Absci：AI 抗体设计平台公司观察

Absci 的路线特点是把 AI 设计与自建的高通量湿实验平台深度绑定，聚焦抗体药物。它代表了一个重要判断：在抗体领域，实验通量比模型精度更是瓶颈。

抗体设计的特殊性

特点	影响
结合主要由 CDR 环决定	设计空间集中在 6 个可变环上
骨架高度保守	不需要从头设计整个蛋白
可高通量表达筛选	一次可测数千到数万个变体
有成熟的开发路径	抗体药物的 CMC 与监管路径成熟
免疫原性风险	人源化程度直接影响可用性
可开发性问题多	聚集、粘度、化学不稳定位点

「设计空间集中在 CDR 环」是抗体设计比从头蛋白设计更可行的关键原因：不需要解决蛋白折叠问题，只需优化几十个关键残基。

干湿闭环为什么在抗体领域特别有效

• 实验通量高：噬菌体展示、酵母展示、哺乳细胞高通量表达，能一次测试数千个变体；
• 数据标准化：同一平台、同一批次产生的结合数据高度可比，非常适合训练模型；
• 反馈快：从设计到拿到结合数据可能只需数周；
• 失败数据完整：不结合的变体也是数据，而这类数据在公开文献中几乎不存在；
• 形成正循环：更多数据 → 更好的模型 → 更精准的设计 → 更高效的实验。

这个循环解释了为什么「AI + 自建湿实验」的模式在抗体领域比在小分子领域更容易跑通：小分子的合成周期以周到月计，一次只能做几十个，闭环转得慢得多。

AI 在抗体开发中的具体应用

• 亲和力成熟：预测哪些 CDR 突变能提高亲和力，减少盲目筛选；
• 人源化：把动物来源抗体改造成人源序列，同时保持结合；
• 可开发性预测：聚集倾向、粘度、化学不稳定位点（如脱酰胺、氧化位点）、等电点；
• 免疫原性预测：T 细胞表位预测；
• 从头设计：直接生成针对靶标的新抗体序列——这是最前沿也最困难的部分，成功率仍有限。

开源工具与资源

# 抗体特有的开源工具
#   ANARCI          —— 抗体编号（Kabat/Chothia/IMGT）与种系分配
#   AbNumber        —— ANARCI 的 Python 封装，更易用
#   IgFold / ABodyBuilder —— 抗体结构快速预测
#   AlphaFold-Multimer / Boltz（192）—— 抗体-抗原复合物预测
#   ESM（194）      —— 序列表示与零样本突变效应打分
#   TAP             —— 治疗性抗体的可开发性五项指标

# 数据资源
#   OAS（Observed Antibody Space）—— 数十亿条抗体序列
#   SAbDab          —— 抗体结构数据库
#   Thera-SAbDab    —— 治疗性抗体数据库

# 用 ESM 做零样本突变筛选（见 194）
# 对 CDR 每个位点做饱和突变的 log-prob 打分，
# 优先测试模型认为「不破坏折叠」的突变

抗体开发的真实门槛

找到一个高亲和力的结合物只是开始：

• 可开发性：能否高表达？会不会聚集？高浓度下粘度如何（皮下注射需要高浓度）？化学稳定性如何？很多亲和力优秀的抗体因为可开发性问题被淘汰。
• 免疫原性：人体是否会产生抗药抗体，导致疗效丧失或不良反应。
• 药代：半衰期、组织分布、靶点介导的清除。
• 生产：细胞株开发、纯化工艺、质量控制。
• 临床：与小分子一样，疗效与安全性的验证是最大的关口。

AI 目前在「亲和力优化」和「可开发性预测」这两块贡献最实在，对后面的环节帮助有限。

延伸资源

• 蛋白设计工具：196《ProteinMPNN》、197《RFdiffusion》、194《ESM》；
• 同类公司：317《Generate:Biomedicines》；抗体与生物药见「新药模态」模块。