摘要：双特异性抗体（BsAb）、抗体偶联药物（ADC）与双抗ADC（BsADC）是当前肿瘤免疫治疗与生物制药领域最具颠覆性的三类生物大分子药物。这三类药物因结构复杂、疏水性强、稳定性差，其制剂开发高度依赖冻干（冷冻干燥，lyophilization）技术。本文系统综述了三者冻干制剂的最新研究进展，深入剖析了处方筛选与制剂工艺开发、冻干工艺与冻干曲线优化所面临的挑战与难点，并提出了系统的解决方案；在此基础上，重点阐述了贝叶斯优化（Bayesian Optimization）、机器学习（Machine Learning）与人工智能（AI）计算在冻干工艺与冻干曲线智能化化中的应用，为双抗、ADC与双抗ADC冻干制剂的最优工艺条件确定提供了从"经验试错"迈向"数据驱动"的完整技术路线。
关键词：双特异性抗体；抗体偶联药物；双抗ADC；冻干制剂；处方筛选；冻干曲线；贝叶斯优化；机器学习；数字孪生；质量源于设计（QbD）第一部分 基本概念：认识双抗、ADC与双抗ADC及其冻干制剂1.1双特异性抗体（BsAb）——"一箭双雕"的下一代抗体
双特异性抗体（Bispecific Antibody，BsAb）是指能够同时特异性识别并结合两种不同抗原或同一抗原上两个不同表位的人工改造抗体。与只能结合单一靶点的传统单克隆抗体（mAb）相比，双抗通过"一个分子、两个靶点"的设计，实现了功能上的协同与增益，被誉为抗体工程的"一箭双雕"之作。
1.1.1双抗的作用机制与临床价值
双抗的核心价值在于其"桥接"与"协同"能力。以最具代表性的T细胞衔接双抗（T-cell engager，TCE）为例，其一个臂结合肿瘤相关抗原（TAA，如CD19、BCMA、GPRC5D、DLL3、PSMA等），另一个臂结合T细胞表面的CD3分子，从而在空间上拉近T细胞与肿瘤细胞，绕过天然T细胞受体（TCR）对MHC-抗原肽复合物的识别限制，直接激活T细胞杀伤肿瘤。这一机制使得TCE类双抗的效价极高，临床所需剂量可低至微克级，远低于传统单抗的毫克级给药剂量。除TCE外，双抗还包括双免疫检查点阻断（如PD-1×CTLA-4）、双信号通路协同阻断（如EGFR×c-Met）、肿瘤微环境重定向等多种作用模式。
1.1.2双抗的结构多样性与"非天然组装"特征
双抗的结构格式（format）极为丰富，从片段型到全长IgG样型多达上百种。常见的结构格式包括：
l 片段型双抗：如双特异性T细胞衔接器BiTE（由两个scFv经柔性连接子串联而成）、双抗体（diabody）、串联scFv（tandem scFv）等。这类分子体积小、组织穿透力强，但半衰期短（无Fc区），常需持续输注或延长半衰期改造。
l 全长IgG样双抗：保留了Fc区，半衰期长、可介导Fc效应功能，是当前产业界的主流选择。其异源二聚化依赖"杵臼结构"（knobs-into-holes，KIH）、静电导向（electrostatic steering）、CrossMab、DuetMab等技术实现重链正确配对，并通过轻链-重链错配规避技术（如共同轻链、CH1-CL界面改造）保证正确组装。
l 非对称设计：如1+1（单臂各一价）、2+1（一靶点二价、另一靶点一价）等非对称价态设计，用于精细调控亲和力与选择性。
需要特别强调的是，双抗的"非天然组装"是其制剂不稳定的根本来源。单抗的Fab-Fc界面是长期进化的天然产物，而双抗中的scFv连接子、KIH界面、结构域交换界面、融合接头均为人工设计，构成了额外的不稳定热点。
1.1.3双抗的代表性上市药物与市场规模
截至2025年，全球已获批上市的双抗数量持续增长，代表性产品包括：安进的Blincyto（blinatumomab，CD19×CD3，全球首个获批的BiTE）、罗氏的Hemlibra（emicizumab，FIXa×FX）、强生的Rybrevant（amivantamab，EGFR×cMet）、艾伯维的Epkinly/Tepkinly（epcoritamab，CD20×CD3）、辉瑞的Elrexfio（elranatamab，BCMA×CD3）、强生的Talvey（talquetamab，GPRC5D×CD3）、罗氏的Columvi（glofitamab，CD20×CD3，2:1价态）等。双抗市场规模正高速增长，被视为继PD-1之后的下一个重磅赛道。1.2抗体偶联药物（ADC）——"生物导弹"的精准杀伤
抗体偶联药物（Antibody-Drug Conjugate，ADC）由三个核心组件构成：靶向性单克隆抗体、细胞毒性小分子有效载荷（payload）以及连接二者的连接子（linker）。ADC利用抗体的靶向性将高效细胞毒药物精准递送至肿瘤细胞，经内吞后在细胞内释放有效载荷，实现"精准制导"的化疗杀伤，兼具单抗的靶向性与化药的高效性，被誉为"生物导弹"。
1.2.1 ADC的三大组件
l 抗体：负责靶向识别与内吞，通常选择高内化率、低免疫原性的IgG1骨架。
l 连接子：分为可裂解型（cleavable，如缬氨酸-瓜氨酸Val-Cit二肽、葡萄糖醛酸、二硫键等）与不可裂解型（non-cleavable，如SMCC硫醚键）。连接子的化学稳定性直接决定ADC的循环稳定性与脱靶毒性。
l 有效载荷：高细胞毒性小分子，包括微管蛋白抑制剂（MMAE、MMAF、美登素类DM1/DM4）、DNA损伤剂（卡奇霉素、PBD二聚体）、拓扑异构酶I抑制剂（DXd、SN-38）以及新一代的免疫刺激剂、PROTAC等。
1.2.2药物抗体比（DAR）与异质性
药物抗体比（Drug-to-Antibody Ratio，DAR）指每个抗体分子上偶联的有效载荷平均数目，是ADC最关键的质控属性之一。传统赖氨酸/半胱氨酸随机偶联产生的ADC是DAR 0-8的混合物，异质性高，导致药代动力学差异、毒性风险与批次间波动。定点偶联（site-specific conjugation，如THIOMAB、非天然氨基酸、糖链工程、酶法偶联等）可得到DAR均一（如DAR=2或DAR=4）的高均一性ADC，已成为下一代ADC的主流趋势。
1.2.3 ADC的疏水性与不稳定性
这是ADC制剂开发的核心矛盾：细胞毒性有效载荷多为强疏水性小分子（如MMAE的LogP较高），而抗体为亲水性大分子。二者偶联后，ADC分子表面暴露出疏水"补丁"，导致ADC较母体抗体具有更高的聚集倾向、更差的胶体稳定性与更强的表面吸附。DAR越高、有效载荷疏水性越强，这一不稳定趋势越显著。因此，上市ADC产品绝大多数采用冻干制剂，以规避溶液态下的水解、聚集与脱偶联风险。1.3双抗ADC（BsADC）——"双重靶向+精准杀伤"的集大成者
双抗ADC（Bispecific Antibody-Drug Conjugate，BsADC）是将双特异性抗体的双重靶向能力与ADC的细胞毒杀伤能力相结合的新型药物形态，代表了抗体工程与偶联技术的交叉融合前沿。其设计初衷是克服传统ADC在肿瘤异质性、内吞效率不足、靶点表达异质性等方面的局限。
1.3.1双抗ADC的双重靶向优势
l 双表位型（biparatopic）：靶向同一抗原的两个不同表位（如HER2的ECD2与ECD4），通过诱导受体聚集显著增强内吞效率（如康宁杰瑞JSKN-003可使内吞速率提升2-3倍），并克服单表位ADC因表位遮蔽导致的耐药。
l 双靶点型（bispecific）：同时靶向两个不同抗原（如EGFR×HER3、EGFR×c-Met、B7-H3×PD-L1），实现通路协同阻断与更强的肿瘤选择性，克服单一靶点表达异质性导致的疗效逃逸。
1.3.2双抗ADC的全球研发现状
截至2026年初，全球已有约19款双抗ADC进入临床阶段，中国药企主导研发进程。代表性产品包括：
l BL-B01D1（百利天恒）：全球首款进入III期临床的EGFR×HER3双抗ADC，其III期鼻咽癌研究已达成主要终点，并以84亿美元与BMS达成出海交易，创中国单药License-out金额纪录。2025年WCLC数据显示其联合奥希替尼一线治疗EGFR突变NSCLC的ORR达100%（n=40，小样本，尚需更大样本随机对照研究验证）。
l SKB571（科伦博泰）：EGFR×c-Met双抗ADC，采用OptiDC平台高亲水性毒素-连接子策略，剂型为180mg冻干粉针，2025年与默沙东达成全球权益合作。
l JSKN-003（康宁杰瑞）：HER2双表位ADC，采用N-糖工程定点偶联（DAR≈3.6），具备优异结构均一性与降低的聚集倾向。
l PM1300（普米斯，被BioNTech收购）：EGFR×HER3双抗ADC，采用CH1-CL域突变与KIH异二聚化构建非对称1+1结构，DAR=8，剂型为注射用冻干制剂。
1.3.3双抗ADC的制剂特性
双抗ADC兼具双抗的"非天然组装"不稳定性与ADC的"疏水载荷"不稳定性，是三类药物中制剂开发难度最高的形态。其DAR通常控制在2-4以平衡药代与效力；但高DAR偶联会进一步加剧疏水聚集、快速清除与疗效下降。定点偶联技术（糖链工程、酶法、点击化学等）通过提升均一性与亲水性，成为缓解双抗ADC聚集风险的关键手段。值得强调的是，当前进入临床的双抗ADC（SKB571、PM1300等）均采用冻干粉针/注射用冻干制剂剂型，印证了冻干技术在这一前沿领域的不可替代地位。1.4冻干制剂（Lyophilization）——不稳定生物药的"安定剂"
