ABS-101 (Absci)

抗体药研发最难的地方，不是找到一个能结合靶点的分子。 难的是把这个分子一步步推过表位、功能、成药性、CMC、毒理、PK、免疫原性和人体临床。 AI 抗体设计也是如此。 模型可以生成序列。 实验可以证明结合。 动物数据可以提示药代和安全性。 但只要没有进入人体，这个分子仍然停留在“有希望”的阶段。 Absci 值得被单独拿出来分析，正在于它把 AI 参与设计的抗体推到了人体临床。 这不是终点。 恰恰是更严格评价的开始。 进入临床以后，一个 AI-designed antibody 不再只接受模型和体外实验的检验，而要面对人体中的安全性、PK、PD、免疫原性、给药便利性，以及后续是否能看到可解释的疗效信号。 这才是 Absci 真正值得看的地方。 它更像一个临床阶段的样本。 一个让我们看清楚：当 AI 抗体设计从“能不能生成”，走到“能不能开发”，行业应该换什么标准来评价它。 在这个样本里，ABS-101 是门票。 ABS-201 是更值得盯住的试金石。 参考资料：Absci 官网把自身定位为 data-first generative AI drug creation company，其 Integrated Drug Creation 平台包含 de novo AI 和 lead optimization models；Origin-1 preprint 披露了 AbsciGen、AbsciDiff、IgDesign2、AbsciBind 等技术框架，但这是 preprint，不能等同于已完成同行评议的临床验证；ABS-101 poster 明确写到 Integrated Drug Creation Platform 和 generative AI models 被用于 desired epitope 抗体设计与 AI-guided lead optimization；ABS-201 case study 与 HEADLINE 试验公告披露了其 anti-PRLR 项目、临床前数据和 Phase 1/2a 终点；2025 全年业绩和 2026 Q1 公告支撑财务、研发费用、亏损和 runway 判断。免责声明本文仅用于产业研究和学习交流，不构成投资建议、医学建议或商业合作建议。 一、Absci 是什么公司：不是纯模型公司，也不是传统抗体 CRO Absci 成立于 2011 年，总部位于美国华盛顿州 Vancouver。 2021 年，Absci 在纳斯达克上市，股票代码 ABSI。 这家公司一开始并不是以“AI 大模型公司”的形象出现。 它早期更接近合成生物学、蛋白表达、细胞系统和生物药发现平台。 后来，Absci 逐步把公司重心转向 generative AI、de novo antibody design 和 Integrated Drug Creation。 这个演变很重要。 因为它决定了 Absci 和很多纯计算公司的不同。 纯模型公司可以主要展示结构预测、序列生成、候选物排序和 benchmark。 Absci 想讲的是另一件事： 用 AI 生成和优化抗体，再通过自有实验系统验证、筛选、迭代，最后把候选分子推向临床资产。 所以，Absci 不是传统抗体 CRO。 传统 CRO 更多按照客户需求提供筛选、表达、抗体工程、CMC 或临床前服务。 Absci 要做的更前端，也更重： 从靶点和表位出发，设计抗体，表达验证，优化成药属性，再选择一部分项目自研或合作推进。 这让 Absci 既有平台公司的想象力，也有临床 biotech 的高风险。 分析它，不能只看模型。 还要看实验闭环、临床资产、合作项目和现金消耗。二、经营情况：它不是轻资产AI 软件公司 很多 AI 制药公司的误读，来自一个错误前提： 把它们当成软件公司。 Absci 不是。 它要维持 AI 团队、湿实验平台、蛋白工程能力、临床前研究、自研管线和临床试验。 这些都需要持续投入。 公开财务数据显示，Absci 2025 年全年收入为 280 万美元，低于 2024 年的 450 万美元。 