IBI3020

摘要 抗体-药物偶联物（ADCs）是一类快速扩展的靶向癌症治疗药物，结合了单克隆抗体的高选择性与小分子药物强效的细胞毒性活性。其临床成功依赖于同时优化多个相互依赖参数，包括抗原选择、抗体工程、连接化学和载荷药理学，这限制了传统经验方法的有效性。在此背景下，人工智能（AI）和计算生物物理学的最新进展正在改变ADC的理性设计。人工智能能够大规模整合基因组学、转录组学和蛋白质组学数据，识别具有肿瘤选择性、表面可及的抗原，并支持患者分层策略。深度学习模型通过预测结构、亲和力、稳定性和可开发性来提升抗体工程，而生成算法则加速亲和力成熟和特异性优化。连接子设计和共轭位点的计算预测提升了血浆稳定性、有效载荷释放控制和药物抗体比，而基于图的神经网络则有助于选择和优化具有良好效力、膜通透性和旁观者效应的细胞毒性有效载荷。互补的分子动力学模拟为抗体构象、连接子柔韧性和载荷相互作用提供了原子学的洞见，使得对ADC的稳定性和功能机制有更深入的理解。在转化层面，基于生理学的混合药代动力学-人工智能模型和数字孪生模拟实现了肿瘤穿透、全身暴露和安全性的虚拟评估，最终支持剂量优化和更高效的临床开发。虽然本综述特别强调这些方法在肿瘤学中的应用，但也讨论了癌症之外的新兴ADC策略——包括自身免疫疾病、神经退行性疾病、心血管疾病和代谢疾病。这些计算策略共同代表了机器智能与分子生物学的融合，有望从根本上改变ADC的发展，推动肿瘤及更广泛领域更安全、更精准、更有效的治疗。 简介 抗体-药物偶联物（ADCs）代表了一类快速发展的靶向治疗药物，正在重塑肿瘤学格局。( 1,2)其基本概念看似简单：针对肿瘤相关抗原的单克隆抗体被用来选择性地将高效细胞毒性药物输送到恶性细胞，从而扩大了如果系统性使用相同载荷时，治疗窗口将极其狭窄。(1)在实践中，治疗活性依赖于延长递送级联反应的成功完成——抗原在细胞表面的结合、内化和细胞内运输、连接蛋白切割或抗体分解、载荷释放到细胞质中，以及对于膜通透载荷，扩散到邻近抗原阴性细胞——每一步都可能独立失败。( 3,4)这一概念的临床实现过程较为漫长。原始提案与首次批准相隔数十年，早期药物受限于不稳定的连接剂、异相轭和靶向外毒性。(2)后续几代人通过特定部位结合、更稳定的可切割化学、受控药物抗体比（DAR）以及具有独特作用机制的载荷，解决了这些缺陷，最终催生了重新定义多种肿瘤类型治疗标准的药物。(3)这一代人还推翻了曾被视为既定的假设，尤其是高抗原表达的需求，此前曲妥珠单抗德鲁司坦在HER2低和超低肝炎病中的活性已被证明。( 4,5)这质疑了ADC主要作用机制是通过改善治疗窗口的假设。(6) 因此，该油田进入了快速扩张阶段。血液学和实体肿瘤领域的一系列监管批准、包含数百候选药物的临床前和临床管线、预计到2028年将超过300亿美元的全球市场，以及总额超过100亿美元的个人许可交易，都凸显了该疗法的临床和商业动力。( 1,2)设计策略并行多样化，包括双特异性构造结合两种抗原或同一抗原的两个表位、旨在预防耐药性的双载荷结构、如PD-L1等免疫调节靶点，以及利用肿瘤微环境中蛋白水解活性的非内化设计。( 4,7,8)然而，流失率依然很高，原因更多是结构性的，而非偶然的。理性ADC设计需要靶点生物学、蛋白质工程、药物化学和药理学的协调整合，最佳构造仅通过同时选择合适的抗原、微调抗体亲和力和内化动力学、结合血浆稳定性与高效细胞内切割的连接子工程，以及具备亚纳摩尔效力和充分物理化学特性的载荷的整合而产生。( 3,4)这些参数相互依赖，每一个设计决策都涉及在组合参数空间中效率、安全性和制造性之间权衡，而经验式的逐组件优化无法实际覆盖这些空间。(8)剂量限制性毒性通常被证明是有效载荷介导且抗原非依赖性的，因此靶点中心的临床前策略预测较差。(9) 正是在这样的背景下，人工智能（AI）和计算生物物理学开始改变设计范式。( 6,7)通过将多组学数据集与历史实验结果整合，机器学习模型可以简化目标优先级排序并支持患者分层;蛋白质语言模型和结构预测框架为抗体工程、可开发性评估和链-有效载荷配对提供参考;生成式架构现在提出候选序列和分子，而不仅仅是对现有序列进行排序。( 6,7,8)作为这些数据驱动方法的补充，基于物理的仿真提供了对抗体构象、结合位点可及性、连接子灵活性和有效载荷相互作用的原子层洞察，无需依赖训练数据，因此在策划数据集稀少的领域尤为重要。(10)在转化层面，基于生理学的混合药代动力学-人工智能模型和数字孪生模拟支持肿瘤穿透、全身暴露和毒性的虚拟评估，支持剂量优化和更高效的试验设计。(11)这些方法合起来有潜力缩短开发周期、降低成本，同时提升设计精度和转化成功率，从而减少ADC开发中高流失的特征。( 6,9)但仍有重要的注意事项，包括训练数据稀疏且不平衡、可解释性有限、校准不佳以及几乎缺乏前瞻性验证。 在本综述中，我们探讨了计算和人工智能驱动方法如何应用于ADC工程设计的每个关键组成部分，重点介绍了最新发展以及来自学术界和工业界的实际案例。我们从抗原发现开始，涵盖从集成的表面组和多组数据中识别靶点、肿瘤异质性、表位定位、抗原内化以及新抗原预测。随后，我们关注AI增强抗体设计，包括亲和力成熟、特异性优化和可开发性，随后是连接子设计与结合位点工程，以及在效力、疏水性、旁观者活性和双有效载荷组合方面的有效载荷优化。专门一节讨论基于物理的计算框架及其与机器学习的互补性。随后，我们讨论了疗效与安全性的预测，涵盖基于生理学的药代动力学（PBPK）建模、肿瘤穿透、毒性预测和数字孪生试验，并分别关注耐药性和时间动态，这两者是该领域最具影响力且未被探索的计算前沿。最后，我们考察了肿瘤学以外新兴的ADC应用，并批判性评估了决定这些计算工程策略是否实现转化潜力的局限性、验证要求和监管考量。 抗原发现的人工智能目标识别 识别一种在癌细胞上表达较高、在正常组织中表达极少的肿瘤抗原，是ADC开发的关键第一步。( 12,13)人工智能可通过整合大规模多组学数据集，系统地识别和优先排序候选靶点，速度和精度超越传统方法。(14,15,16)候选抗原根据表达差异、组织特异性和细胞表面定位进行排序，以最大化肿瘤选择性。(15,17,18) 还可以整合的其他参数包括空间转录组学、功能基因组学（如基因集富集分析）、单细胞测序以及患者结局或治疗反应的临床数据(19)（图。1）You等人报告了一篇关于不同方法论的优秀综述。(17)后续还可以加入其他参数，如糖基化模式、内化和/或细胞外暴露靶抗原的降解，以改善ADC靶的选择。现有计算框架还支持蛋白质降解速率、循环动力学和受体周转数据的整合，进一步优化具有有利抗原动力学的ADC靶点优先排序。( 20,21) 纯转录组学方法的一个关键局限是mRNA丰度与实际细胞表面蛋白质密度之间的不完全相关性，而实际密度是直接决定ADC结合和内化效率的参数。( 22,23)基于质谱的表面蛋白质组学，包括细胞表面捕获（CSC）技术和近距离标记策略，如TurboID和APEX2，能够直接定量活肿瘤细胞质膜上的糖蛋白，提供仅靠RNA数据无法获得的拷贝数估计。( 24,25)将这些蛋白质组数据集与转录组和基因组资源整合——如涵盖41种人类细胞类型的细胞表面蛋白图谱（CSPA）所示——能够系统识别具有明确表面定位且肿瘤与正常组织表达差异高的靶点。(24)微尺度表面蛋白质组学的最新进展进一步将该方法扩展至冷冻保存的初级患者样本和低输入临床材料，促进了从发现直接转化为患者层面靶点验证。(26)这些正交数据集共同增强了目标优先级框架，通过基于测量到的蛋白质丰度而非推断表达来选择候选。 作为计算机计算策略的概念验证，研究人员分析了KRAS的表面组(G12C)-突变非小细胞肺（NSCLC）腺癌，并鉴定出具有治疗潜力的细胞表面蛋白作为新型抗体靶点。(27)这种策略也被用于识别乳腺癌中的CAR-T和ADC靶点。(28)这些数据可指导ADC靶点的选择，并指导个别ADC候选者的适应症优先排序和临床开发策略。与此相关，抗HER3 ADC patritumab deruxtecan（HER3-DXd）目前正在临床开发中，针对表皮生长因子受体（EGFR）酪氨酸激酶抑制剂治疗后病情进展的EGFR突变NSCLC患者。(29)对患者数据的经典计算机评估确认该患者群体中存在HER3。(30)临床前体内模型显示对抗HER3 ADC具有显著敏感性，凸显了该治疗方法的转化潜力。( 31,32)本例展示了更广泛的转化范式：计算表面组剖析识别候选靶点，临床前计算机验证确认生物学理据，临床开发随后由生物标志物丰富的患者选择策略指导。值得注意的是，该策略基于存在生物标志物相关性，这些相关性需要在前瞻性研究中验证才能临床实施。 除了表达式层面的标准外，目标优先级还必须考虑直接调制ADC传递的功能特性。抗原脱落——即蛋白酶解释放外质域到胞外空间——产生可溶诱饵分子，能够在循环中的ADC到达肿瘤细胞前将其隔离，从而减少有效的肿瘤暴露。(33)数学建模表明，脱落的影响取决于具体情境。(34)集成脱落率、受体周转和拷贝数数据的AI驱动框架，可以优化候选目标的排序，超越静态表达指标。 同样重要的是抗体中靶向药物的概念：并非所有表达差异的表面蛋白都呈现出可访问且高置信度的抗体结合表位。糖基化、糖球体的空间屏蔽、靠近膜的距离以及蛋白质拥挤，都可能掩盖肿瘤微环境中潜在的结合位点。(35)AlphaFold3凭借其扩展的糖基化蛋白和蛋白-配体复合物建模能力，现已实现在翻译后修饰背景下对表位可及性的计算预测，提供了在实验活动启动前更真实的抗体参与度评估。( 36,37)然而，当前的AI预测模型仍主要基于未修饰的蛋白质结构训练，且在系统性捕捉糖链微异质如何动态屏蔽表位方面能力有限，而这仍是未来发展的重要领域。(37) 表面组受体的同时表达传统上通过转录组分析评估，如对非小细胞肺癌中EGFR和MET共表达的研究所示。(38)同样，EGFR和c-MET常在多种实体肿瘤中共表达——包括结直肠癌、胃癌、食管癌和头颈癌——这种共表达模式直接指导了双特异性抗性药物的合理发展，如PRO1286，设计用来同时作用两种受体并克服对EGFR单药的耐药性，以及SDP01873，将c-Met与HER3配对治疗EGFR酪氨酸激酶耐药性疾病。( 39,40)人工智能能够快速且大规模地探究受体共表达模式，揭示临床上可操作的靶点组合。通过识别共表达或功能协同抗原，这些方法为双特异性抗体的合理设计提供参考，指导其同时靶向膜蛋白及其他多靶向治疗策略。(41)此类策略有望增强治疗效果，类似于共靶向PD-L1和血管内皮生长因子受体（VEGFR）所观察到的临床益处。(42)此外，在靶向PD-L1的ADC中，也观察到以免疫调节受体为基础开发ADCs。