冷冻干燥（Freeze-Drying，简称冻干）是将含水物料先在低温下冻结成固态，再在真空条件下使冰直接升华为水蒸气，最后通过解吸去除结合水的干燥技术。冻干制剂（lyophilized formulation）因其能显著提升热不稳定、易水解、易聚集生物药（尤其是抗体类药物）的长期储存稳定性，成为生物药注射剂的首选剂型之一。
1.4.1冻干的核心价值
l 降低分子迁移率：将液态处方转变为固态无定形基质，将蛋白"固定"于玻璃态，显著降低化学降解（脱酰胺、氧化、水解）与物理降解（聚集、颗粒）的反应速率。
l 规避溶液态降解路径：对连接子敏感的ADC而言，冻干可最小化水相水解与载荷提前释放；对易碎裂的双抗而言，冻干可抑制连接子水解与片段化。
l 延长货架期：冻干制剂可在2-8℃甚至室温长期储存，降低冷链依赖。
1.4.2冻干的局限与代价
冻干并非"万能护盾"，其本身是复杂、昂贵、耗时的单元操作：一次冻干循环通常持续数天，能耗与设备成本高；冻干-复溶过程可能引入新的应力（冻融应力、界面应力、脱水应力）导致蛋白变性；冻干饼体（cake）的外观、复溶时间、残留水分等质量属性需严格控制。因此，冻干处方与冻干工艺的开发必须科学、系统、严谨。1.5冻干稳定化蛋白的科学理论基础
理解冻干为何能稳定蛋白、以及冻干过程中蛋白可能遭受的损伤，是科学设计冻干处方与工艺的理论根基。冻干稳定化蛋白的机制可归纳为两大经典理论，二者互补而非对立。
1.5.1玻璃态动力学稳定理论（Vitrification Theory）
玻璃态理论认为，在冻结浓缩与干燥过程中，无定形辅料（蔗糖、海藻糖等）与蛋白共同形成高黏度的玻璃态基质。当体系温度低于其玻璃化转变温度（冻结态为Tg'，干态为Tg）时，体系的分子迁移率急剧下降，蛋白的构象运动被"冻结"，从而动力学上抑制了蛋白去折叠、聚集以及化学降解（脱酰胺、氧化、水解）等需要分子运动的反应。这一理论的工程含义是：冻干产品必须储存在低于Tg的温度下。Tg越高，可耐受的储存温度越高，货架期越长。水分是玻璃态的"塑化剂"，会显著降低Tg、增加分子迁移率，因此残留水分控制与Tg控制是冻干稳定性的"联动双因子"。
1.5.2水替代热力学稳定理论（Water Replacement Hypothesis）
水替代理论认为，蛋白的天然构象高度依赖其表面水化层的氢键网络。冻干脱水会剥夺蛋白表面的水分子，破坏氢键网络，诱导蛋白去折叠。糖类保护剂（蔗糖、海藻糖）的羟基能够与蛋白极性基团形成氢键，在空间上"替代"被去除的水分子，维持蛋白的天然构象，从热力学上保护蛋白。这一理论的工程含义是：糖与蛋白之间需要足够的摩尔比（建议≥360:1，质量比≥1:1），以确保糖分子充分替代水分子、完整包裹蛋白表面。
1.5.3冻干过程的蛋白损伤机制
冻干并非"温和"过程，蛋白在冻干的各个阶段都可能遭受损伤：
l 低温/冻融应力：冻结时冰晶形成、溶质浓缩（离子强度可增加数十倍）、pH偏移（缓冲盐分步结晶）、冰-液界面吸附等均可诱导蛋白去折叠与聚集。
l 脱水应力：干燥阶段去除蛋白水化层，破坏氢键网络，诱导去折叠。
l 界面应力：冻干-复溶过程中的气-液、固-液界面会诱导表面活性蛋白的界面吸附与去折叠，表面活性剂可有效抑制。
l 过度干燥应力：过度干燥可能破坏玻璃态保护层，反而不利于蛋白稳定性。
深刻理解上述机制，是"理性设计稳定冻干蛋白处方"（Carpenter、Pikal等经典工作的核心主张）的前提，也是双抗、ADC、双抗ADC这类"高难度"分子冻干制剂开发必须掌握的底层逻辑。第二部分 从入门到精通：冻干技术基础与最新研究进展2.1冻干技术原理与三阶段
冻干工艺通常划分为三个核心阶段，理解每一阶段的物理化学原理是处方筛选与工艺优化的基石。
2.1.1预冻阶段（Freezing）
预冻是将灌装于西林瓶中的药液降温至冰点以下，使大部分自由水结晶为冰，溶质浓缩于冰晶间隙的非冰浓缩相中。预冻阶段决定了冰晶的形态、尺寸与分布，进而深刻影响后续一次干燥的传质阻力。关键控制参数包括：冻结速率（决定冰晶成核与生长）、预冻终温（应低于最大冷冻浓缩玻璃化转变温度Tg'）、退火（annealing，升温重结晶以粗化冰晶并促进结晶型辅料完全结晶）。
2.1.2一次干燥阶段（Primary Drying，升华干燥）
在低真空（通常50-200 mTorr）与低温（搁板温度略低于产品塌陷温度Tc）条件下，通过搁板供热使冰直接升华为水蒸气，经冻干箱内冷阱（condenser）捕集。一次干燥是冻干循环中最耗时（占全程60-80%）的阶段，也是工艺优化的重点。其速率由传热（搁板→瓶→产品）与传质（水蒸气经干燥层孔隙→瓶口→腔体→冷阱）共同控制，受产品塌陷温度Tc、干燥层阻力Rp、传热系数Kv、腔体压力等参数制约。
2.1.3二次干燥阶段（Secondary Drying，解吸干燥）
一次干燥结束后，进一步升温以去除吸附于无定形基质中的结合水，将残留水分降至目标水平（通常<1-3%）。二次干燥的温度、时长与真空度共同决定最终残留水分，需在"充分干燥"与"过度干燥导致蛋白变性"之间取得平衡。
2.2冻干关键热力学参数——处方与工艺的"红线"
冻干处方与工艺开发围绕一系列关键热力学参数展开，这些参数决定了工艺窗口的边界，是贯穿全文的核心概念。
参数
全称
物理意义
测定方法
工艺意义
Tg'
最大冷冻浓缩玻璃化转变温度
冷冻浓缩无定形基质发生玻璃化转变的温度
调制DSC（mDSC）
无定形体系一次干燥产品温度上限
Tc
塌陷温度
产品温度超过此值时，饼体结构发生宏观塌陷
冻干显微镜（FDM）
一次干燥产品温度的安全上限（略高于Tg'）
Te
共晶温度
结晶型溶质体系完全冻结的温度
DSC/FDM
结晶体系一次干燥温度上限
Tn
成核温度
溶液开始结冰的温度（过冷度决定）
温度传感器/光学
决定冰晶形态与瓶间差异
Tg
玻璃化转变温度（干态）
冻干饼体的玻璃化转变温度
DSC
决定储存温度上限
Rp
干燥层阻力
干燥层对水蒸气传质的阻力
压力升法/模型
决定一次干燥速率
Kv
传热系数
搁板向产品的传热效率
纯冰升华实验
决定供热速率
关键参数关系：一次干燥阶段的产品温度（Tp）必须始终低于塌陷温度Tc（无定形体系通常以Tg'为参考），工程上常将目标Tp设定为Tc以下2-5℃，以留出安全裕度，规避边缘瓶效应（edge vial effect）与批次波动导致的局部塌陷。糖类保护剂（蔗糖、海藻糖）的Tg'通常约为-32℃至-30℃，塌陷温度Tc通常略高于Tg'（约-29℃至-27℃）；因此一次干燥的产品温度Tp需控制在Tc以下2-5℃（约-32℃至-28℃），这决定了无定形处方一次干燥时间较长的固有属性。2.3冻干处方基础——辅料体系
冻干处方（formulation）是决定冻干可加工性、成品外观、复溶品质与长期储存稳定性的基础。处方辅料体系可归纳为以下几类：
2.3.1保护剂（lyoprotectant/cryoprotectant，稳定剂）
l 非还原双糖（蔗糖、海藻糖）：是蛋白冻干处方中最重要的稳定剂。其稳定机制包括"玻璃态动力学稳定"（将蛋白固定于高Tg无定形基质）与"水替代热力学稳定"（糖的羟基与蛋白极性基团形成氢键，替代被去除的水）。糖与蛋白的质量比至少应为1:1，达到5:1时保护效果更佳；糖与蛋白的摩尔比建议≥360:1。海藻糖干态Tg（约111℃）高于蔗糖（约65℃），在酸性、高残留水分条件下更稳定；蔗糖则在预冻阶段抑制蛋白去折叠方面略占优势。
l 禁忌：避免使用还原糖（葡萄糖、乳糖、麦芽糖等），因其羰基会与蛋白游离氨基发生美拉德反应，导致储存期蛋白降解与褐变。
2.3.2填充剂/支撑剂（bulking agent）
l 甘露醇、甘氨酸：结晶型填充剂，用于构建强壮的饼体骨架、改善外观。但结晶型填充剂本身不能抑制蛋白去折叠，需与非还原双糖联合使用；且甘露醇若在预冻阶段未完全结晶，会形成约45℃的亚稳玻璃态，储存/运输中温度超限时触发重结晶，释放水分降低局部Tg，加速蛋白降解，须通过退火工艺使其完全结晶。
2.3.3表面活性剂（surfactant）
l 聚山梨酯80（PS80）、聚山梨酯20（PS20）、泊洛沙姆188（P188）：用于抑制冻融、界面吸附、冻干-复溶过程中界面诱导的蛋白去折叠与聚集。PS80在抑制微粒形成方面通常优于P188。用量一般较低（<0.5% w/v）。ADC因疏水载荷导致的聚集倾向更高，常需更高浓度的表面活性剂；但需警惕PS80降解（水解、氧化）产生脂肪酸颗粒，可通过加入EDTA、控氧、控温等措施抑制。
2.3.4缓冲体系（buffer）
l 缓冲体系选择需同时满足"蛋白稳定pH"与"冻干相容性"。磷酸盐缓冲在冻结过程中会发生酸碱组分分步结晶，导致pH剧烈偏移（磷酸二氢钠优先结晶使pH下降可达3个单位），可能造成蛋白变性，故冻干处方中应避免或降低磷酸盐浓度。组氨酸、Tris、低浓度柠檬酸盐等低结晶/无结晶倾向的缓冲体系更适用于冻干。
