人工智能驱动的抗体药物发现技术突破 - 研究团队开发了名为MAGE（单克隆抗体生成器）的First in Class人工智能模型，该模型基于蛋白质语言模型（PLM），无需初始抗体模板即可根据目标抗原序列生成配对的人类抗体可变重链与轻链序列[6][8] - MAGE模型通过对Progen2（一种通过普通蛋白质序列预训练的自回归解码器大语言模型）进行微调实现，利用自注意力机制捕获输入序列中的复杂依赖关系，通过下一标记预测策略从氨基酸序列中学习规律[8] - 该技术能够生成具备多样化序列特征的抗体，包括不同的重/轻链可变区基因使用模式、体细胞超突变（SHM）程度以及在训练数据中未曾出现的新型互补决定区（CDR）[8] 模型验证与实验效果 - 针对SARS-CoV-2野生型受体结合域（RBD），在实验验证的20个MAGE生成抗体中，有9个（45%）成功确认结合特异性，其中1个抗体对SARS-CoV-2的体外中和效力优于10纳克/毫升[9] - 针对训练数据中代表性不足的呼吸道合胞病毒A（RSV-A）融合前F蛋白，MAGE生成的23个抗体中有7个（30%）通过实验验证了结合活性[9] - 针对未在训练数据中出现的H5/TX/24流感病毒血凝素（HA）抗原，18个MAGE设计抗体中有5个（28%）通过验证，展现了模型的零样本学习新抗原的能力[10] 技术优势与应用前景 - MAGE是首创的无需提供抗体序列模板即可设计出具有明确靶标结合功能的新型人类抗体的AI模型，突破了现有方法仅限于抗体重新设计且需要初始抗体模板的限制[4][6] - 冷冻电镜（cryo-EM）结构解析表明，MAGE生成的抗体具有多样化的结合模式，并能在关键结合界面引入影响功能的关键氨基酸残基[10] - 该技术标志着抗体开发从传统的基于发现的实验方法向计算驱动方法的重大转变，有望解决传统抗体发现过程费力、缓慢且成本效益低的问题[3]