例如，PDL1V（PF-08046054）是一种基于维多汀的ADC目标PD-L1，已进入NSCLC的第一阶段。(43)同样，HLX43正在一项涵盖多种实体肿瘤类型的一期临床研究中进行评估。(44) 新型表面组靶点的鉴定也为开发能够同时作用两种不同肿瘤表位、避免肿瘤异质性限制的双特异性抗体奠定了基础。( 45,46)这些分子正日益进入临床开发阶段，代表了下一代ADC的有前景平台。如表2所示，大多数构造体设计为共同靶向肿瘤相关抗原，HER2和EGFR成为最常用靶点，其次是HER3和TROP2——反映其在实体肿瘤中的高普遍性及其在ADC发育中的相关性。在已进入临床评估的候选抗原中，代表性的抗原组合包括EGFR×HER3（BL-B01D1）、双标位HER2×HER2构造（ZW49和MEDI4276）以及TROP2×HER3（JSKN016）。(46)这些双特异性ADCs（bsADCs）通常包含细胞毒性载荷，如微管抑制剂（如奥利抑素、团溶素、美坦西诺类）或拓扑异构酶I抑制剂，通常通过可切割连接子连接，药物与抗体比（DAR）通常在2–8之间。(46) 目前已有多个bsADC候选药物进入临床开发后期阶段，izalontamab brengitecan于2026年成为首个获得监管批准的双特异ADC，尽管大多数项目仍处于早期临床或临床前阶段。除了肿瘤-抗原双重靶向外，新兴设计策略还包括内化受体、肿瘤微环境相关靶点或免疫相关分子，以增强肿瘤选择性、细胞摄取和免疫参与。(47)这些方法共同凸显了bsADC设计环境的快速扩展和日益复杂的发展。 目前用于靶点识别的人工智能框架主要在有限的肿瘤类型上训练和验证，尤其是乳腺癌、非小细胞肺癌（NSCLC）和血液恶性肿瘤，这引发了对其在抗原地形独特肿瘤环境中的泛化性质疑问——如胰腺癌、结直肠癌或训练数据稀少的罕见癌症。(9,48 )泛癌表面组图谱结合肿瘤类型特异性分子特征，可以扩展这些模型的适用范围，揭示癌症谱系间的共同脆弱性。构建跨组织学和地理患者群体的互操作多组学数据集对于避免模型偏向代表性较强的癌症类型至关重要。(49) 靶点选择中另一个未被充分探讨的维度是抗性的预期。功能上至关重要的靶点——即其丧失会对肿瘤细胞产生适应度成本——相比可替代的表面蛋白更不易作为获得性抵抗机制被下调。将功能基因组学数据（如基于CRISPR的本质性筛选和依赖图谱）整合进靶点优先排序工作流程的AI方法，可以识别出具有良好表达特征和低耐药潜力的抗原，从而选择更有可能持续临床活性的靶点。(50)将耐药知情逻辑纳入靶点选择的早期阶段，代表了超越纯表达标准的概念进步，预计将提升临床反应的耐久性。肿瘤异质性 肿瘤异质性依然是靶向治疗（包括ADC）持久反应的主要障碍，尽管某些ADC具有旁观者特性。( 51,52)肿瘤内抗原表达的差异有助于克隆逃脱并推动治疗耐药性。( 51,53)AI通过利用大规模转录组或单细胞RNA测序（scRNA-seq）数据集，在不同患者群体中以单细胞分辨率绘制组织组织学和抗原分布图谱，为这一挑战提供了可扩展的解决方案。人工智能算法可以评估靶抗原在肿瘤内是否表现得足够均匀且稳健，以支持ADC的开发，同时识别具有不同表达谱或分子脆弱性的次要亚群。(54,55,56,57) 例如，Lareau 等人。(58)建议利用单细胞基因组图谱以数据驱动的方式绘制所有人类细胞类型的抗原表达，从而在临床测试前系统性降低ADC靶点的风险;基于此，Nix等人说：(59)证明scRNA-seq在解析肿瘤内抗原共表达模式方面优于整体RNA-seq和免疫组化，便于多靶向策略（如双特异性ADC）的最佳TAA组合的鉴定。 这些见解可指导患者分层策略，指导伴随诊断的发展，优先考虑临床效益最可能的靶点，并可能基于组织图像选择最佳治疗方案。( 60,61)此外，人工智能驱动的模型，包括深度学习架构，能够预测疾病进展或治疗压力下抗原表达的时间变化，从而设计旨在减轻耐药性的治疗策略。例如，Cheng 等人。(62)开发了PROFET，这是一种深度学习框架，能够从纵向scRNA-seq数据重建连续基因表达轨迹，从而预测治疗压力引起的细胞状态转变和表型变化——识别出耐药亚群中表面标记变化，这些变化在静态转录组快照中难以察觉。在这种计算方法的补充下，临床证据已证明这些预测具有功能相关性：T-DXd治疗下的HER2抗原下调已被证明介导获得性耐药性，随后可通过切换到共享同一载荷的TROP2导向ADC来克服抗药性——说明预判时间抗原变化如何直接指导抗药性缓解治疗测序策略。(63)最后，肿瘤抗原表达的异质性可以通过AI识别，针对不同表达抗原组细胞的联合疗法可以作为bsADC开发的基础。尽管取得了这些进展，但需要认识到，这些方法仍处于研究阶段，尚未系统地整合进目标识别流程。针对抗体识别的最佳表位绘制图谱 理性抗体设计高度依赖于识别可及的表位。(10)为此，计算机应用中可以使用AlphaFold等工具生成目标蛋白外域的高信度结构模型。(64)此外，暴露区域还可以通过PyMOL、ChimeraX或Mol*在分子层面进行研究和可视化，结合溶剂可及表面积（SASA）等定量指标。(65,66,67)通过每残基置信度评分（pLDDT）进一步评估候选表位的结构稳定性，以及肿瘤和正常组织间的序列保守性，以确保结合特异性和临床可迁移性。(64)这些研究有助于识别可能产生抗体反应的抗原表位。然而，抗原的三级结构在许多情况下对产生蛋白质抗体至关重要，但短蛋白序列可能不易复制。此外，暴露于抗原表面的某一区域并不保证其可及性或抗原性，这需要实验室确认。值得注意的是，尽管这些方法在当前抗原选择方法中被广泛整合，但尚未报告独特的计算特异性框架。抗原内化 另一个可能限制ADC疗效的因素是抗原靶的内化，尤其是在与ADC结合后。大多数ADC依赖于ADC抗原靶点的内化，以获得抗肿瘤疗效，但也有少数例外。其中一种是表现出酸敏感连接子的ADC。这些ADC可能在细胞内的酸性区室（如溶酶体）中释放载荷，也可能在细胞外培养基中释放，前提是后者足够酸性，如氧合不足的肿瘤区域。(68) 抗体诱导内吞的预测模型目前仍有限，目前处于研究阶段。实验检测仍是评估抗体接合后受体内化的黄金标准。然而，现有文献训练出的新兴机器学习（ML）方法提供了有前景的替代方案。这些模型利用蛋白质类别、运输基序和内吞行为等特性，整合UniProt、SurfaceomeDB和细胞表面蛋白图谱等资源的数据，结合结构建模和分子动力学（MD）模拟，预测内吞潜力。(69,70,71)虽然抗原的内化似乎是ADC作用的重要组成部分，但值得注意的是，大多数膜蛋白会进行内化。(72)此外，ADC在低抗原表达环境中的临床疗效，如曲妥珠单抗-deruxtecan（T-DXd）的情况，(5)在概念上挑战了抗原介导的ADC内化在ADC抗肿瘤作用中的价值。 T-DXd在HER2低和HER2阴性环境中的疗效机制已被明确阐明：有报道指出，这些情境下的抗肿瘤活性主要由肿瘤微环境中的细胞外蛋白酶介导——尤其是cathepsin L（CTSL）——这些蛋白酶在细胞外切割四肽连接子，释放膜通透性DXd载荷，使其扩散到周围肿瘤细胞中，独立于受体结合或内吞。(73)这种细胞外蛋白酶依赖机制在计算上可操作：空间蛋白质组学和转录组模型可用于绘制CTSL在肿瘤微环境中的表达，并将其整合进ADC分布模拟，为预测旁观者疗效（根据肿瘤蛋白酶景观）提供了机制基础——这是静态内化模型无法捕捉的ADC药理学维度。(73) 抗体内化是ADC疗效的关键决定因素，但仅靠结合亲和力无法预测，因为它依赖于控制胞吞作用的动态抗体-受体相互作用。包括分子动力学模拟在内的计算方法已证明，具有适中结合能和灵活相互作用谱的抗体能促进受体聚集和高效内化，而过高亲和力结合则可能通过限制膜运输所需的构象重排而损害摄取。( 11,55)此外，多价结合增强受体交联，稳定复合物，并促进胞吞所需的膜变形。(75) 另一个临床上至关重要的下游步骤是溶酶体有效载荷向细胞质的输出，该过程由特定的溶酶体膜转运蛋白介导，对于携带不可切割连接体的ADC尤为重要。SLC46A3是一种质子偶联的溶酶体膜转运蛋白，已被确认是溶酶体蛋白酶解T-DM1后梅坦辛诺类分解物细胞质易位的关键;SLC46A3表达丧失会导致溶酶体载荷封存并显著降低细胞毒性，并已被验证为多种肿瘤类型和靶点（包括HER2、EPHA2和BCMA）中对不可切割ADC先天和后天抗性机制。( 76,77)与此一致的是，溶酶体蛋白酶活性降低——通过降低卡蒂普酶表达或通过V-ATP酶下调抑制溶酶体酸化——已被证明是T-DM1抵抗的独立机制，阻止活性DM1分解物Lys-SMCC-DM1从溶酶体蛋白水解中释放，从而消除细胞毒性载荷传递到细胞质。( 78,79) 这些计算预测已经过实验验证，支持其在指导抗体设计以提升细胞摄取和ADC性能方面的实用性。重要的是，最优内化必须与连接体和载荷设计结合考量：可切割连接体应确保血浆稳定性，同时促进高效细胞内释放，且有效载荷物理化学特性，尤其是疏水性，必须谨慎平衡，以避免非特异性抗体相互作用、抗原结合减少和有效载荷可及性受损。(11)综合来看，这些发现强调了高效的ADC功能源于动态抗体结合、受体生物学以及优化的连接-有效载荷组合的整合，确保受控释放、最小的空间阻碍和持续的靶点结合。新抗原预测 除了典型的表面蛋白，AI还可用于预测新抗原，即由肿瘤特异性突变衍生的肽，呈现在主要组织相容性复合体（MHC）分子上。(80)虽然新抗原主要在癌症疫苗和T细胞疗法中被探索，但类似的AI驱动策略可以帮助识别癌症特有标志物，引导ADC开发，靶向暴露新抗原的细胞。(81)某些模型，如NetMHCpan-4.1、MHC flurry和ImmuneApp，现已能够快速预测肽-MHC结合及免疫原性，显著加速了肿瘤专属表位的发现，这些表位可被用于抗体基或双特异性ADC策略。(82,83,84)最新综述强调，结合免疫基因组学方法（利用NGS衍生的肽群预测HLA结合）与免疫肽学策略（MHC结合肽的质谱验证）为将计算预测转化为治疗应用提供了有力的框架。(85)重要的是，这一概念已在临床上取得进展，一些公司开发了针对患者特异性新抗原的TCR分离和工程化平台，直接将这些预测策略应用于细胞治疗流程。(86)虽然主要聚焦于T细胞治疗，但这些方法展示了新抗原来源表位如何被用来设计下一代ADC或双特异性构造，拓宽了可操作的领域，超越了传统表面组靶点。人工智能增强抗体设计 一旦选定了靶抗原，下一个挑战是设计一种能够高亲和力和特异性结合靶点，同时又稳定且可制造的抗体（见图）。2）有一篇描述提高特异性方法的文章在其他地方有报道。