2.4双抗冻干制剂最新研究进展
2.4.1双抗冻干的稳定化价值
2026年发表的研究与产业实践一致表明，冻干是稳定"易碎裂"双抗分子的有效手段。对于在液体制剂中因连接子水解导致片段化、进而活性异常升高（产生不良影响）的双抗分子，冻干工艺可使其获得良好外观与极佳稳定性。冻干通过将双抗固定于玻璃态基质，抑制了scFv连接子蛋白酶水解、VH-VL界面解离与聚集等双抗特有的降解路径。
2.4.2双抗处方筛选的特殊性
2026年发表的双抗制剂开发研究（如"Duet mAb"强制降解研究）系统揭示了非对称双抗（CrossMab技术）的降解谱：其降解产物、途径与液体制剂稳定性与标准IgG1高度相似，二硫键在所有极端应力（热、pH、光、氧化、糖基化）下均保持完整，未观察到错配或重排。这一结论表明"结构复杂≠稳定性差"，非对称双抗格式可作为稳定生物药平台。但同时，双抗（尤其TCE类）的聚集倾向与高浓度黏度普遍高于单抗，处方筛选必须更早开展、采用更宽的辅料扫描范围（精氨酸、蔗糖、PS组合与pH梯度），并以聚集与颗粒物作为首要优化目标。
2.4.3双抗冻干处方与工艺的代表性实践
产业界（如药明生物等CDMO）已建立双抗冻干的完整能力，包括西林瓶及双腔卡式瓶冻干。对于长期储存中出现物理/化学不稳定的双抗，采用冻干方式；并基于分子敏感性与生产设施要求定制化开发工艺参数，通过实验室规模模型模拟泵送、混合、过滤、灌装过程的剪切力，确定工艺耐受限度。2.5 ADC冻干制剂最新研究进展
2.5.1冻干是上市ADC的主流剂型
2025年发表的ADC制剂综述（Wen等）对已上市ADC的分析揭示：产业界已将冻干标准化为商业化ADC产品的首选方法。已获批ADC（如T-DM1/Kadcyla、Enhertu/DS-8201a、Padcev、Trodelvy等）绝大多数采用冻干粉针剂型。冻干可有效减少高疏水性、高DAR构建体的聚集与脱偶联，并最小化连接子水解与载荷提前释放。液态剂型（如Elahere）虽在推进，但连接子相关降解路径仍是主要稳定性风险。
2.5.2 ADC冻干的关键科学基础
l 玻璃化转变理论（WLF）：早在1992年，Roy、Pikal等以单抗-长春碱偶联物为模型建立的经典研究即证实，ADC冻干制剂的降解速率服从Williams-Landel-Ferry关系（R/Rg = exp[k(T-Tg)]），揭示了"储存温度低于Tg"对ADC稳定性的决定性意义。这一Tg锚定的框架至今仍是ADC冻干处方与加速稳定性研究的基石。
l 水分敏感性：残留水分会塑化无定形基质、降低Tg、增加分子迁移率，即使储存温度不变也会加速物理与化学降解。因此ADC冻干制剂的残留水分控制与Tg控制是"联动双因子"，需在处方、工艺与包装层面协同优化。
l 热学性质：需通过调制DSC测定Tg'，通过冻干显微镜（FDM）测定塌陷温度Tc，目标产品温度Tp设定为Tc以下2-5℃，以规避微塌陷（microcollapse）与边缘瓶效应。
2.5.3 ADC冻干处方与工艺开发要点
2026年Lonza团队发表的系统综述（Sorret等，AAPS PharmSciTech）总结了ADC药物制剂处方与工艺开发的完整框架：处方开发应针对裸抗、载荷/连接子与ADC的理化性质联合设计，采用设计空间（design space）方法确定合适pH、缓冲体系与辅料；避免高盐浓度与磷酸盐缓冲（结晶风险、饼体差），避免挥发性缓冲剂（如乙酸）；关注ADC疏水性与较低制剂浓度导致的表面吸附，需更精细评估表面活性剂选择（更高PS浓度，同时平衡过氧化物与脂肪酸生成）；聚山梨酯的降解是液态剂型已知挑战，冻干可阻止时间依赖的PS降解与颗粒形成。2.6双抗ADC冻干制剂最新研究进展
2.6.1双抗ADC冻干制剂的产业现状
双抗ADC作为前沿领域，全球尚未有产品获批上市，但进入临床阶段的双抗ADC普遍采用冻干制剂：SKB571（180mg冻干粉针）、PM1300（注射用冻干制剂）即为典型。这一选择源于双抗ADC兼具双抗与ADC的双重不稳定性，冻干是保障其可开发性与长期稳定的关键。
2.6.2双抗ADC制剂稳定化的关键策略
l 定点偶联降低疏水聚集：JSKN-003通过N-糖工程定点偶联与SPAAC点击化学，维持双天线糖链结构，获得优异结构均一性、优化的亲水性与降低的聚集倾向（较传统硫醇-马来酰亚胺化学），血清稳定性显著优于DS-8201a。这印证了"偶联化学决定制剂可开发性"的规律。
l 高亲水性毒素-连接子设计：SKB571采用OptiDC平台高亲水性毒素-连接子策略改善药代动力学性质；ZW49采用N-酰基磺酰胺奥瑞他汀（羧酸生物电子等排体），显著降低载荷亲脂性，改善偶联物溶解度与血浆稳定性，最小化聚集与非特异性相互作用。
l DAR控制：双抗ADC的DAR通常控制在2-4以平衡肾清除与效力；高DAR会加剧疏水聚集、快速清除与疗效下降，故双抗ADC的处方开发须更严格地权衡DAR与稳定性。
第三部分 从入门到精通：处方筛选与制剂工艺开发的挑战、难点与解决方案3.1双抗处方筛选与工艺开发的挑战与难点
双抗的处方开发挑战首先源于其"非天然组装"带来的额外不稳定热点，这使得其处方筛选的复杂度显著高于单抗。
3.1.1结构域界面与分子内应力——比单抗多出的"故障点"
单抗的Fab-Fc界面是长期进化的产物，而双抗中的scFv连接子、KIH界面、结构域交换界面、融合接头均为人工设计，构成额外的不稳定热点：
l 连接子易受蛋白酶水解：导致片段化（fragmentation），对于TCE类双抗，片段化可能释放出仅含CD3臂的活性片段，反而增强非特异性T细胞激活，产生安全性风险。
l scFv的VH-VL界面较天然Fab弱：易发生配对解离与聚集，暴露疏水核心。
l 异源二聚化界面（如KIH）的疏水残基：在应激条件下可能暴露，成为聚集成核位点。
因此，双抗的强制降解图谱普遍比单抗"多几条带"：除铰链区片段外，还常见连接子切割、单臂缺失与错配产物。处方筛选必须为每一个非天然界面逐一评估pH、温度与辅料敏感性，设计空间被显著压缩。
3.1.2更高的聚集倾向与疏水性——CD3臂与scFv的代价
大量公开数据表明，双抗（尤其TCE类）的平均聚集倾向与高浓度黏度高于单抗。原因包括：
l CD3结合臂与部分TAA臂的疏水CDR为维持高亲和力常富含芳香族残基，形成"黏性"表面；
l scFv的VH-VL界面开放，暴露疏水核心；
l 2:1价态等非对称设计的分子内柔性增加碰撞时的错折叠概率。
上游工艺研究同样印证了这种内在不稳定性：2020年Scientific Reports报道，灌注培养通过缓解线粒体功能障碍诱导的谷胱甘肽氧化与内质网应激，可降低CHO细胞中双抗的聚集（Sinharoy等，2020），提示双抗聚集风险在细胞培养阶段即已显现。
3.1.3高浓度与低剂量的双重矛盾
TCE类双抗效价高、临床剂量极低（微克至纳克级），这带来两难：一方面为满足皮下给药便利性常需高浓度制剂（>100 mg/mL），而高浓度会放大黏度与聚集；另一方面低剂量给药对临床配伍（CIU）、稀释液稳定性与给药精度提出新挑战——蛋白质与接触材料（尤其在线过滤器）的吸附会导致蛋白损失，需开发静脉注射溶液稳定剂（IVSS）与适宜的稀释剂。
3.1.4双抗冻干工艺开发的难点
对于需冻干的双抗，难点在于：双抗的聚集倾向使其在冻融与冻干-复溶过程中更易受损；需在处方中平衡糖类保护剂、表面活性剂与缓冲体系；需针对双抗特有的降解路径（片段化、界面聚集）设计针对性的稳定策略。3.2 ADC处方筛选与工艺开发的挑战与难点
3.2.1疏水载荷诱导的聚集与胶体不稳定
ADC的核心不稳定因素来源于"疏水载荷+亲水抗体"的结构矛盾。细胞毒载荷（尤其奥瑞他汀类）的疏水性使ADC分子表面形成疏水区域，导致：
l 聚集倾向显著高于裸抗，且随DAR升高而加剧；
l 表面吸附增强（对西林瓶、过滤器、管路），低浓度制剂下蛋白损失显著；
l 胶体稳定性下降，对盐、pH、温度敏感。
3.2.2连接子/载荷相关的化学降解路径
ADC的化学降解路径比单抗更复杂，包括：连接子水解导致载荷提前释放（脱偶联，deconjugation）、载荷自身降解、马来酰亚胺偶联的逆Michael反应（硫醇交换）导致载荷转移至白蛋白等血浆蛋白、光照/热诱导的光降解与热降解等。这些降解路径在液态下尤为显著，是ADC首选冻干的核心原因。
3.2.3 DAR异质性与表征复杂性
随机偶联产生的DAR 0-8混合物带来：药代动力学差异、毒性风险、批次间波动与表征难度。即使采用定点偶联，ADC的表征仍需综合运用疏水相互作用色谱（HIC）、质谱（LC-MS）、尺寸排阻色谱（SEC）等正交分析手段，对CQA（如DAR值、游离药物、聚集体、脱偶联产物）进行监控。
3.2.4偶联化学与处方的相容性
处方开发须考虑辅料与偶联步骤的相容性：赖氨酸偶联中应避免伯胺类辅料（如组氨酸）干扰偶联反应；表面活性剂应避免在偶联前加入（难以去除、可能遮蔽反应位点）。这要求在"裸抗原液处方"与"ADC制剂处方"之间进行协调设计，避免不必要的缓冲液置换。
3.2.5 ADC冻干工艺开发的难点