2025 年研发费用为 8140 万美元，高于 2024 年的 6390 万美元。 2025 年净亏损为 1.152 亿美元。 2026 年第一季度，公司收入为 20 万美元，净亏损约 2960 万美元。 截至 2026 年 3 月 31 日，公司现金、现金等价物和有价证券约 1.257 亿美元。公司称这些资金可支持运营至 2028 年上半年。 这组数字说明，Absci 不是靠稳定服务收入支撑估值的 CRO。 它目前更接近： AI 抗体平台 + 临床资产 + 药企合作 + 资本市场融资 的混合模型。 这个模型有价值。 但不轻。 也不便宜。 它要求公司不断把平台能力转化为临床资产、合作进展或授权价值。 否则，AI 平台叙事就会被临床费用和现金消耗拉回现实。三、Absci 的 AI 技术底座到底是什么？ 从公开资料看，Absci 的 AI 底座不是 AlphaFold2，也不是 AlphaFold3 的简单套用。 更准确地说，它是一套围绕抗体-抗原设计建立的 Integrated Drug Creation Platform。 这套平台包括三层能力。 第一层，是 de novo antibody design。 也就是围绕目标靶点和目标表位，生成新的抗体候选设计。 第二层，是 AI lead optimization。 也就是在早期抗体候选物基础上，继续优化亲和力、功能、特异性、稳定性、表达量、免疫原性风险、半衰期和可生产性。 第三层，是 wet-lab feedback loop。 也就是把模型生成或优化的抗体真正表达出来，用实验验证结合、功能和成药属性，再把数据反馈给模型，进入下一轮迭代。 Absci 目前公开披露最具代表性的技术材料，是 2026 年的 Origin-1 preprint。 Origin-1 不是这篇文章要展开的重点，后面我会单独写。 但在公司分析里，必须知道它代表了 Absci AI 技术底座的方向。 Origin-1 可以简单理解为： 一个用于 de novo antibody design 的生成式 AI 平台，目标是针对没有已公开抗体或蛋白 binder 复合体结构的 zero-prior epitopes，设计 full-length monoclonal antibodies。 它不是单纯的抗体序列语言模型。 也不是把 AlphaFold 预测结果拿来直接筛一下。 它更接近： 抗体-抗原复合体生成 ·CDR 序列设计 ·界面质量打分 ·实验验证 ·lead optimization 公开资料中，Origin-1 涉及 AbsciGen、AbsciDiff、IgDesign2、AbsciBind 等模块。 Absci 的 AI 底座，是“结构约束下的抗体设计 + 打分筛选 + 实验闭环”，而不是单纯生成一串抗体序列。 这决定了它和普通 protein language model 文章不同。 也决定了它和 AlphaFold2/3 的关系。 AlphaFold 系模型解决的是结构预测和复合体建模能力。 Absci 要解决的，是在特定抗原和表位条件下，生成、筛选、优化一个可能成为药物候选物的抗体。 结构预测可以成为工具和参考。 但 Absci 的核心任务不是预测一个已知序列怎么折叠。 而是设计一个原本不存在、同时满足功能和开发要求的抗体分子。 这是两个问题。四、Absci 如何设计抗体：不是一步生成药物，而是多轮筛选和优化 Absci 的抗体设计流程，可以用五步理解。1. 先定义靶点和表位 抗体药研发不是只输入一个靶点名称。 真正决定功能的，是表位。 同一个靶点，不同表位可能产生完全不同的生物学结果。 一个抗体可以结合靶点，却没有功能。 一个抗体也可能因为表位选择不对，产生意外的交联、内吞或安全性问题。 所以，Absci 平台首先要解决的是： 想打哪个靶点？ 希望结合哪个区域？ 目标机制是什么？ 需要阻断、激活、稳定，还是改变受体行为？ 这一步不是模型炫技。 而是药物研发判断。 如果表位和机制判断错了，后面序列生成再漂亮也没有意义。2. 生成抗体候选结构和序列 在定义靶点和表位之后，生成模型会提出一批抗体候选设计。 