(10)在传统抗体开发中，优化抗体通常需要反复进行诱变和实验筛选（例如平移显示文库），这些筛选只采样极小部分可能的变异。(10)基于AI的方法训练于庞大的抗体序列和结构数据集，包括RESP、AntBO和IgCraft，RF扩散能够预测残基突变，提升结合亲和力、特异性、稳定性、溶解度和低免疫原性，在某些情况下还能生成全新的抗体设计，实现单一建模框架的优化。(87,88,89)下面，我们将介绍抗体工程中的关键方法。亲和成熟与特异性优化 人工智能驱动的生成建模正在改变抗体互补性决定区域（CDR）的工程设计，以增强结合亲和力和特异性。生成架构，包括变分自编码器（VAE）、生成对抗网络（GAN）和基于变换器的蛋白质语言模型，都通过大规模抗体-抗原复合物数据集训练，学习与高亲和力结合相关的序列特征。(19)这些模型可以提出新的CDR变异，预测能在保持结构兼容性和发育性的同时改善抗原结合。实现高特异性在抗体开发中同样至关重要，因为非靶点结合和多特异性仍是关键缺陷。机器学习的最新进展使得特异性序列决定因素的解码成为可能，提供了减少非特异性相互作用的策略。例如，训练在重链可变区域序列上的神经网络成功预测了多特异性。(87)基于此，Makowski等人开发了训练于深序列CDR突变的emibetuzumab文库上的分类器，这些分类器超越了训练集，识别出同时提升特异性和保持亲和力的突变。( 88,90) 虽然上述方法侧重于优化现有CDR序列，但最近出现了一个概念上独特且更具雄心的范式：全新生成全抗体支架，完全从零开始针对用户指定的表位，不依赖已有的结合支架。RFdiffusion是一种基于扩散的深度学习模型，最初为通用蛋白质设计开发，经过数千个抗体-抗原复合物的微调，设计出具有与所选表位固有形状互补性的新型CDR环路。Bennett等人结合RF扩散主链生成、ProteinMPNN序列设计和酵母显示筛选，以低温电子显微镜确认的原子级精度，证明了结合疾病相关表位（包括流感血凝素和艰难梭菌毒素B）的VHHs、scFvs和全抗体的新生成能力。(89)这项工作确立了人工智能引导设计至少在特定情况下可以绕过免疫接种或随机文库筛选的需求，这对ADC开发来说具有潜在的变革性进展，因为精确表位定位是前提。主动学习框架如ALLM-Ab将精细调优的蛋白质语言模型与多目标优化相结合，同时提升结合亲和力和开发性，性能以深度突变扫描数据集为基准，建立可扩展的计算-实验循环以实现迭代抗体工程。(91) 利用AlphaFold2、基于Rosetta的管道以及ESMFold等语言模型预测器创建的先进模型，现在可以稳健地建模Fab结构域，在许多情况下还能模拟其与抗原的复合物。(36,64,90)这些工具使结合几何结构、界面互补性和低置信度预测（如每残基pLDDT分数）的区域可视化成为可能，指导靶向诱变和序列重设计。近年来，HelixFold-Multimer 表现优于以往框架，提供了更精细的表位定义和结构洞察。(92)此外，Meta的ESMFold支持快速Fab结构预测，提供适合大规模结构筛查的置信估计。(90)这些策略共同使得计算机模拟探索CDR变异，以优化亲和力和特异性，有效加速抗体设计，为实验测试做准备。 一个之前框架未被实现的重要进展是AlphaFold3（AF3），它通过采用基于扩散的生成架构扩展了前身，能够建模不仅能模拟蛋白质-蛋白质界面，还能模拟涉及糖链、小分子和离子的复合物。(70)对于亲和力成熟和ADC相关抗体设计，AF3提升了糖基化抗原表位建模能力，预测靶标翻译后修饰如何影响抗体结合，并评估抗体-连接蛋白-抗原界面的结构兼容性。然而，需要注意的是，AF3仍难以捕捉糖链微异质性和动态屏蔽效应，其随机采样特性意味着抗体-抗原对接的可靠表现通常需要多次独立运行，而非单一预测。(93)当采样足够时，近原生复数预测的成功率显著提高，但这种计算开销仍是大规模筛查活动的实际限制。 在ADC的背景下，多特异性的重要性不仅限于一般治疗安全性：非靶向结合正常组织上表达的抗原可能导致细胞毒性载荷直接传递到健康细胞——这比非结合抗体的风险明显更高。因此，计算评估与正常组织抗原的交叉反应性必须整合进亲和力成熟工作流程，不仅作为后选筛选，更作为同时设计目标。在物种-正源和旁系同源数据集上训练的AI模型可以标记候选CDR变异，这些变异在提升肿瘤抗原亲和力的同时，意外获得与非靶蛋白结构相关表位的结合。(94)此外，AI引导图像分析还能识别细微的结构基序——包括糖基化模式和受体聚集结构域——这些基序将肿瘤特异性抗原构象与正常组织对应物区分开来，为界面层面的特异性工程提供结构基础。(95)特异性优化维度——区分肿瘤表达蛋白构象与正常组织表达蛋白构象——对于正常组织表达低但非零的抗原尤为重要，这构成了目前大多数ADC靶点。 鉴于靶点鉴定部分讨论的双特异性ADC（bsADCs）日益普及，值得注意的是，双特异性抗体工程的计算工具面临的挑战远超单一特异优化。在单一支架上设计两个功能结合臂需要同时优化两个不同的CDR集合，管理跨臂的VH–VL配对偏好，并避免可能影响结合活性或制造性的领域间空间冲突。最近，一项由人工智能驱动的常见轻链（cLC）工程框架——这是制造行为良好的双特异性IgG的关键要求——成功识别出10个治疗靶点中的7个cLC设计，将实验筛选负担从数千个变异减少到每个靶点仅有少数几个，并在生物学相关表达水平下实现>80%的纯度。(96)与单一特异工具相比，这些新兴的bsADC计算策略仍处于萌芽阶段，但其快速发展表明这一重要治疗格式在计算与实验之间的差距正在缩小。 然而，尽管这些框架前景广阔，但它们都存在一个根本性的局限：CDR-H3环——抗原结合的主要决定因素——仍然是结构最多样化且难以准确建模的区域，单一静态预测无法捕捉生物学相关的构象变异性。(97)AlphaFold-多聚体还受限于抗体-抗原界面缺乏共进化信号;对427个非冗余抗体-抗原复合物的基准测试显示，最新AlphaFold版本将近乎原生建模成功率提升至30%以上，而之前版本仅达到~20%，且需要增加采样才能达到~50%成功率——这凸显了标准条件下尚未实现可靠性能。(98)基于Rosetta的流水线虽然在局部CDR细化方面更优，但计算量大且受限于CDR-H3的不准确性，其小型训练数据集限制了对新复形的推广。(99)ESMFold 以速度为代价，正确预测的二聚体结构仅有 ~41%，在多链系统上表现不佳——其效用仅限于快速单链筛选。(100)关键是，这些模型均未在实验抗体开发流程中进行前瞻性验证，因为现有基准反映的是已知结构的回顾性表现，导致计算预测与可操作实验指导之间存在显著差距。(101) 新兴策略旨在通过将该环视为构象系综而非单一静态结构来解决CDR-H3采样问题——这一方法根植于基于物理的MD和增强采样方法，详见下文基于物理的计算框架部分。简而言之，元动力学、gREST和混合AlphaFlow/HADDOCK工作流在抗体-抗原复合物建模方面的成功率相较单一预测输出有所提升，(100,102,103)为序列级生成模型提供可靠的结构引导亲和工程所需的构象分辨率。可开发性与稳定性 治疗性可行性需要具有良好制造特性且亲和力高的抗体。期望的可发育性状包括溶解性、热稳定性和构象稳定性、低聚集倾向、极低的免疫原性以及在哺乳动物系统中的稳健表达。(104)人工智能和机器学习模型越来越多地被应用，直接从序列数据预测这些参数，从而实现早期识别负荷并减少遗忘。(87) PROPERMAB（单克隆抗体的优点）由Regeneron Pharmaceuticals开发，是一种多功能的整合计算框架，用于大规模计算机科学内的mAb可开发性预测，结合了基于序列的特征、基于AlphaFold预测的Fv模型的结构描述符以及预训练的蛋白质语言模型嵌入，并集成在统一的机器学习流水线中。应用于HIC保留时间——疏水性和聚集风险的代理指标——以及高浓度粘度，PROPERMAB证明了通过预训练简单替代模型，结构衍生特征可以直接从序列快速预测，从而无需实验输入即可扩展到曲目层级数据集(105) Raybould 等人建立了抗体的可开发性框架，该框架在概念上类似于小分子的 Lipinski 五法则，但又适应了生物制剂的结构和生物物理复杂性。虽然Lipinski的规则通过简单的物理化学阈值（如分子量、脂溶性、氢键供体/受体）来预测口服生物利用度来定义药物类比性，而TAP指南则捕捉了如CDR长度、表面疏水性和电荷分布等高阶特征，这些决定了抗体的稳定性、聚集性和制造性。( 106,107)这两个框架都依赖于成功药物的经验分布，作为早期过滤器而非严格规则。然而，Lipinski主要在分子组成层面工作，而Raybould等人引入了结构感知范式，反映了生物制剂中空间组织和表面特性的重要性。它们共同展示了一个统一原则：成功的治疗方法处于受限的物理化学领域，尽管小分子和抗体的定义参数根本不同。( 106,107)基于这一框架，这些启发式已被整合进机器学习流程，用于系统化的图书馆筛选。与此同时，回归器已被开发用于预测熔点和聚集倾向等定量性状，而分类模型则可基于CDR和框架组成预测表达滴度。(108)这些预测框架允许在实验室生产前早期工程化稳定突变和去除不稳定残基，加快优化周期并提高成功概率。关于AI驱动方法在可开发性、粘度、聚合性和溶解度方面的全面概述，读者参考Varun Dewaker等人。(109) 一个关键且常被忽视的可发展性挑战是免疫原性——即诱导抗药抗体（ADA）反应，降低疗效或引发不良事件的风险。T-SCAPE是一个深度学习框架，整合了多领域预训练，涵盖多样生物信息，实现了特定pMHC对T细胞表位免疫原性的最先进预测，并在无需MHC等位基因输入作为前提的情况下，在评估治疗性抗体ADA诱导潜力方面表现出色，代表了抗体可发展性筛选的实际进展。(110) 尽管基于人工智能的可开发性预测取得了显著进展，但跨多个蛋白质模型的系统基准测试显示，没有单一工具在表达、热稳定性、免疫原性、聚集和多反应性等关键性状上始终优于其他工具。因此，该领域仍缺乏普遍验证的综合预测框架，实验特征分析对于选择主要候选人依然至关重要。(111)联卡设计 连接子是ADC性能的核心决定因素，因为它连接抗体与其细胞毒性载荷。最佳连接子必须在全身循环中保持稳定以防止毒素过早释放，同时又能在肿瘤微环境中选择性切割，以确保有效载荷在病变部位的传递(13,112 )（图。2）实现这种平衡需要对化学和生物属性的精确控制。计算机模拟方法可以预测连接子稳定性、水解速率和切割动力学，同时识别最佳结合位点，以最大化载荷传递，减少离靶效应、聚集和免疫原性。