ADC冻干工艺开发的难点包括：需精确测定Tg'与Tc以设定一次干燥温度窗口；高疏水ADC对冻干-复溶界面应力更敏感，需更高表面活性剂浓度保护；冻干饼体的复溶（reconstitution）需快速、澄清、无颗粒；需避免高盐与磷酸盐导致的结晶与饼体缺陷。3.3双抗ADC处方筛选与工艺开发的挑战与难点
双抗ADC是三类药物中制剂开发难度最高的形态，其挑战是双抗与ADC挑战的"叠加"而非简单"相加"。
3.3.1 "双重不稳定性"的叠加效应
l 结构层面：双抗的非天然组装界面（scFv、KIH、连接子）本就构成不稳定热点；
l 化学层面：疏水载荷偶联进一步引入疏水聚集、脱偶联、连接子水解等风险；
l 协同放大：高DAR偶联会加剧疏水聚集，而双抗的柔性结构又增加了载荷暴露与非特异性相互作用的概率，二者相互放大，使双抗ADC的聚集倾向与不稳定性显著高于单抗ADC。
3.3.2 DAR与亲水性的精细权衡
双抗ADC的DAR通常需控制在2-4以平衡效力与稳定性，但针对低毒载荷（如拓扑异构酶I抑制剂、PROTAC）可能需要更高DAR以获得足够杀伤。这一权衡直接制约处方设计空间。高亲水性毒素-连接子（如OptiDC平台、N-酰基磺酰胺奥瑞他汀）与定点偶联（糖链工程、酶法、点击化学）成为缓解疏水聚集的关键技术手段。
3.3.3双靶点结合的完整性保障
偶联不得影响双抗对两个靶点的结合。随机偶联可能偶联至CDR区或界面残基，遮蔽结合位点；定点偶联（Fc糖链、特异性工程位点）可最小化偶联对双靶点结合的影响，但技术门槛更高、工艺更复杂。
3.3.4表征与质控的指数级复杂化
双抗ADC需同时监控双抗的结构属性（正确配对、无错配、片段化）与ADC的偶联属性（DAR、游离药物、脱偶联、聚集体），表征维度呈指数级增长，对分析方法开发与质量控制提出极高要求。3.4处方筛选与工艺开发挑战的系统解决方案
针对上述挑战，业界已形成一套"科学驱动、系统递进"的解决方案体系。
3.4.1可开发性评估（Developability Assessment）前置
在分子早期阶段即开展可开发性评估，通过计算（in silico）与高通量实验（in vitro）手段识别稳定性风险：溶解度、聚集倾向（疏水斑块分析、AC-SINS、PEG沉淀）、降解途径（强制降解）、热稳定性（Tm/Tagg）、胶体稳定性（kD、第二维里系数B22）等。对双抗/ADC，还需特别评估界面稳定性、DAR对聚集的影响、偶联对结合的影响。
3.4.2处方筛选的系统策略
l pH与缓冲体系筛选：在窄pH窗口内筛选蛋白稳定pH，选择低结晶倾向缓冲体系（组氨酸、Tris、柠檬酸盐），规避磷酸盐。
l 保护剂筛选：以非还原双糖（蔗糖/海藻糖）为核心，糖:蛋白质量比≥1:1（目标5:1），结合DSC/DLS/HPSEC筛选最优糖浓度与种类。
l 表面活性剂筛选：滴定PS80/PS20/P188的最优浓度，ADC/双抗ADC适当提高浓度以抑制疏水聚集与界面应激，同时监测PS降解。
l 精氨酸等聚集抑制剂：精氨酸、赖氨酸等氨基酸可抑制聚集，但需评估其对化学稳定性的影响。
l 高通量筛选（HTS）：采用板式高通量方法加速筛选，节约物料、缩短周期。
l 强制降解与加速稳定性：以强制降解（热、pH、光、氧化、冻融、振荡）识别主要降解路径，以加速稳定性（40℃/25℃）快速筛选处方。
3.4.3工艺开发的系统策略
l QbD与设计空间：基于ICH Q8(R2)，运用DoE（全析因、部分析因、响应面、D-最优）建立关键工艺参数（CPP）与关键质量属性（CQA）的定量关系，确定设计空间。
l 工艺耐受度研究：模拟泵送、混合、过滤、灌装剪切力，确定工艺耐受限度。
l 相容性研究：对储存袋、混合器、过滤器、管路、内包装材料进行相容性测试。
l 冻干工艺开发：测定Tg'/Tc，设定Tp于Tc以下2-5℃，优化预冻、退火、一次干燥、二次干燥参数（详见第四部分）。
3.4.4分析表征策略
建立正交分析工具箱：HPSEC（聚集体/片段）、CE-SDS（纯度/片段）、CIEX（电荷异质性）、DLS（粒径）、DSC/mDSC（热稳定性）、HIC（DAR分布）、LC-MS（偶联位点/DAR/脱偶联）、RP-HPLC（游离药物）、肽图（PTM）、生物学活性（结合/杀伤）等。对双抗ADC还需监控正确配对与双靶点结合完整性。
3.5双抗、ADC与双抗ADC冻干处方关键参数对比
为便于工程实践参考，下表系统对比了三类药物冻干处方的关键设计要素与典型参数范围。需要强调的是，具体参数因分子而异，下表为基于文献与产业实践的参考范围，实际开发须以实验数据为准。
设计要素
双抗（BsAb）
ADC
双抗ADC（BsADC）
蛋白浓度
1–150 mg/mL（TCE类低剂量高浓度）
10–50 mg/mL（常较低）
10–50 mg/mL
缓冲体系
组氨酸/柠檬酸盐/Tris（避磷酸盐）
组氨酸/柠檬酸盐（避磷酸盐、乙酸）
组氨酸/柠檬酸盐
pH范围
5.0–6.5（依分子pI与稳定性）
5.0–6.5
5.0–6.5
保护剂（糖）
蔗糖/海藻糖，糖:蛋白≥1:1（目标5:1）
蔗糖/海藻糖，≥1:1
蔗糖/海藻糖，≥1:1
表面活性剂
PS80 0.01–0.1%（w/v）
PS80/PS20 0.01–0.2%（疏水高则更高）
PS80 0.02–0.2%（更高浓度）
填充剂
可选甘露醇/甘氨酸（需退火）
可选甘露醇（需退火）
可选甘露醇（需退火）
聚集抑制剂
精氨酸 50–150 mM
精氨酸（可选）
精氨酸（可选）
首要CQA
聚集、片段化、颗粒
脱偶联、游离药物、聚集
双靶点结合、DAR、脱偶联、聚集
典型剂型
西林瓶/双腔卡式瓶冻干
西林瓶冻干（上市主流）
西林瓶冻干（临床普遍）3.6处方筛选与工艺开发的分析表征工具箱
处方筛选与工艺开发的成功，高度依赖一套正交、互补的分析表征方法体系，用于监控关键质量属性（CQA）并理解降解机制。
分析技术
缩写
监控属性
在双抗/ADC/双抗ADC中的特殊用途
高效体积排阻色谱
HPSEC/SEC
聚集体、片段、单体纯度
监测聚集与片段化（首要指标）
毛细管电泳-SDS
CE-SDS
还原/非还原纯度、片段
检测连接子切割、单臂缺失、错配
阳离子/阴离子交换色谱
CIEX/AIEX
电荷异质性、脱酰胺
监测脱酰胺、氧化、糖化
动态光散射
DLS
粒径、多分散性
聚集倾向快速评估
差示扫描量热法
DSC/mDSC
Tm、Tagg、Tg'、Tg
热稳定性与冻干窗口测定
疏水相互作用色谱
HIC
DAR分布、疏水性
ADC/双抗ADC的DAR与偶联异质性
液质联用
LC-MS
偶联位点、DAR、PTM
脱偶联、偶联位点鉴定
反相HPLC
RP-HPLC
游离药物、载荷
游离药物与载荷降解监测
肽图分析
Peptide Map
PTM（脱酰胺/氧化/异构化）
化学降解位点定位
生物学活性
Bioassay
结合/杀伤活性
双靶点结合完整性、细胞毒活性3.7法规监管要求与合规要点
双抗、ADC与双抗ADC冻干制剂需满足中国NMPA、美国FDA、欧洲EMA及ICH的监管要求。核心合规要点包括：
l ICH Q8(R2)质量源于设计：以QbD理念建立CPP-CQA关系，定义设计空间与风险控制策略；冻干工艺应基于Tg'/Tc科学设定温度窗口，工艺变更应基于充分的可比性研究（ICH Q5E）。
l ADC药学研究与评价指导原则（NMPA CDE，2023征求意见稿）：明确ADC因溶液态易化学降解或聚集，一般选择冻干制剂；处方开发应基于对裸抗、载荷/连接子与ADC理化性质的深入理解，采用设计空间方法确定pH、缓冲体系与辅料；疏水载荷需更高表面活性剂浓度；若制剂工艺涉及冻干，应对冻干工艺参数与冻干曲线进行研究；辅料需符合《中国药典》通则"生物制品生产用原材料及辅料的质量控制"要求。
l ICH Q1A/Q5C稳定性：冻干制剂需进行强制降解、加速稳定性与长期稳定性研究，关注残留水分、复溶后稳定性、运输应力。
l 无菌保证：冻干为无菌工艺单元操作，需满足无菌生产、培养基模拟灌装、容器密闭完整性（CCI）要求。
通过上述系统化的处方筛选、工艺开发、分析表征与合规管理，可有效应对双抗、ADC与双抗ADC冻干制剂在处方筛选与工艺开发中的挑战，为后续冻干工艺与冻干曲线优化奠定坚实基础。3.8代表性冻干制剂处方案例解析
为将前述理论落地，本节结合文献与产业公开信息，解析几类代表性冻干处方设计的思路与要点。
3.8.1经典ADC冻干处方（单抗-长春碱偶联物）
Roy、Pikal等（1992）以单抗KS1/4与去乙酰长春碱（DAVLB）酰腙偶联物为模型的经典研究，是ADC冻干处方设计的奠基之作。该偶联物在溶液态（即使5℃）下酰腙键与长春碱部分均显著降解，必须开发冻干处方。其处方筛选考察了pH、离子强度、缓冲剂、辅料种类与比例，最终选定"甘露醇:甘氨酸:偶联物按等质量比、近中性低离子强度磷酸盐缓冲"的处方。研究进一步揭示了：降解速率随温度与水分升高而急剧增加，且服从Williams-Landel-Ferry（WLF）玻璃化转变关系（R/Rg = exp[k(T-Tg)]，三种水分水平与三种降解路径下k=0.143）。这一经典研究确立了"Tg锚定+水分控制"的ADC冻干稳定性核心框架，至今仍具指导意义。