这里的“生成”，不是随便写出一段氨基酸序列。 更合理的理解是： 围绕抗原表面、预设表位和抗体结构规律，生成可能与目标区域形成结合界面的抗体设计。 这些设计通常涉及 CDR 区域，尤其是决定抗原识别的关键环。 在 Origin-1 的技术框架里，Absci 不是只做序列续写，而是把抗体-抗原复合体结构和 CDR 序列设计放在一起处理。 这也是 Absci 技术底座中最重要的一点。 它要设计的是“能以合理方式结合目标表位的抗体”，而不是“看起来像抗体的序列”。3. 用模型打分筛掉低质量候选 生成模型给出的候选物不会直接进入开发。 还要经过打分和排序。 打分的目的，是判断候选抗体与抗原界面是否合理、结构是否可信、潜在结合模式是否值得实验验证。 在 Origin-1 公开材料里，Absci 使用了类似界面置信度的指标来评估抗体-抗原复合体设计。 这一步非常关键。 因为 AI 生成模型最容易产生的问题，是设计很多“看起来合理但实验不成立”的分子。 打分模型不能保证成功。 但它可以帮助减少明显不值得实验验证的候选物。4. 进入湿实验验证 计算筛选之后，候选抗体必须表达出来。 这一步决定了平台是否落地。 抗体设计最怕纸面漂亮。 能不能表达？ 纯度如何？ 是否聚集？ 是否稳定？ 是否真的结合目标靶点？ 是否有功能活性？ 是否有非特异性结合？ 是否有 developability 风险？ 这些都要靠实验回答。 Absci 的平台价值，很大程度就在这里。 它不是只把 AI 当作生成工具，而是强调 lab-in-the-loop。 模型生成和排序，实验验证和反馈，形成多轮迭代。 如果这个循环足够快、足够稳定，并且能跨靶点复制，就可能成为真正的竞争壁垒。 但目前公开资料还不足以证明它已经在多个临床项目上稳定复制成功。5. 做 lead optimization，而不是停在 binder 早期 binder 不是药。 真正有价值的是 lead optimization。 Absci 披露的平台目标，是在早期就同时考虑多种属性： 亲和力。 功能活性。 特异性。 稳定性。 表达量。 聚集风险。 免疫原性风险。 半衰期。 可生产性。 高浓度制剂潜力。 这些指标比单纯 KD 更接近药物开发真实需求。 这也是 Absci 比普通“AI 生成 binder”更值得研究的地方。 它想证明的不是“我能生成一个能结合的抗体”。 而是“我能更快得到一个接近开发要求的抗体候选物”。五、ABS-101 是如何来的：能写到哪里? ABS-101 是 Absci 的 anti-TL1A 抗体。 TL1A 是炎症免疫领域近几年很热的靶点，尤其与 IBD、炎症和纤维化相关。 这个靶点不缺竞争者。 正因为如此，ABS-101 的价值不能脱离竞争格局来判断。 根据 Absci 公开 poster 和公司披露，ABS-101 是由其 Integrated Drug Creation Platform 参与设计和优化的 anti-TL1A 抗体。 公司称，该平台利用 generative AI models 针对 desired epitopes 设计抗体，并通过 AI-guided lead optimization，目标是实现更优 target product profile。 这些优化目标包括： 降低免疫原性风险。 结合 TL1A monomer 和 trimer。 提高亲和力和细胞活性。 改善 developability。 具备 NHP 交叉反应性。 支持较长半衰期和潜在较低给药频率。 公开资料并没有完整披露 ABS-101 的全流程。 例如： 它是否完全由 Origin-1 从 zero-prior epitope 生成？ 初始输入表位具体是什么？ 模型生成了多少个结构和序列？ 实验验证了多少个？ 命中率是多少？ 从 lead 到 ABS-101 经过几轮优化？ 哪些模型参与了最后筛选？ 是否有抗体-抗原复合体结构验证？ 这些关键细节公开资料不足以完整回答。 