( 11,83) 联结子大致分为可解或不可解。可切割的连接子，如酸性肯酮、蛋白酶敏感二肽，或可由细胞内谷胱甘肽还原的二硫化物，被设计用于释放肿瘤中的有效载荷。而不可切割连接蛋白则依赖溶酶体降解该抗体来释放活性药物。( 112,113)下一节我们将探讨在ADC开发中用于链路器优化和有效载荷释放的计算和人工智能方法。AI驱动的共轭站点工程 结合部位和方法对ADC的稳定性、药代动力学和治疗效果有关键影响。传统的结合方法，如赖氨酸或链间半氨酸残基的随机修饰，常导致药物与抗体比（DAR）异质性，功能表现可变。位点特异性结合策略，包括工程半氨酸插入（以THIOMAB技术为例）、非正典氨基酸掺入和糖链重塑，能够更紧密地控制DAR，同时保持抗体结构和抗原亲和力。(114,115,116)药物附着的精确位置会显著影响体内行为，影响清除率、免疫原性和肿瘤穿透率。一些研究表明，工程半胱氨酸残基在抗体上的位置决定了ADCs的稳定性。数据表明马来亚胺连接通常比二硫键更稳定，且稳定的共轭位点存在于重链和轻链之间。(117)此外，体外稳定性还体现在体内表现，并可跨越不同载荷和抗体。(117)此外，将载荷隐藏在IgG Fc腔内显著提升了ADC的治疗指数，表明载荷的结构位置对ADC的疗效和安全性有显著影响。(118)作者发现亲水连接子对体内活性至关重要，且与终末的唾液酸结合比半乳糖更稳定且效力更高。(118)这些研究共同证明，精确的结合位点选择和战略性有效载荷定位是ADC稳定性、疗效和整体可药性的关键决定因素。( 117,118) 在保守的Fc Asn297 N-糖基化位点进行糖链重塑是一种特别有吸引力的结合策略，因为它利用了一个明确且结构上较远的位置，几乎不干扰抗原结合，同时产生高度均匀的ADC。化学酶糖链重塑方法——利用内源糖苷酶如EndoS2剥离并重建Fc糖链，配合叠氮多或烯烃功能化糖供体——实现了基于环加成的应激促进位点特异性结合，适用于所有IgG亚类及多种连接子-有效载荷组合。(119)通过该糖链结合策略组装的最近双对抗位HER2靶向的ADC显示出优于传统半胱氨酸结合对应物在体外稳定性、体内安全性和抗肿瘤疗效，直接将治疗指数提升归因于Fc糖结合位点的均匀性和远程定位。(120) 结构预测平台如AlphaFold2和基于Rosetta的机器学习框架可以近似抗体的三级结构和表面可及性，指导选择工程半胱氨酸插入的最佳位点。(64,121 )对于非自然氨基酸掺入（例如乙酰苯丙氨酸），深度生成模型如ProteinMPNN和贝叶斯优化算法预测结构允许的位点特异性标记。这些方法考虑了密码子的使用、溶剂可及性和构象限制，在化学功能性与结构完整性和低免疫原性之间取得了平衡。( 122,123)药物与抗体比值优化 DAR，定义为每抗体平均接合的细胞毒性载荷数量，是决定ADC疗效、安全性和药代动力学的关键因素。大多数获批的ADC的DAR数在2–4之间，反映了最大化肿瘤细胞杀死与减少全身毒性之间的折中。(13)虽然增加DAR可以通过增加每抗体分子的有效载荷递送来提升效力，但DAR升高通常会导致稳定性降低、血浆清除加速，以及因有效载荷过早释放或聚集而增加非靶向毒性的风险。(124)因此，DAR的优化仍然是ADC工程的核心目标。 DAR依赖清除的生物物理基础现已得到充分验证：高DAR值下的疏水载荷使ADC采纳类似表面活性剂的两亲性结构，在体内自我聚集，驱动肝脏摄取和加速疏水性依赖性分解代谢。(125)DAR与总倾向和等离子体清除率之间的关系并非线性，且受有效载荷和连接子疏水性强烈调节——意味着同一DAR值在亲水载荷或连接剂下可能产生可接受的PK，但对疏水有效载荷或连接剂则有不可接受的净化。连接子的PEG化是临床验证最有效的DAR与疏水性脱钩策略：将甲基PEG24侧链掺入二肽连接体已被证明能够生产带有MMAE的DAR 8 ADCs——该有效载荷通常不被认为与高DAR兼容——相比传统DAR 4构建体，它们保持了完全的生物物理稳定性、延长血浆半衰期，并且优于具有相同载荷的DAR 4构建体。(126)两种获批的ADC（sacituzumab govitecan和loncastuximab替西林）已采用PEG化连接体结构，实现更高的DAR负载，同时避免非PEG化高DAR构建体典型的净空率，为该设计原则树立了临床先例。(125) 目前正在部署计算方法，以确定特定抗体-连接体-有效载荷组合的最佳DAR方法。 最新数据表明生物物理学在DAR评估中可能扮演的重要角色。特别是分子动力学和SILCS，通过预测结构柔韧性、相互作用模式和有效载荷可及性，系统评估多位点/DAR组合。例如，模拟显示不同的结合位点和DAR显著改变抗体构象和载荷暴露，从而影响药物释放和疗效。(127) 在系统药理学层面，定量系统药理学（QSP）模型越来越多地被应用，通过整合ADC结合、内化、细胞内运输和载荷释放的机理描述与不同DAR值的PK预测，定义特定ADC-抗原-肿瘤组合的最佳DAR范围。最近发表的一项基于吡罗苯并二氮䓬类的ADC靶向BCMA（MEDI2228）QSP模型，整合了体外机制数据与灵敏度分析，以量化DAR依赖性载荷如何转化为多发性肿瘤细胞内药物浓度和细胞毒性结果——为计算机DAR优化提供了框架，有望在体内测试前前瞻性应用于新型ADC项目。(128)此外，基于临床PK-Sim平台开发并鉴定的CLDN18.2靶向ADC的PBPK模型，证明靶向介导药物处置（TMDD）和去结合速率参数——均依赖DAR——关键地决定完整ADC和游离载荷的全身暴露，确立了PBPK建模作为临床试验前DAR依赖剂量预测的实用工具。(129)机器学习方法现在也被直接应用于DAR预测。 有效载荷优化：AI引导的细胞毒性弹头设计有效载荷释放：ADC效能和安全性的决定因素ADC的治疗效果和安全性关键在于有效载荷释放。抗原结合后，ADC通过受体介导的内吞被内吞，并被引导至溶酶体，抗体的蛋白水解降解和连接蛋白的切割释放细胞毒性载荷。(130)或者，酸敏感连接体可在酸性细胞外环境中释放载荷。对这些过程进行精确的时间和空间控制对于确保细胞毒性准确且最大限度减少肿瘤外影响至关重要。(13,131) 细胞内释放的动力学受连接子化学、亚细胞运输动力学和载荷特性之间复杂的相互作用所控制，这些因素都影响药物激活的范围和时机。( 132,133)利用基于计算的内胞体pH梯度和溶酶体蛋白酶活性分析，结合合理的连接子设计，有望创建pH敏感的ADC，在胞吞作用时选择性释放载荷，最大限度地减少靶向外毒性并增强肿瘤特异性细胞毒性。( 131,132)最近，已有能够设计最优链接器的模型被报道。例如，Linker-GPT是一种基于Transformer的深度学习模型，利用自注意、迁移学习和强化学习生成新颖且合成可访问的ADC链接器。(134) 有效载荷优化：在ADC设计中定制效力与药理化学 载荷，即由ADC传递的细胞毒性部分，一旦被癌细胞内化，就作为致命效应器。鉴于仅有一部分剂量到达肿瘤部位，载荷必须在低浓度下极为高效，或具备良好的物理化学特性，能够适应结合、全身循环和受控细胞释放(1,13,135)（图。此外，有效载荷特性如疏水性、膜渗透性和排水潜力是有效性和毒性的关键决定因素，包括诱导旁观者效应的能力。(1) 经典的ADC载荷包括天然产物来源的微管抑制剂，如奥利抑素和美坦辛类，以及DNA损伤剂，如卡利奇亚霉素或多卡米辛。(136)这些药物会干扰关键的细胞过程，但必须精确调校以避免聚集和非靶向释放。( 4,7) 计算工具和人工智能现在以变革性的方式支持有效载荷开发。计算机结构-活性关系（SAR）模型评估化学修饰如何影响效力、细胞通透性及抗性机制（如排外流转运蛋白活性）。(137)此外，有效载荷释放动力学的模拟和预测的旁观者细胞毒性为连接-有效载荷组合及肿瘤特性的合理设计提供了参考。因此，对于预期ADC抗原表达高度异质性的肿瘤，应使用能够杀死所有肿瘤细胞且不依赖ADC靶标的ADC进行靶向。 新兴的人工智能平台还促进了具有独特机制的新型有效载荷类别的探索，如免疫刺激或靶向蛋白质降解剂（PROTACs），从而拓宽了ADC的治疗工具库。(1,138 )例如，利用Rosetta For Molecule Glue（RFMG）模型结合基于CRBN的降解剂库，识别出CDG0501，这是一种强效且可共轭的GSPT1降解剂。(139)这种计算方法使得选择适合抗体结合的降解剂成为可能，支持其作为下一代ADC有效载荷的使用。 核心支架优化 每个有效载荷类别都包含一个核心支架，负责其细胞毒性机制。单甲基奥利抑素E（MMAE）和F（MMAF），源自多拉抑素，抑制微管蛋白聚合，而SN-38和deruxtecan（DXd）抑制拓扑异构酶I。(1,13 )例如，微小的结构变化如甲基或氨甲酸盐添加于奥利抑素、增强膜通透性和旁观者效应。(140)同样，稳定坎托茶素类似物的内酯环提高了效力和化学耐久性。(141)AI随后可以帮助创建具有基团替换/添加的类比，从而改进化学核心，生成更复杂的有效载荷。 新兴的有效载荷模式正在将ADC扩展到细胞毒性之外，向免疫调节和靶向蛋白质降解方向发展。免疫刺激抗体偶联物（ISACs）通过传递TLR或STING激动剂激活肿瘤局域免疫，需要稳定的连接物和受控的载荷特性以限制全身毒性。(138)与此同时，PROTAC-ADC通过泛素-蛋白酶体途径实现蛋白内降解，实现内化后。(142)这些构造带来了与有效载荷尺寸、极性和连锁设计相关的挑战，通常更倾向于可切割的策略。总体而言，优化连接剂稳定性、有效载荷化学和抗体特性对于最大化疗效和安全性至关重要。连接子附着化学 有效载荷必须拥有或经过工程设计，包含连接子共轭的官能基，通常是初级胺、羧酸盐或酚羟基。在不影响生物活性的前提下改造这些基团是关键挑战。(143)例如，将SN-38的C20-羟基衍生为氨基甲酸酯，可以提升血浆稳定性，同时保持细胞内疗效。(1,144 )分类模型还有助于识别“连接蛋白就读”变异，例如exatecan衍生物DXd，优化稳定结合和强效细胞毒性。(1)恐水症与旁观者活动 载荷极性直接影响细胞扩散和旁观者杀死效应，这在异质肿瘤中尤为重要，因为这被视为潜在的耐药机制。(33)像MMAE这样的疏水载荷可以扩散到邻近的抗原阴性细胞中，提升疗效但增加肿瘤外毒性的风险。相比之下，像MMAF这样的亲水有效载荷通常保持细胞限制。(8,13 )连接药物与抗体的连接子增加了分子尺寸，限制了向邻近细胞的扩散。(145)训练于保留时间和细胞毒性扩散谱的AI平台可以建议调整通透性。(8)例如，极性取代可能减少非靶向扩散，而遮蔽亲水基团则可以改善跨膜的传递。