3.8.2双抗冻干处方的稳定化实践
对于在液体制剂中因连接子水解导致片段化、活性异常升高的双抗分子，冻干是有效稳定手段。其冻干处方的典型设计思路包括：以组氨酸或柠檬酸盐缓冲控制pH于蛋白稳定区间；以蔗糖或海藻糖作为主要冻干保护剂（糖:蛋白质量比≥1:1）；以低浓度PS80（0.01-0.1%）抑制冻干-复溶界面聚集；对于聚集倾向高的TCE类双抗，额外引入精氨酸作为聚集抑制剂。实践表明，经合理处方设计，此类双抗冻干制剂可获得良好外观与极佳长期稳定性。
3.8.3双抗ADC冻干处方的分子工程策略
双抗ADC冻干处方的开发，越来越依赖"分子工程+制剂工程"的协同。以JSKN-003为例，其通过N-糖工程定点偶联（SPAAC点击化学，DAR≈3.6）维持双天线糖链结构，获得优化亲水性与降低的聚集倾向，血清稳定性显著优于硫醇-马来酰亚胺化学偶联的对照ADC（DS-8201a）。SKB571则采用OptiDC平台高亲水性毒素-连接子策略，改善药代动力学并降低聚集风险。这些案例表明：对于双抗ADC，从偶联化学源头降低疏水聚集，是冻干处方开发得以简化、工艺稳健性得以提升的关键前置条件。3.9冻干制剂与液体制剂的剂型选择决策
冻干并非所有场景的最优选择。剂型选择（冻干 vs 液体 vs 冷冻液）需综合权衡长期稳定性、生产复杂性与使用便利性。
决策维度
冻干制剂
液体制剂
冷冻液制剂
长期稳定性
优（2-8℃甚至室温）
需蛋白自身稳定
优（需-20/-70℃冷链）
生产复杂度
高（冻干循环数天、设备昂贵）
低
中（需冷冻储存与解冻管理）
使用便利性
需复溶（复溶时间/澄清度）
即用
需解冻
冷链依赖
低
中（2-8℃）
高（深冷）
适用场景
不稳定分子、长货架期
稳定分子、便利性优先
早期临床快速推进
对双抗、ADC与双抗ADC而言，因三者普遍存在稳定性挑战（双抗的界面不稳定、ADC的疏水聚集与脱偶联、双抗ADC的双重不稳定），冻干制剂是当前主流选择；液体制剂开发（如Elahere）虽在推进，但需以分子工程（定点偶联、高亲水载荷、稳定化scFv）从根本上解决稳定性瓶颈。这一剂型选择逻辑，应贯穿三类药物从早期开发到商业化的全生命周期。第四部分 从入门到精通：冻干工艺与冻干曲线优化的挑战、难点与解决方案4.1冻干工艺与冻干曲线优化的挑战与难点
冻干工艺开发的本质是"在产品质量红线（Tc/Tg'/Te）之下，实现尽可能快、尽可能稳、尽可能均一的干燥"。这一目标受多种相互耦合的因素制约，构成了冻干工艺优化的核心挑战。
4.1.1预冻阶段的挑战
l 过冷度与成核的随机性：溶液成核温度Tn具有天然波动性，受容器表面性质、颗粒杂质、降温速率等影响，导致瓶与瓶之间冰晶形态、尺寸差异显著。冰晶越小，升华后孔隙越小，干燥层阻力Rp越大，一次干燥越慢；反之亦然。成核不均一是瓶间产品性质差异与一次干燥时间波动的根本来源。
l 结晶型辅料的结晶不完全：甘露醇等若未完全结晶，会形成亚稳玻璃态，储存中重结晶释放水分、降低局部Tg，加速蛋白降解（见2.3节）。
l pH偏移：磷酸盐等缓冲盐在冻结中分步结晶导致pH剧烈偏移，诱发蛋白变性。
4.1.2一次干燥阶段的挑战
l 塌陷风险：若产品温度Tp超过塌陷温度Tc，冰升华后留下的多孔骨架发生粘性流动，导致饼体塌陷（collapse）、微塌陷（microcollapse），造成外观缺陷、残留水分偏高、复溶缓慢、活性受损。
l 传热与传质的矛盾：提高搁板温度可加速升华，但会使Tp升高逼近Tc；降低腔体压力可加速传质，但会降低传热效率（气体传导传热随压力下降而减弱）。需在传热与传质之间精细平衡。
l 干燥层阻力Rp的动态变化：Rp随干燥进行而变化（与冰晶形态、处方组成相关），使一次干燥速率非线性变化，难以精确预测终点。
l 边缘瓶效应：冻干搁板边缘的西林瓶受到额外辐射热，升温更快，是最易塌陷的"最差点"（worst case position），需在工艺设计中重点关注。
l 终点判断困难：一次干燥终点判断（残余冰含量测定）是"老大难"，过早结束导致塌陷/复溶差，过晚则浪费时间与能源。
4.1.3二次干燥阶段的挑战
l 残留水分的平衡：水分过高加速水解/氧化降解并降低Tg；过度干燥破坏玻璃态保护层、诱导蛋白变性。需在二次干燥温度、时长、真空度之间协同调控，达到目标残留水分（无定形糖体系1-3%，结晶体系<1%）。
l 过度干燥的蛋白损伤：过高的二次干燥温度或过长的干燥时间可能导致蛋白过度脱水、结构损伤。
4.1.4冻干曲线设计的整体难点
l 多参数耦合：预冻速率、退火温度/时长、一次干燥搁板温度/腔体压力/时长、二次干燥温度/时长等数十个变量相互耦合，"牵一发而动全身"。
l 放大效应：实验室冻干机与生产冻干机的传热传质特性差异显著（辐射热占比、搁板温度均匀性、批量装载差异），"小试成功、中试失败"是常见困境。
l 处方-工艺的联动：处方组成（Tg'、Tc、固含量、辅料结晶性）直接决定工艺窗口，处方与工艺必须协同优化，而非割裂开发。4.2冻干工艺与冻干曲线优化的解决方案
针对上述挑战，业界已发展出一套成熟的技术工具箱。
4.2.1预冻阶段的优化——退火与可控成核
l 退火（Annealing）：在预冻阶段，将产品升温至Tg'以上、Tc以下并保温一段时间，再降温冻结。退火的作用包括：①促进冰晶熟化（Ostwald熟化），形成粗大均匀的冰晶，增大升华孔隙、降低Rp、缩短一次干燥时间；②促进甘露醇等结晶型辅料完全结晶，消除亚稳玻璃态风险；③减小瓶间差异。退火温度需依处方而定：含甘露醇等结晶辅料的处方常在-15℃至-5℃退火以促进甘露醇完全结晶（甘露醇结晶后提供结构支撑，可提高有效塌陷温度）；纯无定形糖处方因Tc仅略高于Tg'，退火温度需更接近Tg'（约-25℃至-20℃）以避免塌陷。退火须谨慎控制：甘露醇体系退火温度过高会导致溶质析出；蔗糖/海藻糖体系退火时间过长会诱导相分离与蛋白聚集；高浓度蛋白体系升温过快会导致局部过热变性。
l 可控成核（Controlled Nucleation）：通过加压-卸压法（如PraXair的ControLyo技术）、冰雾法、超声法等诱导所有瓶在相近温度同时成核，消除成核随机性，显著改善瓶间均一性、缩短一次干燥时间（可达30-50%），并提高产品外观一致性。
4.2.2一次干燥阶段的优化
l 基于Tg'/Tc的温度窗口设定：以调制DSC精确测定Tg'，以冻干显微镜（FDM）测定Tc，将目标Tp设定于Tc以下2-5℃，规避微塌陷与边缘瓶效应。
l 传热传质平衡：通过压力升法（pressure rise test，PRA）在线测定Kv与Rp，优化搁板温度与腔体压力组合。
l 一次干燥终点的精确判定：采用过程分析技术（PAT），如压力升法、可调谐二极管激光吸收光谱（TDLAS）、质谱、电容式压力计与皮拉尼真空计对比（Pirani/Capacitance comparison）等，实时监测升华通量与残余冰含量，实现精确的终点判断，避免过早或过晚。
l 边缘瓶防护：通过装载优化、辐射屏蔽、边缘瓶填装惰性物料等策略降低边缘瓶过热风险。
4.2.3二次干燥阶段的优化
l 水分-温度-时间协同：通过DoE确定二次干燥温度、时长、真空度的最优组合，达到目标残留水分（无定形糖体系1-3%）的同时避免过度干燥。
l 残留水分测定：以卡尔费休法（Karl Fischer）精确测定残留水分，作为二次干燥终点的关键判据。
4.2.4处方-工艺协同与QbD
l QbD框架：基于ICH Q8-Q11，建立CPP-CQA关系模型，定义设计空间，实施风险控制策略。
l 数字孪生辅助放大：建立基于热质传递方程的冻干数字孪生模型，预测不同规模（实验室/中试/生产）下的工艺表现，标识"最差点"，最大程度减少试错，实现工艺的无缝放大。
l PAT驱动的实时控制：集成TDLAS、质谱、热电偶、无线温度探头等传感器，实时监控产品温度、升华通量、残余冰含量，实现冻干过程的实时状态估计与闭环控制。
4.2.5冻干曲线优化的经典案例
以数字孪生优化一次干燥为例：某研究通过模拟Tc、Kv、升华通量Jmax、干燥层阻力Rp等关键参数，结合可控成核提升重现性，确保产品温度始终低于Tc，将冻干优化缩短至14天（仅消耗540 mL溶液），后续批次缩短至5天，实现最高300%的生产率提升与60-75%的成本节约。
4.3冻干工艺参数典型范围与曲线设计要点
为便于工程实践，下表归纳了双抗/ADC/双抗ADC冻干工艺各阶段的典型参数范围与曲线设计要点。
工艺阶段
关键参数
典型范围
设计要点
预冻
降温速率
0.5–2.0 °C/min（快冻/慢冻）
快冻成细小冰晶（Rp大）、慢冻成粗大冰晶（Rp小），需权衡
预冻终温
低于Tg'（约-40至-50°C）
确保完全冻结、非冰相进入玻璃态
退火
-15至-5°C（含甘露醇处方）保温1–4 h
冰晶熟化、甘露醇完全结晶、减小瓶间差异
一次干燥
搁板温度
-25至-10°C
使Tp低于Tc 2–5°C
腔体压力
50–200 mTorr
传热与传质平衡
时长
数小时至数天（占全程60-80%）
以PAT精确判定终点