所以，更严谨的说法是： ABS-101 是 Absci 公开披露的 AI-designed / AI-optimized anti-TL1A 临床资产，说明公司已将 AI 参与设计和优化的抗体推进到人体 Phase 1；但公开资料尚不足以复盘其完整生成路径。 ABS-101 的意义，主要是临床进入。 它让 Absci 拿到一张门票。 它说明 Absci 的平台不只停留在体外验证。 但 Phase 1 首先看安全性、耐受性、PK、PD 和免疫原性。 它不能直接证明 IBD 患者疗效。 更重要的是，Absci 后续并没有选择内部继续推进 ABS-101 的 later-stage development，而是探索合作和授权机会。 这说明 ABS-101 对 Absci 的意义，更像平台进入临床的证据，而不是公司当前最核心的自研资产。六、ABS-201 为什么更值得盯住 ABS-201 是 Absci 当前更值得关注的项目。 它是 anti-PRLR 抗体，开发方向是 androgenetic alopecia，也就是雄激素性脱发。 PRLR 不是一个常规的皮肤科小分子靶点。 用抗体阻断 PRLR 来影响毛发生长，本身就带有较强机制和产品形态上的差异化。 Absci 公司材料称，ABS-201 是 AI-designed anti-PRLR antibody，并在临床前研究中显示高亲和力和 potency、较好的安全性和免疫原性预期、延长半衰期、较好 developability 和 manufacturability，以及小鼠短期毛发生长模型中的早期疗效信号。 公司还披露过 NHP PK 数据，称 ABS-201 相比 HMI-115 具有更长半衰期，并有较高生物利用度。 这些都是公司披露层面的积极信息。 但它们仍然不是临床疗效结论。 ABS-201 的关键，在于它已经进入 Phase 1/2a HEADLINE 试验。 这个试验主要终点仍然是安全性和耐受性。 但它也会观察 PK、PD、免疫原性，以及毛发生长相关读出。 这让 ABS-201 比 ABS-101 更接近临床资产价值的核心判断。 因为它不仅要回答： 能不能进人体？ 还要开始回答： 能不能在目标人群中看到可解释的药理和疗效信号？ 如果 ABS-201 在安全性、PK、免疫原性和毛发生长相关指标上给出一致、可解释、剂量相关的信号，Absci 的平台叙事会明显增强。 但如果数据不理想，也不能简单说 AI 抗体设计失败。 临床结果可能来自很多因素： 靶点生物学。 疾病机制。 剂量选择。 组织暴露。 终点设计。 人群选择。 分子属性。 免疫原性。 CMC 和制剂。 所以，ABS-201 是试金石。 不是因为一个项目能定义整个 AI 抗体行业。 而是因为它会把 Absci 从平台表述推到人体数据面前。七、Absci 已经给出了哪些证据 Absci 已经提供了四类证据。 第一，是平台和实验基础设施。 它不是只有模型展示。 它有实验设施，有研发团队，有上市公司披露，有自研项目，也有药企合作。 第二，是技术路线的公开材料。 Origin-1 preprint 让外界第一次比较系统地看到 Absci 的 de novo antibody design 技术框架。 虽然它还是 preprint，并非正式同行评议论文，但它至少让 Absci 的技术底座不再只是公司官网表述。 第三，是临床进入。 ABS-101 和 ABS-201 说明 Absci 已经把 AI 参与设计和优化的抗体推进到人体早期临床。 这一步很重要。 因为它让 Absci 不再只是体外验证平台。 第四，是药企合作。 Almirall、AstraZeneca、Merck 等合作说明，外部药企愿意以阶段性方式测试 Absci 平台能力。 但合作本身不是最终验证。 潜在 milestone 不是已经实现的收入。 真正要看的是： 合作项目有没有推进？ 有没有进入 lead optimization？ 有没有进入 IND-enabling？ 有没有触发 milestone？ 有没有成为合作方真实管线的一部分？ 这些才是平台商业价值的关键。