(8)例如，在计算机模拟中，有效载荷电离状态和连接体结构如何影响膜通透性和旁观者杀伤能力，证明带电分子在疏水膜核心遇到阻力，而连接子添加通过增加分子尺寸进一步限制扩散——为调节极性以控制旁观者扩散提供了合理的计算基础。(145)郭等人补充此说：(146)采用具备综合分子特征的图关注网络，开发旁观者评分（B评分）模型，使得理性、数据驱动的ADC有效载荷识别具有优化旁观者杀伤潜力的抗原-异质肿瘤研究。(146)双载荷 双有效载荷ADC是一种抗体-药物偶联物，携带两种不同细胞毒性剂于单一抗体骨架上，因其通过互补机制靶向癌症并克服耐药性潜力，在肿瘤学领域日益受到关注。(147,148,149)早期证据表明，双载荷辅助药物在异质肿瘤模型中通过增强肿瘤渗透性和克服通路特异性耐药性，实现协同效应，优于单载荷变体的联合给药。利用训练于载荷前临床活性数据集的机器学习，可以预测哪种组合在特定肿瘤类型中具有更大的协同潜力。结合不同作用机制的临床前工作，凸显了该策略提升疗效和克服耐药性的可行性。(147,148,149) 该领域现已从概念明确转向临床现实。2025年，首批双载荷ADC进入人体试验：KH815（成都康宏生物技术）是一种结合拓扑异构酶I抑制剂和RNA聚合酶II抑制剂、DAR为7.5的TROP2导向ADC，已进入晚期实体肿瘤患者（NCT06885645）的一期临床阶段。(150)不久之后，基于专有DuetTx®平台开发的CEACAM5导向双有效载荷ADC IBI3020（Innovent Biologics）完成了首次人体剂量（NCT06946446）。(151) 除了结合经典细胞毒素外，新兴的双重载荷策略正在探索将直接杀死肿瘤与免疫调节结合的正交组合：将细胞毒性剂与Toll样受体（TLR）激动剂、STING激动剂或其他免疫刺激载荷结合。这些免疫刺激ADC杂交体代表了ADC和ISAC范式的融合，在免疫性冷肿瘤中可能具有特别大的影响力。(152) 计算和人工智能驱动的方法在这一领域尤具价值。基于临床前有效载荷活性数据集、多组学肿瘤谱和药物协同数据库训练的机器学习模型——结合图网络方法和生物分子相互作用网络——可以预测哪些有效载荷组合在特定肿瘤情境下可能具有协同效应。图神经网络架构如DumplingGNN原则上可以扩展为有效载荷对的评分( 153,154)尽管令人兴奋，但必须承认，双有效载荷ADC的临床验证仍然完全缺失：KH815和IBI3020是唯一拥有人类数据的项目，关于联合有效载荷的疗效、耐受性以及患者协同机制的研究结果尚待公布。基于物理的计算框架用于理性 ADC 设计 MD模拟已被证明能提供关于单克隆抗体（mAb）结构和动态的亚分子分辨率洞见，捕捉特定结构域的构象可塑性和稳定性、抗原结合方向或近生理条件下的聚集倾向。(127,155,156)在ADC领域，MD模拟使得定量剖析成为可能，从纳秒到毫秒的轨迹取决于分子层面分辨率，分析连接剂化学、结合位点位置和DAR如何影响载荷可达性、干扰性和抗体-抗原结合。( 157,158)要实现原子分辨率下的准确生物物理建模，需要如CHARMM36m等实证验证的力场，(159)OPLS-AA(160)以及AMBER ff19SB(161)用于建模蛋白质序列（包括显性水和离子）(162,163,164)），以及CGenFF，(165)OPLS( 166,167)以及GAFF(168)分别用于模拟有效载荷和联结器。对于Fc糖链模拟，(155)基于琥珀的力场通常使用GLYCAM06，(169)OPLS模拟利用其近期的重新参数化为碳水化合物及其他官能团( 166,170)而CHARMM36m则通过特定的CHRMM碳水化合物力场来建模糖链。(171)值得注意的是，尽管这些模拟计算成本较高，全原子MD在提供蛋白质结构域及其底层分子相互作用的真实构象集合方面表现出色(127,161,165,172,173,174,175)而非静态坐标，以捕捉单株抗体和共轭弹头的固有灵活性。 全原子MD提供了原子分辨率的细节，采用粗粒度（CG）方法，将不同原子群近似为单一相互作用位点，(176,177,178,179)被用于在更长时间尺度和更大系统尺寸下探测抗体和ADC相关相行为，这些通常无法通过原子模拟实现。CG模拟，如12珠模型(180)已被用于研究分子间mAb在制剂相关条件下的自结合和稳定性，提供了高浓度下聚集倾向和粘度变化的机制性见解。(181)在ADC背景下，CG模型使得结合诱导的抗体表面性质改变如何影响胶体稳定性和高阶自组装成为可能，补充了连接子-有效载荷行为的原子预测。(127)从这个意义上说，准确的高分辨率重心力场，比如基于MARTINI的框架( 182,183)近年来，该法被用于表征精氨酸和谷氨酸赋形剂的蛋白-赋形剂相互作用，使用治疗性单抗曲妥珠单抗和奥马珠单抗的Fab结构域作为模型系统。(184)通过弥合生物分子个体相互作用与更大大分子集合之间的分辨率差距，(185)CG模拟允许系统地映射制剂效应，(186)多价相互作用，( 187,188)以及中尺度相态行为，(189)从而为在实验验证前降低ADC设计风险提供了可扩展的路径，补充了更大尺度下的原子预测。(10)此外，为了模拟内在无序区域（IDR），更粗粒度的蛋白质力场，如残基分辨率级别的力场，包括Mpipi，(190)HPS-Urry、CALVADOS2或Mpipi-Recharged等，可用于系统性探索蛋白质IDR与结构化球状结构域结合所建立的构象群和分子间相互作用。(177,178,191) 计算混合方法，如配体竞争饱和位点鉴定（SILCS）方法，已被提出将大典范蒙特卡洛与经典MD模拟整合，生成预先计算好的网格自由能图（“FragMaps”），描绘mAb表面官能基结合亲和力。(192)值得注意的是，鉴于对每个ADC进行全mAbMD模拟的计算挑战，这些图谱使得快速且定量地评估连接子和有效载荷结合景观成为可能，而无需为每个新ADC变体重复全系统MD模拟。在其生物适应方面，SILCS-Biologics还能指导赋形剂驱动的粘度变化预测、绘制蛋白质-蛋白质相互作用热点图谱，并定量不同制剂条件下的有效蛋白电荷。(193)由于SILCS基于预先计算的SILCS模拟碎片图，因此可以快速完成不同ADC变体、不同连接类型和共轭位点的计算。(127)例如，SILCS破片图可以在给定弹头的Fab和Fc上单独计算，从而预测弹头的不同可能结合点和结合亲和力。此外，SILCS还可用于判断连接子或有效载荷是否可能影响mAb与其抗原的相互作用，基于有效载荷特异性与CDR的物理化学结合。结合位点的选择也可以通过溶剂可及性剖析进行细化，(194)基于结构的对接，以及基于MD的动态暴露反应残基识别，( 195,196)带有pK(a)预测亲核剂反应性。( 197,198)SILCS FragMaps 中的内容也可用于指导赋形剂的选择，促进配方开发。( 199,200)基于MD的有效载荷-单抗和有效载荷-有效载荷相互作用分析还可以量化疏水性、DAR或共轭几何如何调节抗原亲和力和弹头暴露，其中均方根偏差（RMSD）和SASA分析等指标对于最终链节释放优化具有高度参考价值。(8,127人) 特别是特征归因方法，如SHAP（SHapley加法解释）和LIME( 201,202)可用于量化分子描述符（如疏水性、电荷分布模式、DAR或连接子特性）的贡献，以理解射频扩散的预测，(89,203 )从而为控制ADC相行为的物理化学驱动因素和分子相互作用提供了洞见。此外，将深度学习方法（如ColabFold用于蛋白质结构预测）与基于物理的模拟方法（如分子动力学模拟）结合，提供了一种混合策略，通过基于既定的生物物理原理来提升预测的可解释性。值得注意的是，他们的结果表明，片段抗原结合结构域（Fab）结构域过强的结合亲和力可能阻碍内吞，因为与受体高度稳定的相互作用——尤其是在紧密连接环境中——可以动力学上捕获抗体在细胞外基质中。 具体例子包括科拉达和科伦坡的研究，(204)其中，利用原子级多元MD模拟来研究抗体亲和力成熟背后的能量和动态机制，特别是在贝伐珠单抗抗体的变异体中。该方法关注成熟过程中获得的突变如何影响不仅结合界面，还影响抗体内部的柔韧性和构象动态，最终增强抗原亲和力。此外，Prass 等人。(205)利用原子模拟预测高浓度抗体溶液的粘度，这是制药制剂的关键参数。他们的工作分析蛋白质间相互作用，识别促进强烈分子间结合的表面区域，这些结合直接与粘度增加相关。此外，Llombart等人。(74)用膜蛋白JAM-A绘制不同抗体克隆的结合能图谱，以提供抗体内吞的计算预测。他们发现，内化mAbs表现出独特的膜导向接触拓扑结构，促进受体-受体的合作相互作用，降低早期内吞事件的能量屏障。他们的结果确立了分子动力学引导克隆选择作为优化内吞治疗抗体的预测框架，并为抗体结合如何重塑膜近端受体能量以驱动胞吞提供了机制学见解。总体而言，这些研究展示了全原子分子模拟如何应用于治疗性抗体和ADC的功能优化和可开发性评估。此外，利用这些力场的模拟还能为选择和优化结合位点、连接结构和药物-抗体比（DAR）提供合理基础，以平衡系统稳定性与有效细胞内药物释放，而这一问题已被实验证明对其治疗指数有强烈影响。( 116,125) 综合来看，这些基于物理的互补平台结合MD仿真，可以应用于不依赖先前训练数据的新型ADC架构，例如基于机器学习的方法（其准确性高度依赖于可用训练数据量），提供了机械和分子分辨率的理由，可以大幅压缩设计进度并降低翻译风险（见图）。3）然而，基于计算物理的方法如多尺度MD仿真的局限性依然存在：（1）其对大型mAb的计算成本较高;（2）力场精度;以及（3）模拟收敛，通常需要先进的采样方法。(206)然而，包括增强采样MD方法在内的新兴解决方案，(207)高效的GPU并行化流水线，(208)机器学习集成方法（例如利用物理衍生结构特征的图神经网络）旨在加速从发现到临床的转变。疗效与安全性预测：人工智能在ADC药理学中的应用 在ADC进入临床试验之前，开发者必须建立信心，确保其在缩小肿瘤方面有效，并且在治疗剂量下对患者安全。传统上，这通过广泛的体外和体内研究评估，随后进行人体试验。(19,209 )这些实验耗时、昂贵，有时除了临床试验外，对人体结果的预测能力很差(159).这些模型将定量系统药理学与在大规模临床和临床前ADC数据集上训练的机器学习算法相结合，能够捕捉药物动力学行为，预测肿瘤-载荷相互作用，并预测不良事件谱（见图）。4）。在下一节中，我们将详细描述一些可以实现计算方法以优化流程的领域。