二次干燥
搁板温度
25–40°C
去除结合水、控制残留水分
真空度
<100 mTorr（更低）
强化解吸
时长
2–8 h
水分-温度-时间协同
目标残留水分
无定形糖体系
1–3%
水分过高加速降解、过低破坏玻璃态
结晶体系
<1%
结晶体系更低水分4.4冻干曲线优化的关键技术详解
4.4.1压力升法（Pressure Rise Test，PRA）在线测定Rp与Kv
压力升法是一次干燥过程中在线测定产品干燥层阻力Rp与传热系数Kv的经典PAT方法：在一次干燥中短暂关闭隔离阀，使腔体压力因升华而上升，通过压力上升曲线解析出平均产品温度、升华通量与Rp。结合纯冰升华实验测定的Kv，可实时计算产品温度分布，判断是否逼近塌陷温度，为搁板温度与腔体压力的动态调整提供依据，实现一次干燥的"可视、可控"。
4.4.2可调谐二极管激光吸收光谱（TDLAS）与质谱
TDLAS通过检测腔体内水蒸气的近红外吸收谱线，实时、无损地测定水蒸气浓度与升华通量；质谱则可实时监测水蒸气分压与冰升华终点。二者与压力升法互补，共同构成一次干燥终点判定的多模态PAT体系，将终点判断从"经验延时"提升为"科学实时"。
4.4.3可控成核（Controlled Nucleation）技术
可控成核通过加压-卸压（如ControLyo）、冰雾诱导、超声诱导等手段，使所有西林瓶在相近温度（减小过冷度）同步成核，消除成核随机性带来的瓶间冰晶形态差异。其价值包括：显著缩短一次干燥时间（可达30-50%）、提高产品外观一致性与批次重现性、降低边缘瓶风险。对高价值、低产量的双抗/ADC/双抗ADC冻干产品，可控成核的收益尤为显著。
4.4.4无线温度探头与软传感（Soft Sensor）
传统有线热电偶仅能监测少数代表瓶，且会干扰成核与传热。无线温度探头（如TEMPRIS）可非侵入式监测更多瓶的产品温度；软传感技术则通过传热传质模型与腔体压力数据推算全批次产品的温度分布，规避侵入式测温的局限，为边缘瓶等"最差点"的实时监控提供手段。
4.4.5边缘瓶效应（Edge Vial Effect）的工程对策
冻干搁板边缘瓶受辐射热影响升温更快，是塌陷的"最差点"。工程对策包括：边缘位置填装惰性西林瓶或空白瓶、优化装载排列、加装辐射屏蔽、基于边缘瓶温度设定更保守的搁板温度等。数字孪生模型可精确预测不同位置瓶的温度分布，辅助制定差异化工艺策略。4.5冻干曲线优化的数值案例与工程启示
为直观说明冻干曲线优化的实际效果，本节以典型的无定形糖保护蛋白处方为例，展示关键参数的量化关系与优化收益。
4.5.1退火对一次干燥时间的量化影响
以含甘露醇与蔗糖/海藻糖联合保护的蛋白冻干处方为例，未退火时冰晶细小、干燥层阻力Rp高，一次干燥时间可达30小时以上；引入退火（-15℃保温2-4小时）促使冰晶熟化、孔径增大，同时促进甘露醇完全结晶，Rp显著下降，一次干燥时间可缩短至15-20小时，缩短幅度达30-50%。同时甘露醇完全结晶消除了储存期亚稳玻璃态重结晶风险，使长期稳定性显著改善。退火的关键约束是：退火温度必须严格控制在塌陷温度Tc以下，否则会诱发溶质析出、相分离或蛋白聚集。
4.5.2可控成核对批次均一性的改善
传统自然成核下，不同西林瓶的成核温度Tn差异可达10-20℃，导致瓶间冰晶形态与一次干燥时间显著不均一。可控成核技术使所有瓶在相近温度同步成核，将瓶间差异压缩至1-2℃以内，一次干燥时间缩短30-50%，产品外观一致性与批次重现性显著提升。对高价值、低批量的双抗/ADC/双抗ADC产品，可控成核是提升工艺稳健性与产能的关键投资。
4.5.3一次干燥温度窗口的精细设定
以Tg'≈-30℃、Tc≈-27℃的无定形处方为例，一次干燥目标产品温度Tp应设定为约-30℃至-29℃（Tc以下2-3℃），对应搁板温度约-20℃至-15℃。若搁板温度设定过低（如-35℃），升华速率慢、周期冗长；若设定过高（如0℃），产品温度将逼近甚至超过Tc，导致微塌陷、残留水分偏高与复溶缓慢。因此，精确测定Tg'/Tc并留足安全裕度，是冻干曲线优化的"第一性原理"。
4.5.4数字孪生优化的综合收益
数字孪生驱动的冻干工艺开发已在实践中展现显著收益：某案例通过模拟Tc、传热系数Kv、升华通量Jmax、干燥层阻力Rp等参数，结合可控成核，确保产品温度始终低于Tc，将冻干优化周期缩短至14天（仅消耗540 mL溶液），后续批次进一步缩短至5天，实现最高300%的生产率提升与60-75%的成本节约。这一案例充分印证了"数据驱动冻干工艺开发"相较"经验试错"的颠覆性优势。
综合以上分析，冻干工艺与冻干曲线优化的核心方法论可凝练为：以热力学参数（Tg'/Tc/Te）划定红线，以退火与可控成核优化冰晶形态，以PAT精确判定终点，以QbD建立设计空间，以数字孪生实现放大与闭环——这一方法论同样适用于双抗、ADC与双抗ADC冻干制剂，是其冻干工艺与冻干曲线优化挑战的系统解决方案。第五部分 从精通到扩展：贝叶斯模型与AI计算优化冻干工艺与冻干曲线5.1从"经验试错"到"数据驱动"——冻干智能化的必然趋势
传统冻干工艺开发依赖"经验试错"（trial-and-error）：工程师基于经验设定初始参数，反复运行冻干循环，观察饼体外观、残留水分、复溶时间，逐步逼近最优工艺。这一模式存在根本性局限：①开发周期长（数周至数月）、成本高、物料消耗大；②难以系统探索高维参数空间；③批次间波动与放大效应难以预测；④知识沉淀依赖个人经验，难以标准化传承。
数据科学、机器学习与人工智能的崛起，为冻干工艺开发带来了范式转变：通过建立"工艺参数→产品质量属性"的定量预测模型，实现从"黑箱试错"到"白箱预知"的跨越。其中，贝叶斯优化（Bayesian Optimization，BO）与机器学习（ML）是最具潜力的两大技术支柱。5.2贝叶斯优化——高效的全局优化利器
5.2.0贝叶斯优化的数学基础
为便于深入理解，本节简要阐述贝叶斯优化的数学内核。
l 高斯过程（Gaussian Process，GP）：贝叶斯优化最常用的代理模型。一个高斯过程由均值函数m(x)与协方差函数（核函数）k(x,x')定义，可记为 f(x) ~ GP(m(x), k(x,x'))。给定已观测数据点，GP能够给出任意未观测点x处的后验预测分布（均值μ(x)与方差σ²(x)），其中方差即"不确定性"。常用的核函数包括平方指数核（RBF核）、Matérn核（如Matérn 5/2，适用于非光滑响应）等，核函数的选择直接影响模型的平滑性假设与泛化能力。
l 采集函数（Acquisition Function）：采集函数a(x)利用GP的后验均值与方差，量化"评估某一点x的期望收益"，是"开发（exploit）"与"探索（explore）"的平衡工具。三类经典采集函数：
l 期望改进（Expected Improvement，EI）：EI(x) = E[max(0, f(x) − f_best)]，评估x点相对当前最优值f_best的期望改进量，是最常用的采集函数。
l 上置信界（Upper Confidence Bound，UCB）：UCB(x) = μ(x) + κ·σ(x)，通过调节参数κ控制探索（κ大）与开发（κ小）的权衡。
l 概率改进（Probability of Improvement，PI）：评估x点改进当前最优值的概率。
l 序贯迭代：在每轮迭代中，贝叶斯优化选择使采集函数最大化的x_next = argmax a(x)，执行该点实验，将新数据加入数据集，更新GP，进入下一轮。这一"建模-采样-更新"的闭环，使贝叶斯优化能以远少于随机搜索或网格搜索的实验次数逼近全局最优。
5.2.1贝叶斯优化的基本原理
贝叶斯优化是一种适用于"评估代价高昂的黑箱函数"的序贯全局优化方法，其核心思想是"用概率模型替代昂贵实验"：
1.代理模型（Surrogate Model）：以高斯过程（Gaussian Process，GP）等概率模型拟合"参数→响应"关系，不仅给出预测值，还给出预测的不确定性（方差）。
2.采集函数（Acquisition Function）：在每一轮迭代中，基于代理模型的预测均值与不确定性，计算采集函数（如期望改进EI、上置信界UCB、概率改进PI），在"开发"（exploit，选择预测最优的区域）与"探索"（explore，选择不确定性高的区域）之间平衡，选择下一组待评估的实验条件。
3.迭代更新：执行新实验，将结果加入数据集，更新代理模型，进入下一轮迭代，直至收敛到全局最优。
贝叶斯优化的关键优势在于：以最少的实验次数逼近全局最优，特别适合冻干工艺这类"单次实验昂贵、参数维度高、存在噪声"的优化问题。
5.2.2贝叶斯优化在制剂与冻干中的应用
2025年Sanofi团队发表于PLoS One的研究（Li等，2025）系统展示了贝叶斯优化在疫苗制剂开发中的应用：通过两个案例（病毒A液态制剂的感染滴度损失优化、病毒B冻干制剂的玻璃化转变温度Tg优化），采用逐步分析与模型优化，交叉验证矩阵显示高R²与低RMSE，验证了模型可靠性；并通过预测误差图、SHAP（Shapley Additive exPlanations）、置换重要性（permutation importance）等方法解析特征影响与非线性响应。该研究结论明确指出：贝叶斯优化是制剂开发中有效的辅助工具，能帮助科学家做出高效的数据驱动决策。
