宣布完成5000万美元的A轮融资，投资方是FlagshipPioneering；2021年11月，公司宣布完成3.7亿美元的B轮融资，本轮融资的投资方有阿布扎比投资局的全资子公司、阿拉斯加永久基金、AltitudeLifeScience、ARCHVenture、富达、T.RowePrice、Morningside等多个著名投资机构；2023年9月，公司宣布超额完成2.73亿美元C轮融资，是当年规模最大的AI医药领域的单轮融资。本轮投资者包括安进、英伟达旗下的NVentures、MiraeAsset、PictetAlternativeAdvisors、FlagshipPioneering、阿布扎比投资局、Fidelity、T.RowePriceAssociates、ARCHVenturePartners等投资机构。然而，在众神追捧的背后，GenerateBiomedicines也并非毫无风险。大幅提升研发效率的算法在复杂生命体面前仍有局限性，虽然蛋白质在计算机里的折叠可以完美无瑕，但进入人体血液的复杂环境后，是否会引发免疫毒性、是否会被意外降解，目前算法仍无法做到精准预判。公司曾高调推进新冠抗体项目GB-0669，却在2025年果断搁置。这一决策再次证明：AI可以把药物设计时间从数月压缩到几天，但无法缩短人体对药物反应的客观周期。@今日话题@牛唐$恒瑞医药(SH600276)$$药明康德(SH603259)$$迈瑞医疗(SZ300760)$#医药#