基于生理的药物动力学（PBPK）建模 基于生理学的药物动力学（PBPK）模型是一种机制性数学模型，通过对应于定义器官或组织的区间模拟药物的吸收、分布、代谢和排泄（ADME），这些区间通过生理血流和组织体积数据参数化。(210) ADC具有额外的复杂性，因为它们是大型蛋白质，遵循抗体动力学（具有如结合抗原时的靶点介导药物倾向、可能的内吞等特性），同时释放载荷也具有小分子动力学。(11,211 )人工智能通过校准和优化这些PBPK模型来帮助。神经网络方法和参数拟合算法可以利用稀疏的实验药代动力学（PK）数据，如啮齿动物模型或体外系统，预测人类药代动力学的特征。混合人工智能与机械策略将机器学习整合进PBPK模型，填补难以测量的参数空白，如肿瘤通透性或有效载荷清除率。(212) 例如，Lu等人开发了一个基于曲妥珠单抗emtansine（T-DM1）稀疏临床数据训练的神经常微分方程PK模型，在预测时间序列浓度谱面方面优于传统人群PK模型。(212)集成决策树算法的混合mPBPK–ML框架进一步实现了通过分子特征如等电点和结合亲和力预测ADC靶点占有率，训练在300多个ADC构造上的神经网络在预测净空（CL）和分布体积（Vd）方面表现出显著性能。(95)在转化层面，基于MMAE的PBPK模型成功预测了跨物种的全身药代动力学，支持跨物种外推和基于临床前数据的人类剂量预测。(213)肿瘤穿透与分布 虽然ADC通过静脉注射注入血液，但必须穿透肿瘤团块并与肿瘤内的癌细胞结合。由于高间质压力、异质性血液供应以及所谓的“结合位点屏障”，抗体被血管附近细胞上的抗原捕获，阻碍更深扩散，肿瘤组织难以穿透。(19)有研究指出，高亲和力抗体可能被隔离在肿瘤进入点附近，限制了组织中的均匀分布。(214)然而，由于ADC的等离子体浓度远高于饱和剂量，这一效应难以解释。因此，即使ADC被表达高水平抗原的细胞捕获，ADC过量也应可用于与其他细胞相互作用。 克罗格圆柱模型提供了量化这些相互竞争力的主要数学框架。在该几何结构中，每个肿瘤毛细血管被近似为一个被径向对称组织壳包围的圆柱体;ADC穿过毛细血管壁，径向扩散，同时在肿瘤横截面的每个空间点被结合和内吞。(215)Weddell等人将该框架扩展到临床环境，将最小PBPK模型与空间解析的肿瘤生长抑制子模块结合，验证了其对T-DM1治疗转移性乳腺癌患者反应率的预测，证明肿瘤穿透与临床疗效具有可量化的机制关联。(216)关键的是，使用该模型的模拟证实，抗原表达密度升高会通过加速血管附近的结合介导消耗，从而矛盾地限制ADC穿透深度;而在极高血浆浓度下，结合位点屏障会被解除，因为表面受体饱和，过量药物进一步扩散到组织中。(217,218,219,220)这为“载体剂量”策略的合理设计提供了参考——即将非结合抗体联合施用于预饱和血管周围抗原，并改善肿瘤内均匀的ADC分布——这些策略已在基于药物的模拟和临床前模型中得到验证。( 221,222)参见图。5。 基于计算的仿真平台，结合基于主体的建模或偏微分方程的机器学习替代，越来越多地用于预测ADC在肿瘤微环境中的分布。这些模型考虑了细胞结构、抗原密度、抗体扩散率以及ADC肿瘤清除率等空间变量。 基于主体的模型特别适合捕捉连续偏微分方程模型无法表现的实体肿瘤的随机细胞级异质性。Calopiz等人利用经过验证的基于药物的框架，测试了四种与曲妥珠单抗结合的不同载荷，涵盖不同靶表达水平和剂量，证明最佳载体剂量及肿瘤饱和度与ADC疗效的关系依赖有效载荷类别——这些见解直接适用于临床前体内测试前的ADC设计优化。(222)另一种互补方法是机器学习替代，用训练有素的神经网络替代计算量高的偏微分方程求解器，从而在空间穿透框架内快速、高通量评估数千种ADC参数组合——包括DAR、亲和力、链节稳定性和投剂计划——而计算成本仅为全机械模拟的一小部分。(223) 基于这一机制基础，下一代方法整合数字病理学，利用整片组织学绘制抗原分布图谱，并将空间上下文嵌入穿透和结合模型中。例如，最近有AI框架能够模拟HER2阳性乳腺肿瘤中的ADC分布，证明恶性和间质群体的空间组织能够关键地影响治疗效果。(60) 进一步进展是空间多组学的整合——结合空间转录组学、多重免疫荧光和计算病理学——直接将ADC抗原表达、细胞状态信息和微解剖学背景与治疗结果进行映射。此类空间整合模型可识别肿瘤内耐药性生态位，定义为抗原密度低、血管薄弱或基质屏蔽的亚区域，这些区域系统性地缺乏ADC治疗，是治疗后残留病灶的主要来源。(224)基于人工智能的工具如Path2Space可以直接从被血液木精和嗜青染色的整片图像预测空间基因表达，包括抗原表达图谱，从而从常规诊断病理中重建空间分辨的ADC靶向景观，而无需专门的空间转录组学检测。(225)如图所示。5，这些方法正趋于实现这样一个愿景：计算肿瘤穿透模型可根据患者个体肿瘤架构个性化——并结合数字病理学和空间组学数据——实现ADC分布和疗效的治疗前模拟，作为ADC临床开发精准医疗框架的一部分。(224)毒性预测 ADC可引起多种毒性，部分与其在健康组织中的靶点作用有关，另一些则与有效载荷释放后的非靶向效应有关。(2)然而，大部分毒性可归因于构成有效载荷，尽管ADC的作用机制动态，包括抗体和连接剂，在安全性方面不可忽视。(9) 准确的AI驱动ADC安全性评估需要输入参数，这些参数不仅限于载荷化学，还涵盖正常组织中的抗原表达水平、抗原-ADC复合物内吞作用的动态以及FcRn介导的循环动力学等机制特征。例如，评估抗原丰度和内化率有助于预测靶向毒性，以及不同组织细胞的增殖特性。(226) 重要的是，有效载荷毒性还受膜通透性和极性等物理化学特性的影响，如MMAE和MMAF的差异，这些差异影响了细胞吸收、旁观者效应以及眼毒性等副作用。(7,227 )在此背景下，有效载荷生物物理特性以及内化动力学可基于靶表达水平及正常细胞的特定膜特征（包括脂质组成和运输机制）进行建模。(7,227 )因此，准确的基于人工智能的毒性预测需要多维输入参数，将载荷化学与抗原分布、胞吞动力学以及组织特异性细胞特性整合起来。 多个AI驱动框架已证明具备处理多维ADC毒性预测的能力。DumplingGNN是一个集成分子结构和物理化学特征的混合图神经网络，专门用于ADC有效载荷毒性预测——包括基于拓扑异构酶I抑制剂的有效载荷的早期安全性评估——提供了可解释的结构-毒性关系，补充了活性预测。(154)在抗体层面，机器学习分类器已被用于评估如LALA和LALAPG等Fc沉默突变，这些突变消除了抗体依赖的细胞介导细胞毒性，从而实现了ADC应用中靶点和肿瘤外毒性的计算预测和最小化。(95)更广泛地说，基于ADMET数据集训练的多模深度学习和基于变换器的框架，越来越能够通过将有效载荷化学与组织特异性分子特征整合，同时预测载荷药代动力学和器官特异性毒性终点——包括肝毒性和心脏毒性，为实验测试前的计算机安全剖析提供了可扩展的途径。(228)“数字孪生”临床试验 人工智能在药物开发中最具前瞻性的应用之一是创建“数字孪生”，即患者的计算表征，以模拟临床试验。(229)在ADC的背景下，数字孪生系统整合了所有可用数据（患者特征、肿瘤生物学、ADC机制模型等），以预测患者对特定ADC和剂量的反应。(137)一些公司已宣布将创建这些平台，尽管尚未公布任何数据，且提出了若干担忧和限制。(230)在实际操作中，这可能涉及生成一个虚拟患者队列，其参数有抗原表达、肿瘤大小、肝肾功能（影响药物清除率）等变异性，然后运行模拟以评估结局分布。 计算机临床试验（ISCTs）越来越被认可为模型导向药物开发（MIDD）框架的重要组成部分——该方法现已被FDA通过其MIDD配对会议计划和Project Optimus剂量优化计划制度化——实现了虚拟患者队列生成、治疗反应模拟、患者分层和精准医疗方法，直接为监管申请提供参考。(231)生成可信的虚拟人群需要从真实临床数据中提取的患者特征分布抽样，并根据观察到的结果进行细致校准——这一方法学要求不仅增加了严谨性，也要求高质量的输入数据集，而这些数据集目前对于ADC特定应用来说仍然稀缺。( 231,232) 这些计算机试验（如果可进行的话）有助于优化剂量安排（平衡疗效与毒性）、筛选最有可能受益的患者亚组，甚至识别反应的生物标志物。(233) 尽管数字孪生和计算机临床试验框架越来越多地被提议作为药物开发中的变革工具，但它们在ADC开发中的应用仍处于探索阶段，应被视为前瞻性的。现有证据主要限于部分实现，而非完整的患者层级模拟。例如，一项最新研究表明，将数字病理学与计算建模结合，可以预测肿瘤内ADC的空间分布和疗效，凸显组织结构和抗原异质性如何影响治疗反应。(40)与此同时，基于生理学的混合药代动力学（PBPK）和机器学习方法已被证明能从临床前数据中提升系统性药物暴露的预测，支持早期剂量选择策略。(212) PBPK模型越来越多地作为肿瘤药物审批的关键监管证据提交——2020年至2024年间，245款FDA批准的新药中，26.5%包含PBPK模型，肿瘤药物占比最高，达42%——为计算模型证据树立了ADC开发者原则上可利用剂量优化提交的监管先例。(234) 然而，这些模型通常局限于药物动力学或肿瘤级行为，尚未完全涵盖ADC药理学的复杂性，包括毒性和临床反应。 2025年，MIDD已成熟到被认可为肿瘤学、罕见病和免疫学监管材料的核心，FDA和EMA制定了鼓励其早期开发使用的框架，FDA的MIDD配对会议项目成为促进赞助者与监管机构对话的基石举措。(235) 更广泛的数字孪生框架已被提出以模拟虚拟患者队列和治疗结果，但这些框架大多仍处于概念阶段，缺乏在ADC临床开发中的前瞻性验证。(229)因此，尽管这些方法有望改善试验设计和剂量优化，但其在ADC开发中的效用尚未得到有力的临床证据支持，且在常规应用前仍需进一步验证。ADC开发中的电阻机制与时间动态：未被探索的计算前沿 尽管人工智能和计算方法在ADC开发流程中具有变革潜力，但随着时间推移，预测获得的抗性仍是一个严重未被充分关注的领域，亟需专门探讨。对ADC的耐药性是一个多阶段、时间性演变的生物过程，涵盖整个药物递送级联——从抗原下调和内化受损，到溶酶体运输缺陷、排外转运蛋白上调以及有效载荷解毒——其动态特性尚未被现有计算框架实质整合。( 236,237)实验已充分证实，T-DM1抗性可通过溶酶体蛋白酶活性受损引起，溶酶体pH升高和鞘蛋白酶功能缺陷导致结合物积累而无有效载荷释放(78)——这是一种可直接被计算pH梯度和细胞内运输模型处理的机制，但在当前的人工智能设计框架中基本缺失。