在冻干领域，贝叶斯统计方法被进一步引入一次干燥建模体系：基于"干燥层传质阻力Rp具有产品特异性且与成核温度Tn相关"的原理，构建用于预测一次干燥时长的贝叶斯模型，在实验室冻干机上完成试验验证，可应用于工艺放大，最大程度减少试验试错、降低大型试验的高昂研发成本（该研究在Searles等的基础上拓展完善了贝叶斯一次干燥建模）。
5.2.3贝叶斯优化的技术优势
l 样本高效：相比传统DoE（需在预设网格上密集采样），贝叶斯优化以更少实验探索更大参数空间。
l 不确定性量化：代理模型天然提供预测不确定性，可识别"高不确定性区域"并指导后续实验，规避盲目采样。
l 多目标优化：可同时优化多个冲突目标（如"最小化一次干燥时间"与"最大化收率/最小化水分"），生成帕累托前沿（Pareto front）供权衡决策。
l 鲁棒性：对实验噪声与批次波动具有较好鲁棒性。
5.3机器学习与AI在冻干工艺优化中的应用
5.3.1冻干热质传递建模与ML的融合
冻干热质传递模型已有数十年积累，最具代表性的是Pikal等建立的一维升华模型：基于傅里叶热传导方程与升华质量平衡，建立搁板温度、产品温度、升华速率、干燥层阻力之间的定量关系。传统模型的局限在于参数（如Rp、Kv）需离线标定、难以捕捉批次间随机波动。近年来，研究者引入机器学习学习"模型残差"（实验数据与理论预测之差），构建"物理模型+ML残差"的混合模型（hybrid model），兼顾物理可解释性与数据拟合能力。
5.3.2神经网络预测冻干温度分布与干燥终点
研究者基于多层感知器（MLP）、全连接神经网络等架构，预测生物制药冻干过程中的温度分布与干燥进程。Drăgoi等开发的深度神经网络以详细的唯象模型生成训练数据，结合自适应差分进化与反向传播算法优化网络结构与参数，基于实时测量估计未来产品温度与冻干饼厚度，进而计算残余冰与升华通量，预测一次干燥时长与最高产品温度，为工艺调整提供依据。即使在与训练数据不同的传热传质条件下，网络仍能提供准确可靠的预测。
5.3.3喷雾冷冻干燥的AI-ML建模
2025年发表于Chimica Oggi的案例（Stamato等，Meridion Technologies）展示了AI-ML平台（SuntheticsML）在喷雾冷冻干燥（SFD）与动态冻干中的应用：对80余次实验数据进行贝叶斯优化建模，实现变量重要性分析、3D响应可视化、多目标优化（最小化一次干燥时间与最大化收率的权衡），并自动生成新实验设计。该案例证明了无代码AI平台在冻干工艺表征中的实用性。
5.3.4计算机视觉与深度学习的冻干质检
深度学习与计算机视觉被用于冻干饼体/西林瓶的自动化检测：Tsay与Li应用深度神经网络与计算机视觉对冻干产品西林瓶进行分类（共享卷积层处理多角度图像+迁移学习），实现85-90%缺陷检测率；YOLOv7目标检测模型对冻干样品中的颗粒检测精度达88.9%（召回率81.2%），显著优于人工目检。这些技术提升了冻干质量控制的客观性、一致性与效率。
5.3.5数字孪生——冻干机的虚拟镜像
数字孪生（Digital Twin）指为物理系统创建实时更新、高保真的虚拟副本。在冻干领域，数字孪生整合：①实时输入（TDLAS、质谱、热电偶的压力-温度-通量数据）；②虚拟模型（基于热质传递方程与历史工艺数据的动态模型）；③同步输出（当前批次状态估计+未来演化预测轨迹）。2024年发表于Processes的研究系统阐述了"数字孪生驱动的冻干工艺开发、优化与控制"框架。数字孪生的核心价值在于：
l 实时状态估计：无论批次运行到哪个阶段，都能根据传感器数据实时估算各瓶平均残余冰含量、升华终点位置与产品温度分布，比传统方法快数小时。
l 放大预测：基于不同规模（实验室/中试/生产）监测数据，预测工艺参数按比例放大后的表现，标识"最差点"，解决"小试成功、中试失败"的放大困境。
l 闭环控制：将预测与实时数据结合，实现冻干过程的实时调整与最优控制。
5.4贝叶斯模型与AI计算优化双抗/ADC/双抗ADC冻干工艺与冻干曲线的系统方法
结合前述技术，可构建一套针对双抗、ADC与双抗ADC冻干制剂最优工艺条件确定的系统化AI优化方法。
5.4.1整体技术框架
1.数据采集与预处理：整合历史批次数据、DoE实验数据、实时PAT传感器数据（温度、压力、TDLAS通量、质谱），进行数据清洗、对齐与特征工程。
2.物理模型基底：以一维升华模型/热质传递方程为核心，标定Rp、Kv等关键参数。
3.ML代理模型：以高斯过程、随机森林、梯度提升、神经网络等构建"工艺参数→CQA"的代理模型，学习物理模型残差。
4.贝叶斯优化循环：以代理模型+采集函数驱动序贯实验，高效探索设计空间，逼近全局最优工艺条件。
5.数字孪生闭环：将优化得到的工艺参数部署到数字孪生，实现实时状态估计、放大预测与闭环控制。
6.可解释性与稳健性分析：以SHAP、置换重要性、预测误差图解析关键参数，以蒙特卡洛/鲁棒优化评估工艺稳健性。
5.4.2针对双抗/ADC/双抗ADC的差异化优化目标
l 双抗：以"聚集、片段化、颗粒物"为首要CQA，优化目标为最小化冻干-复溶过程中的聚集与片段化，同时保证饼体外观与复溶时间。
l ADC：以"脱偶联、游离药物、聚集体、残留水分"为首要CQA，优化目标为最小化冻干与储存期的脱偶联与聚集，控制残留水分。
l 双抗ADC：以"双靶点结合完整性、DAR、脱偶联、聚集体"为首要CQA，优化目标为多维协同优化，确保偶联属性与双抗结构属性的同时稳定。
5.4.3多目标贝叶斯优化的实践
冻干工艺优化本质是多目标问题（如"最小化一次干燥时间"、"最小化残留水分"、"最大化活性保留"、"最小化复溶时间"）。多目标贝叶斯优化（如基于预期超体积改进EHVI的MOBO）可生成帕累托前沿，供工程师在目标间权衡决策。例如，在"一次干燥时间"与"收率"之间生成权衡曲线，明确"稳健工艺区"（对参数波动不敏感的区域）。
5.5典型应用案例
案例一：贝叶斯优化疫苗冻干制剂的Tg（Li等，2025，PLoS One）：以冻干制剂玻璃化转变温度Tg为优化目标，通过贝叶斯优化逐步逼近最优处方/工艺组合，交叉验证R²高、RMSE低，SHAP与置换重要性揭示了关键特征影响，实现了比传统DoE更高效的优化。
案例二：贝叶斯模型预测一次干燥时长（QbD案例研究）：构建"干燥层传质阻力Rp与成核温度Tn相关"的贝叶斯模型，预测一次干燥时长，在实验室冻干机验证，应用于工艺放大，显著减少试错与成本。
案例三：数字孪生优化一次干燥：通过模拟Tc、Kv、Jmax、Rp等参数，结合可控成核，确保产品温度低于Tc，将冻干优化缩短至14天（540 mL溶液），后续批次5天，实现最高300%生产率提升与60-75%成本节约。
案例四：AI-ML喷雾冷冻干燥工艺表征（Stamato等，2025）：对80余次实验贝叶斯优化建模，实现多目标优化与自动实验设计，证明无代码AI平台加速冻干工艺开发的实用性。5.6常用机器学习算法与选型
冻干工艺优化中常用的机器学习算法可归纳为几类，各有适用场景：
算法类别
代表算法
特点
冻干应用场景
高斯过程
GP回归
小样本、提供不确定性
贝叶斯优化代理模型
树集成
随机森林、XGBoost、LightGBM
强非线性、特征重要性
工艺参数-CQA建模、特征重要性排序
神经网络
MLP、全连接NN、LSTM
高维、时序
温度分布预测、干燥进程时序预测
深度学习视觉
CNN、YOLOv7
图像识别
冻干饼体/西林瓶缺陷检测
混合模型
物理模型+ML残差
可解释+拟合
升华模型残差学习、数字孪生
可解释ML
SHAP、LIME、置换重要性
特征归因
关键参数解析、监管沟通
选型原则：小样本、需不确定性量化→高斯过程/贝叶斯优化；需强预测与特征重要性→树集成；需时序/高维预测→神经网络；需可解释性→SHAP/混合模型。5.7技术路线总结与工程实施建议
综合全文，双抗、ADC与双抗ADC冻干制剂的最优工艺条件确定，建议遵循以下"五步递进"技术路线：
第一步：分子可开发性评估。在早期阶段通过in silico与in vitro手段评估聚集倾向、疏水斑块、热稳定性、DAR对稳定性的影响，识别风险分子，为处方与工艺设计提供输入。
第二步：处方科学筛选。以非还原双糖为核心保护剂、辅以表面活性剂与低结晶缓冲体系，结合强制降解与加速稳定性，采用高通量方法快速确定处方；ADC/双抗ADC应优先采用定点偶联与高亲水载荷设计降低聚集倾向。
第三步：冻干工艺稳健开发。测定Tg'/Tc/Te，设定Tp于Tc以下2-5℃；通过退火与可控成核优化冰晶形态；以PAT精确判定一次干燥终点；以QbD建立设计空间。
第四步：AI/贝叶斯智能化化。以高斯过程代理模型+贝叶斯优化序贯探索设计空间，以最少实验逼近全局最优；以多目标贝叶斯优化生成帕累托前沿，平衡干燥时间、残留水分、活性保留等冲突目标；以SHAP等解析关键参数。