八、Absci 还没有证明什么 Absci 没有证明 AI 抗体设计已经提高临床成功率。 进入 Phase 1，不等于提高 Phase 2 或 Phase 3 成功率。 Absci 没有证明平台可以稳定复制临床资产。 一个项目进入临床，不代表平台能持续产生多个高质量临床候选物。 Absci 也没有证明 AI 路径已经明显优于传统抗体发现路径。 传统 phage display、hybridoma、single B cell、yeast display、结构设计和蛋白工程仍然非常强。 AI 要证明的不是“我也能找到抗体”。 而是： 我能更快找到。 更少试错。 更早规避成药性风险。 更容易打到困难表位。 更可能产生传统方法不容易得到的差异化分子。 Absci 还没有证明合作金额能够转化为真实商业价值。 AI 制药合作常常披露 “up to” 金额。 但 potential milestone 不是现金。 真正的商业价值来自项目推进、里程碑触发、授权收入、临床进展和最终产品价值。 这些都需要时间。九、药企为什么还愿意合作：买的不是概念，而是技术期权 药企不会因为一家平台公司会讲 AI，就把核心研发风险全部交出去。 药企与 Absci 这类公司合作，本质上是在购买一个阶段性技术期权。 它们真正想验证的是几件事。 第一，AI 是否能打到传统方法不容易得到的表位。 第二，AI 是否能减少早期试错。 第三，AI 是否能在亲和力之外，同时优化特异性、表达量、稳定性、免疫原性和可生产性。 第四，平台是否能交付可继续推进的 lead，而不是只给一批 binder。 第五，合作项目是否能进入更深阶段，甚至成为真实管线。 所以，看 Absci 的合作，不能只看合作方名单。 也不能只看潜在金额。 要看后续推进。 要看里程碑。 要看合作方是否继续投入资源。 要看项目是否真正进入开发包。 这才是药企 BD 视角下更重要的指标。 如果合作收入、授权收入或资本市场融资不能跟上，就会形成压力。 第四，平台外推风险。 一个项目进入临床，不等于平台可复制。 一个项目数据积极，也不能立刻证明所有靶点都适用。 一个项目数据不理想，也不能直接否定整个 AI 抗体设计路线。 Absci 的核心问题，最终会回到一句话： 它能否持续产生多个可开发、可验证、可合作、可临床推进的抗体资产？ 十、结尾：Absci 不是答案，但它把问题推到了临床数据面前 Absci 不是 AI 抗体设计的最终答案。 它也不是一个可以简单贴上泡沫标签的公司。 它更像 AI 制药进入临床验证阶段后的一个典型样本。 它有平台，有实验闭环，有药企合作，有上市公司披露，也有自研临床资产。 同时，它也有亏损、融资压力、临床不确定性和平台外推风险。 这才是今天 AI 制药最真实的状态。 模型很重要。 但模型之外，药物研发还有表位、功能、CMC、毒理、PK、免疫原性、临床终点、监管路径和商业竞争。 ABS-101 让 Absci 进入人体临床。 ABS-201 将决定外界如何重新评估它的平台叙事和资产价值。 如果 ABS-201 给出清晰、可解释的人体信号，Absci 会成为 AI 抗体设计行业的重要参照。 如果数据不理想，也不能简单说 AI 抗体设计失败。 药物研发从来不是单变量实验。 但无论结果如何，Absci 已经让行业必须面对一个更严肃的问题： AI 抗体设计不能永远停留在生成、结合和体外验证。 它必须走向临床。 也必须接受临床数据的检验。 这才是 Absci 真正值得写的地方。 如果你希望进一步系统理解 AI 抗体设计公司如何尽调，我会在知识星球继续拆解： 《AI 抗体设计公司拆解：Nabla Bio、Absci、Biolojic Design、BigHat、LabGenius 对比》 《从 binder 到 drug candidate：AI 大分子药物设计的真实边界》 《AI 制药 BD 尽调清单：如何判断一家 AI 抗体公司的平台是否真实》 《Origin-1 论文精读：Absci 的 de novo antibody design 到底证明了什么》 关注「新叶AI智药」.一起看清 AI 制药从概念走向验证的真实路径