与此同时，细胞周期蛋白B1诱导缺陷被发现是获得性T-DM1耐药的进一步机制，表明有丝分裂检查点颠覆是一条独特且药理学上可操作的耐药途径(238)HER2在肿瘤内的异质性已被确立为抗HER2 ADC耐药性的主要驱动因素，强调抗原表达必须作为空间和时间变量来建模，而非固定输入( 51,52)适应性耐药增加了另一层复杂性：先前接触单一靶向药物可能通过细胞死亡机制的失调影响后续治疗效果，建立了直接适用于顺序ADC治疗计划的交叉耐药逻辑。(239)生成和系统描述初级和次级耐药性模型的重要性——这是训练时间感知型AI系统的前提——已被广泛认可，体外和体内策略包括细胞系衍生和患者来源的异种移植模型，使得区分新生和获得性耐受性成为可能。(240)对不可切割 ADC 抵抗性的关键机制决定因素是溶酶体转运蛋白SLC46A3的丧失，该转运子是细胞质中 maytansinoid catabolite 出口所必需的，该转运体已在多个 ADC 靶点上得到验证，强调转运蛋白表达状态应成为细胞内 ADC 命运计算模型的重要输入。(76)通过包括P糖蛋白、ABCG2和ABCC1在内的ABC转运蛋白对排流泵的上调，构成了多种临床有效载荷（包括MMAE、DM1和DM4）的趋同抵抗机制，原则上可通过物理化学描述符计算预测其底物状态。(241)临床上，在T-DXd选择压力下HER2的丧失——同时对共享有效载荷的TROP2导向ADC保持敏感性——展示了抗原动力学随时间变化如何决定治疗测序，而静态转录组AI模型难以预见。(63)靶向替代抗原（如HER3）已被证明能绕过多种耐药模型中抗HER2 ADC的耐药性，为AI引导的抗原切换作为抗性规避策略提供了临床验证。(31)综合来看，这些发现表明，对ADC的抗药性并非单一事件，而是一个不断演变的多机制过程，其发展轨迹依赖于抗原动力学、细胞内运输、转运体生物学和信号适应之间的相互作用——而这些因素目前在ADC设计中采用的静态横断面AI模型中均未充分体现。需要的是纵向、时间感知的计算框架：基于序列单细胞转录组训练的循环神经结构或动力系统模型、循环肿瘤DNA分析以及抗原动态的空间蛋白质组读出，能够预测耐药轨迹，防止其临床显现。(79)基于CRISPR的功能基因组学筛选——已开始系统性揭示内溶酶体调控因子和新型敏感基因——的整合，可能为训练AI模型在ADC开发早期区分耐药与易耐药靶点提供关键数据。( 242,243)实现这一愿景需要构建纵向ADC耐药性数据集，并标注与临床结果匹配的时间分子剖面，作为人工智能模型能够预见——而非仅仅对抗——ADC耐药性时间演变的前提。(244,245,246)将抗体药物偶联物的治疗范围扩展到肿瘤学之外 尽管ADC主要为肿瘤学开发，但近年来该技术已扩展到多种其他疾病的治疗领域。在接下来的部分，我们将介绍目前支持其使用的有限证据。自身免疫疾病中的抗体-药物偶联物 ADC正在自身免疫疾病临床开发中，能够向致病免疫细胞群体靶向递送免疫调节剂。一个显著的例子是ABBV-3373，这是一种ADC，由抗TNF单克隆抗体结合糖皮质激素受体调节剂（GRM）组成。(247)该结构旨在选择性地将糖皮质激素活性传递给表达为TNF的炎症细胞，从而增强抗炎效能，同时最大限度地减少全身性糖皮质激素暴露。临床前研究表明，将GRM载荷结合抗TNF抗体能提升炎症性疾病模型（包括关节炎）的靶向抗炎活性。(247)临床评估方面，ABBV-3373已进入类风湿关节炎的二期临床试验，其病程活动性相较于阿达木单抗治疗的既往结局有所下降。( 248,249)这些发现凸显了ADC通过靶向细胞内递送抗炎载荷，提升既有生物制剂治疗指标的潜力。 其他临床前工作还集中在利用ADC技术选择性地将糖皮质激素输送到抗原呈递细胞。CD74靶向ADC结合糖皮质激素受体激动剂，已被开发用于利用CD74在B细胞和抗原呈递免疫细胞上的表达。体外研究表明，这些构造能增强CD74表达细胞中的糖皮质激素信号传导并抑制B细胞增殖，提出了一种在减少全身性类固醇毒性的同时实现局部免疫抑制的潜在策略。( 250,251)这些研究共同展示了ADC平台在提升精度下递送免疫调节剂的新潜力，从而拓展自身免疫疾病的治疗领域。 非肿瘤学ADC开发与肿瘤学的主要区别在于靶点识别：与肿瘤抗原不同，与自身免疫疾病相关的致病免疫细胞群体——包括自身反应性B细胞亚组、疾病相关的滑膜纤维母细胞亚型或病理扩展的浆细胞样树突状细胞群体——由短暂的、情境依赖的表面表型定义，这些表型无法被体质转录组学或传统数据充分捕捉免疫表型分析。单细胞多组学技术，包括scRNA-seq、CITE-seq以及应用于炎症患者组织的空间转录组学，正开始以ADC靶点指定所需的分辨率解析这些疾病限制的细胞状态。( 252,253)通过人工智能驱动的数据集跨患者队列、疾病阶段和组织区间整合，系统性地识别出在多种自身免疫疾病中选择性且稳定表达的表面抗原。神经退行性疾病中的抗体-药物偶联物 在神经退行性疾病中，ADC的应用是一个新兴的研究领域，旨在实现治疗药物的靶向递送至中枢神经系统的病理性蛋白聚集体。与肿瘤学中ADC通常将细胞毒性载荷传递到肿瘤细胞不同，ADC在神经退行性退行中的策略侧重于将疾病修饰分子传递到与致病蛋白积累相关的神经元或胶质细胞。然而，由于血脑屏障（BBB）穿透和识别合适神经靶点的挑战，该领域的大多数ADC方法仍处于临床前阶段。 一种被提出的策略是针对淀粉样蛋白β（Aβ）的ADCs，Aβ是阿尔茨海默病中聚集形成细胞外斑块的肽。(254)针对Aβ的抗体已证明能够结合斑块相关肽并促进免疫介导清除。通过将这些抗体结合到治疗载荷上，ADC平台旨在增强小分子或调节性化合物对斑块相关神经元及周围小胶质细胞的选择性递送。这种靶向递送有望改善斑块清除，同时减少全身暴露和毒性，从而提高抗淀粉样蛋白治疗的治疗指数(254)此外，抗体介导的靶向可能使与淀粉样蛋白病理相关的神经炎症和突触功能障碍的局部调节成为可能。 相关策略则聚焦于针对病理性tau聚集体，这些聚合体是多种神经退行性疾病（统称为tauopathies）的标志性疾病，包括阿尔茨海默病。Tau导向抗体可以结合细胞外tau物种，这些tau在神经元间传播病理。将治疗载荷结合到这些抗体，被提出作为直接将疾病修饰剂送达tau相关神经元区室的一种方法。此类ADC方法可能抑制tau聚集，增强病理性tau物种的清除，或调节与神经元退变相关的细胞内信号通路。(254) 除了阿尔茨海默病，ADC和共轭结合范式也在帕金森病和多系统萎缩等突触核蛋白病中被积极探索。一个特别有启发性的临床前例子是SAR446159（ABL301），这是一种双特异性抗体，由α突触核蛋白靶向免疫球蛋白与工程化的胰岛素样生长因子受体1（IGF1R）结合单链变量片段结合组成，该片段作为脑穿梭机，利用受体介导的转胞作用显著增加中枢神经系统暴露。在临床前模型中，SAR446159显示出对纤维状α突触核蛋白聚集体的优先结合率高出单体五个数量级，抑制了原级神经元的α突触核蛋白播种，小胶质细胞增强了聚集清除能力，并在转基因小鼠中减少了病理扩散和运动表型，目前健康志愿者的一期临床试验已完成（NCT05756920）。(255)这种脑穿梭式偶联体设计直接反映了ADC的工程逻辑，展示了如何利用抗体-货物结合技术独立于细胞毒性载荷克服BBB。与此同时，AC Immune公开了morADC（Morphomer-ADC®）平台，该平台将针对病理聚集体的脑穿透性小分子Morphomers与构象选择性单克隆抗体共价结合。30多个靶向Aβ、τ和α突触核蛋白的morADC构造体被设计出药物与抗体比为2.5–4.5的结构，体外中BBB穿透力比母体抗体提升3–6倍，小鼠脑实质暴露增加2.5倍，协同抗聚集活性超过单单单成分的效力（通过等皮图分析）。(256)尽管AC Immune的morADC平台展现出有前景的临床前成果——包括BBB渗透率提升3–6倍以及抗聚合的协同活性——但该项目于2025年9月因一项管线优先级调整而终止，其中包括移除若干临床前资产并裁减约30%的公司员工，凸显了ADC在神经退行性退行性领域持续面临的转化挑战。(257) BBB渗透挑战在于计算工具直接适用，但在ADC环境中仍然严重未被充分利用。在BBB通透性数据集上训练的机器学习模型——如LeiCNS-PK3.0框架，该框架整合了定量结构-性质关系（QSPR）预测的脑至血浆分配系数（Kp，uu，BBB）与基于生理的药代动力学中枢神经系统模型——能够预测合成前分子特征中抗体-货物偶联物的中枢神经系统暴露情况，从而实现对脑穿梭受体靶点（如TfR1， LRP1，或CD98hc）和连接蛋白化学，这些可能优化转吞效率和实质保留。( 258,259)这些中枢神经系统 PBPK 方法目前主要应用于小分子和裸抗体;将其扩展到ADC特定参数，是一个高价值的计算前沿，有望显著降低该适应症类别的经验流失率。ADC程序的终止强化了对共轭属性与CNS传递参数进行计算预筛查应被视为设计工作流程的重要组成部分。(259) 除了经典的ADCs外，一类相关的抗体寡核苷酸偶联物（AOCs）正作为一种强大的神经和神经肌肉疾病递送策略出现，利用抗转铁蛋白受体1（TfR1）抗体的受体介导胞吞作用，实现致病转录本的组织靶向沉默。Avidity Biosciences已证明，TfR1导向的AOCs在非人灵长类动物中，条纹肌中的寡核苷酸浓度比非偶联RNA高出15倍以上，且具有跨物种的药代动力学/药效学翻译。(260)感染性和代谢疾病中的抗体-药物偶联物 除了自身免疫性和神经退行性疾病，ADC框架在传染性和代谢疾病中也越来越多地被探索。在传染病领域，抗体-抗生素偶联物（AACs）——ADC的直接结构类比——已被开发出来，以克服无法通过传统抗生素存在的细胞内细菌储库。(261)DSTA4637S原型AAC结合了抗壁聚酸抗体与通过蛋白酶可切割连接子递送的新型利福霉素类抗生素;当被管子化的金黄色葡萄球菌吞噬后，抗生素在细胞内释放，杀死本应在宿主细胞内残留的耐甲氧西林菌株，并完成了第一期临床评估。(262)在代谢疾病领域，早期项目正在调整ADC载荷递送概念，以应对动脉粥样硬化和血脂异常：LXR激动剂-ADC被设计为选择性地将脂质调节载荷输送到动脉粥样硬化斑块中的巨噬细胞，利用巨噬细胞特异性表面抗原绕过历史上限制系统性LXR激动剂使用的肝毒性。(263)这些项目共同表明，支撑ADC的精准递送原则——在特定细胞群体下靶向释放有效载荷——是一种可推广的治疗逻辑，远超肿瘤学领域，随着连接体和抗体工程的成熟，非肿瘤学应用的广度也在迅速扩展。(7) 在上述所有非肿瘤适应症中，当前ADC项目共同存在的结构性局限是几乎完全缺乏针对疾病的机器学习模型训练数据集——这与肿瘤学形成鲜明对比，肿瘤学中ADC活动、耐药机制和患者结局等大型注释数据集逐步被整合以支持AI驱动的设计。