第五步：数字孪生放大与闭环。将优化工艺部署至数字孪生，实现实时状态估计、放大预测与闭环控制，解决"小试成功、中试失败"的放大困境，并推动实时放行。
5.8面临的挑战与未来方向
5.8.1数据稀缺与小样本问题
冻干实验成本高、周期长，高质量标注数据稀缺。解决方案包括：物理模型先验（physics-informed）约束、迁移学习（跨产品/跨规模知识迁移）、主动学习（贝叶斯优化本身即主动学习范式）、合成数据（以唯象模型生成训练数据）。
5.8.2模型的物理可解释性与监管接受度
纯数据驱动模型缺乏物理可解释性，难以满足监管（ICH Q8-Q11）对工艺理解的要求。发展方向是"物理模型+ML残差"的混合建模，兼顾可解释性与拟合能力；并建立模型验证与生命周期管理规范，推动监管接受。
5.8.3跨规模放大与批次波动
实验室到生产的放大、批次间波动是冻干智能化的核心难点。数字孪生与迁移学习是缓解手段，但仍需大量跨规模数据积累。
5.8.4标准化与生态建设
冻干数据的标准化（数据格式、传感器、CQA定义）、共享与生态建设是AI大规模应用的前提。行业需建立统一的冻干数据标准与模型评估基准。第六部分 结论与展望6.1核心结论
1.冻干是双抗、ADC与双抗ADC稳定化的关键剂型策略：三者因结构复杂性、疏水性与降解敏感性，均高度依赖冻干制剂保障长期稳定性；进入临床的双抗ADC普遍采用冻干粉针剂型。
2.处方筛选的挑战本质上是"分子不稳定性"的映射：双抗的挑战源于"非天然组装"界面（scFv、KIH、连接子），ADC的挑战源于"疏水载荷+亲水抗体"的结构矛盾，双抗ADC则是二者的叠加。处方筛选需以聚集、片段化、脱偶联为首要优化目标，采用非还原双糖+表面活性剂+低结晶缓冲的核心策略，结合定点偶联、高亲水载荷设计等分子工程手段。
3.冻干工艺与曲线优化的核心是"在Tc/Tg'红线之下实现快、稳、均一的干燥"：通过退火与可控成核优化冰晶形态、以Tg'/Tc设定温度窗口、以PAT精确判定终点、以QbD建立设计空间、以数字孪生解决放大难题。
4.贝叶斯优化与AI计算正重塑冻干工艺开发范式：贝叶斯优化以最少实验逼近全局最优，机器学习学习物理模型残差实现精确预测，数字孪生实现实时状态估计与闭环控制，三者协同将冻干工艺开发从"经验试错"推向"数据驱动、白箱预知"。6.2未来展望
l 分子工程与制剂工程的深度融合：定点偶联、高亲水载荷、稳定化scFv/KIH设计将从源头降低双抗/ADC/双抗ADC的制剂开发难度。
l AI驱动的"按需定制"冻干：AI、大数据、物联网与先进冻干设备的深度融合，将实现冻干过程的"按需定制"与全自主优化。
l 数字孪生与实时放行：数字孪生+PAT有望推动冻干产品的实时放行（Real-Time Release Testing，RTRT），缩短质检周期。
l 可持续冻干：AI优化可显著缩短冻干周期、降低能耗，契合绿色制药与冷链可持续性的行业趋势。6.3结语
双抗、ADC与双抗ADC冻干制剂，正处于分子工程、制剂科学与人工智能三大技术浪潮的交汇点。从分子层面看，定点偶联、高亲水载荷、稳定化scFv/KIH界面设计正从源头降低三类药物的制剂开发难度；从制剂层面看，以玻璃态理论与水替代理论为根基的处方科学、以Tg'/Tc红线为边界的冻干工艺、以退火与可控成核为核心的曲线优化，共同构成了稳健冻干制剂的工程基石；从智能化层面看，贝叶斯优化、机器学习与数字孪生正将冻干工艺开发从"经验试错"重塑为"数据驱动、白箱预知"。三者协同，将推动双抗、ADC与双抗ADC冻干制剂从"可开发"迈向"快开发、优开发"，最终惠及广大肿瘤患者。对于从事此类药物制剂开发的研究者与工程师而言，深刻理解分子不稳定性本质、系统掌握冻干处方与工艺科学、主动拥抱AI智能化工具，是赢得这一领域竞争优势的关键能力。参考文献（精选）
1.Roy ML, Pikal MJ, Rickard EC, Maloney AM. The effects of formulation and moisture on the stability of a freeze-dried monoclonal antibody-vinca conjugate: a test of the WLF glass transition theory. Dev Biol Stand. 1992;74:323-40.
2.Carpenter JF, Pikal MJ, Chang BS, Randolph TW. Rational design of stable lyophilized protein formulations: some practical advice. Pharm Res. 1997;14(8):969-75.
3.Beck A, Goetsch L, Dumontet C, Corvaïa N. Strategies and challenges for the next generation of antibody-drug conjugates. Nat Rev Drug Discov. 2017;16:315-37.
4.Sinharoy P, et al. Perfusion culture mitigates mitochondrial dysfunction-induced glutathione oxidation and ER stress, reducing bispecific antibody aggregation in CHO cells. Sci Rep. 2020.
5.Li L, Back SI, Ma J, Guo Y, Galeandro-Diamant T, Clénet D. Bayesian optimization and machine learning for vaccine formulation development. PLoS One. 2025;20(6):e0324205.
6.Sorret L, Ninomiya M, Hillebrandt N, Schmitt D, Chattopadhyay A, McGarvey O. Antibody-Drug Conjugates Drug Product Formulation and Process Development, Scalability and Stability Considerations. AAPS PharmSciTech. 2026.
7.Wen et al. Analysis of marketed ADCs: lyophilization as preferred commercial presentation. 2025.
8.Ji et al. Formulation strategies for ADCs: lyophilization reducing aggregation and deconjugation. 2025.
9.Ling J, et al. Disaccharides immobilize proteins within a glassy matrix: sugar replacement and matrix vitrification models. 2025.
10.Stamato HJ, Luy B, Plitzko M, et al. AI-Driven Machine Learning Modeling for Process Characterization of Dynamic Freeze Drying (Lyophilization) After Spray Freezing. Chimica Oggi - Chemistry Today. 2025;43.
11.Tsay C, Li Z. Deep neural networks and computer vision for automated classification of lyophilized product vials. 2025.
12.Xue Q, Peng J, Dai W, et al. A biparatopic HER2-targeting ADC constructed via site-specific glycan conjugation exhibits superior stability, safety, and efficacy. RSC Chem Biol. 2025;6(8):1284-1296.
13.Digital Twin Enabled Process Development, Optimization and Control in Lyophilization. Processes. 2024.
14.抗体偶联药物药学研究与评价技术指导原则（征求意见稿）. 中国国家药品监督管理局药品审评中心. 2023.
Walsh G, Walsh E. Biopharmaceutical benchmarks 2022. Nat Biotechnol. 2022;40:1722-60.