构建互操作的多组学存储库，能够以单细胞分辨率捕捉自身免疫疾病中免疫细胞表面表型，在神经退行性疾病中捕捉中枢神经系统细胞类型特异性抗原表达谱，以及细菌表面抗原在传染病中的变异性，将是将本综述中描述的人工智能驱动的ADC设计框架扩展到这些新兴适应症的前提。(264)与此同时，有效载荷药理学的计算模型——包括细胞内释放动力学、受体内化动力学和旁观者效应建模——将需要在非肿瘤细胞环境中重新校准，因为目标细胞的生物学在增殖率、内体输运效率和溶酶体蛋白酶活性方面与肿瘤细胞存在根本差异。最后，支持非肿瘤生物制品开发的计算证据监管框架处于较早成熟阶段，计算ADC开发者与监管机构之间的积极合作对于在这些新疾病环境中制定AI辅助靶标选择和共轭优化的可接受证据标准至关重要。(264)局限性 人工智能和计算方法在ADC开发流程中的应用——从抗原发现、抗体工程到连接子优化、有效载荷设计和临床药理学——具有变革性潜力，但其当前可靠性和转化影响仍面临重要挑战。模型性能受训练数据集可用性和质量的限制，而这正是机器学习中的关键方面。在肿瘤学中，现有数据往往稀少、偏倚或不平衡，限制了预测准确性和外部效度。(14,137人)预测可能缺乏跨抗原、载荷化学型或肿瘤情境的普遍性，引发了对模型可转移性的担忧。 一个相关但不同的限制，在ADC语境中很少被讨论，是模型过度自信：许多深度学习架构即使在训练分布之外运行，或底层数据不足以支持自信结论时，也能产生高度确定性的预测。校准不佳——即模型置信度分数与实际预测准确性不一致——可能误导研究人员用昂贵的实验资源去追求虚假线索，尤其危险于ADC设计中，因为每次合成和测试周期都昂贵且耗时。(265)这一问题在生成式人工智能和基于大型语言模型（LLM）的方法中尤为严重，这些方法正越来越多地被用于分子设计和文献综合：这些模型能够产生流畅、合理且内部一致的输出，但实际上是错误的——这种现象被称为虚构——并且可能提出看似科学可信但缺乏实验证据的分子设计或结构-活性关系。(266)不确定性量化方法，包括集合方法、贝叶斯神经网络和基于语义熵的构思检测，正逐渐成为预测模型的重要补充，用于在低置信度输出进入实验流程前将其标记，但它们在ADC聚焦AI工具中的系统性应用仍然有限。( 265,266) 此外，许多人工智能框架的可解释性落后于预测能力;虽然深度学习模型如变压器实现了最先进的性能，但其“黑匣子”特性使生物学洞察和监管接受度变得复杂。( 109,267) 可解释人工智能（XAI）框架——包括SHAP、LIME和注意力可视化工具——正日益被用于弥补这一空白，但模型复杂性与可解释性之间仍存在根本张力：最准确的模型通常最不透明，事后解释方法提供的是模型行为的近似，而非真正的机制洞察。(265)监管机构正在应对这一挑战：FDA于2025年1月发布的关于利用人工智能支持药品和生物制品监管决策的草案指导，明确要求开发者定义使用背景、展示模型普适性，并提供可追溯的验证证据——首次在生物制剂监管提交中建立了人工智能证据的正式框架， 包括潜在的ADC应用。(268) 从这个意义上说，MD计算方法的整合（不依赖显式训练数据集）可以很好地补充某些AI框架所缺乏的分子和机制洞察。关键是，计算机预测需要严格的实验验证，因为仅靠计算流程尚无法替代体外或体内测试。(209) 这一验证差距的一个具体且被低估的方面是，ADC领域AI模型几乎完全缺乏前瞻性的实验验证研究：绝大多数已发布的基准测试反映了对已知结构或历史数据集的回顾性表现，且当这些模型前瞻性应用于训练分布外真正新颖的ADC候选模型时表现尚不清楚。社区认可的基准数据集和标准化验证协议——类似于蛋白质结构预测中的CASP——迫切需要，以实现竞争AI模型的客观比较，并建立监管和临床信任所需的证据基础(95) 人工智能在临床开发工作流程中的整合仍然不均衡，转化应用受基础设施缺口、数据共享障碍以及缺乏标准化监管框架的阻碍。( 174,190)联邦学习是解决数据共享障碍最有前景的技术解决方案之一：通过使多个制药机构能够协作训练共享模型，而无需传输专有原始数据——仅共享模型梯度或精炼知识——联合方法可以在保持数据机密性的同时大幅扩展每个参与者可用的有效训练数据集。FLuID框架在八家制药公司实际合作中验证，证明联邦蒸馏扩展了模型适用领域，并提升了预测性能，相较于仅基于任何单一公司数据训练的模型，同时不损害数据隐私或安全性。(269)应用于ADC开发，联邦学习可以实现整个行业范围内ADC活动、药物动力学和安全性数据的池化——这些数据集目前在任何单一组织内都过于稀缺，无法训练可靠的机器学习模型——同时尊重使直接数据共享不切实际的竞争和监管限制。实现这一潜力需要在ADC研究社区内部就标准化数据格式、共享本体和互操作性标准达成共识。(269) 通过创建大型、互操作的多组学数据集、开发可解释的人工智能模型，以及将计算预测与实验验证紧密结合，解决这些挑战对于实现人工智能在ADC开发中的全部转化潜力至关重要。( 230,268)虽然药物开发中人工智能的正式监管指导仍在发展，但表明该领域正朝着计算预测能够有意义地为监管提交做出贡献的阶段迈进——前提是满足当前定义的验证、透明度和普遍性标准。(268)结论与观点 本综述追踪了计算和人工智能驱动方法在整个ADC工程设计级联中的应用。在抗原发现层面，机器学习应用于集成的基因组、转录组和蛋白质组数据集，现在允许系统地优先排序肿瘤选择性、表面可及靶点，基于质谱的表面组分析纠正了转录本丰度与细胞表面蛋白密度之间的不完美对应，这一问题历来阻碍了仅RNA优先排序。(22,23,24,25,26)对该逻辑的改进——包括抗原脱落、受体更替、糖基化下的表位可及性、单细胞分辨率下的肿瘤内异质性，以及CRISPR衍生的本质性作为抗性潜力的代理——将靶点选择从静态表达指标中进一步提升。(7,8,20,21,34,59)在抗体工程中，生成式架构和蛋白质语言模型同时优化亲和力和特异性，同时提升可开发性，而基于扩散的框架已证明可以针对用户指定的表位进行全新生成结合剂，原则上将抗体发现与免疫和文库筛选分离。(10,89,90,91,105)基于物理的仿真——全原子、粗粒度和混合MD/MC——提供了不依赖训练数据的原子力学洞见，因此补充而非重复数据驱动推断。(10,127,192,206)最后，混合PBPK-AI模型和数字孪生模拟将预测扩展到肿瘤穿透、全身暴露、毒性和剂量优化，相同的计算逻辑现已被导出到自身免疫、神经退行性、感染性和代谢适应症。(129,212,213,234,263)统一主题是用同时进行的多参数计算机优化取代顺序经验迭代。 然而，这一承诺与日常实践之间仍有若干障碍。最根本的是数据：ADC领域的训练集稀疏，肿瘤类型和载荷化学类型间不平衡，且严重偏重少数经过充分研究的抗原，这限制了外部效度，并引发了关于可转移至罕见或代表性不足肿瘤情境的未解性问题。(48,49,137)更糟的是，许多深度学习架构校准不佳，能够在训练分布之外产生自信的预测;对于生成式和大型语言模型工具，同样的趋势表现为虚构，产生流利且内部连贯但实验上缺乏依据的分子提案。( 265,266)由于每个ADC合成和测试周期成本高昂，未经校准的信心直接导致资源浪费。可解释性仍是第二个约束，最准确的架构通常是最不透明的，且事后解释方法提供模型行为的近似而非机械理解——这种张力直接影响监管接受度。(109)第三，该领域的验证几乎完全是事后性的：已发布的基准测试报告了历史数据集和已知结构的表现，且对真正新颖候选的预测测试极为罕见，导致大多数模型的现实世界预测价值无法量化。(95,101 )第四，现有框架是横断面的，将抗原表达、运输能力和转运蛋白状态视为固定输入，因此结构上无法预测后天性耐药性，后天性是一个不断演变的多机制过程，涵盖抗原丧失、溶酶体蛋白酶解缺陷、转运蛋白下调和排外流诱导。(78,236,241)最后，弥合这些差距所需的数据分布在那些竞争和监管限制使传统共享变得不切实际的组织之间。 这些限制是可以解决的，且已有多种具体的解决方案可用。联合学习为数据碎片化提供了最直接的解决方案：通过交换模型梯度或精炼知识而非专有原始数据，多机构合作能够整合ADC活动、药代动力学和安全性数据集，这些数据集是单一组织无法拥有的，并在适用领域和现实制药联盟的预测表现上取得了显著提升。(269)实现这一目标需要就共享本体、标准化数据格式和互操作性标准达成共识，同时还要制定涵盖组织学和地理多样化患者群体的泛癌表面组图谱，以抵消培训偏差。验证差距应通过社区基准数据集和类似于蛋白质结构预测中的CASP的标准化评估协议来弥补，同时有意转向前瞻性测试，即模型在实验评估前提名候选产品，而非通过回溯回忆评分。(95,101 )不确定性量化——通过集合方法、贝叶斯架构和基于语义熵的构造检测——应成为默认报告要求，以便在低置信度输出传播到实验流程前被标记。( 265,266)可解释性可以通过两条互补路径追求：应用于预测模型的可解释人工智能方法，以及系统整合基于物理的仿真，后者能够独立于训练数据产生机械理据。预测耐药性需要专门构建的纵向资源——序列单细胞转录组学、循环肿瘤DNA以及针对临床结果注释的空间蛋白质组学剖析——作为循环或动力系统模型的训练基础。始终，应从一开始就规划与新兴监管期望的对应，如明确的使用环境、已证明的普遍性和可追溯的验证证据，而非事后调整。( 235,268) 展望未来，我们认为有几个方向特别有前景。第一是真正的协同优化：抗原、抗体、结合位点、连接子和载荷在组件上依然得到优化，但它们的相互作用决定了治疗指数，将ADC视为单一耦合系统的多目标框架，可能带来的收益可能超过对单个模块的进一步优化。(8,10 )第二种是时间感知建模。耐药性是耐久性的主要决定因素，预测其轨迹——选择压力下的抗原切换、溶酶体输出能力丧失、外流转运体诱导——将使计算设计从静态练习转变为治疗测序的工具。( 244,246)第三，机制性意外持续重塑设计逻辑，应明确建模：细胞外蛋白酶介导的连接蛋白切割在低抗原环境中驱动活性的证明，意味着肿瘤蛋白酶景观而非仅由内化决定目标和连接蛋白的选择。(73)第四，新生表位导向抗体生成，结合受体共表达的计算探究，开辟了一个双特异性和双载荷结构的组合设计空间，这是实证筛选无法实现的。(153)最后，ADC技术在肿瘤学之外的推广将测试这些框架在治疗窗口和目标生物学与癌症显著差异的环境中的普遍适用性。这些都不取代实验验证，而实验验证依然不可或缺。因此，现实的短期预期并非计算机模拟设计的自主，而是预测与实验之间一个更紧凑、更快、更精准的循环——而人工智能在ADC开发中的转化价值最终将在该循环中实现，而非单一算法。