抗体可开发性 Developability：聚集、黏度与稳定性预测

一个抗体即使亲和力优秀，如果会聚集、高浓度下黏度过高、或化学不稳定，就无法成药。可开发性（developability）评估的目的是在早期就筛掉这类候选，避免在后期才发现问题。

主要的可开发性风险

问题	后果	主要成因
聚集	免疫原性、失活、生产困难	暴露的疏水补丁、低稳定性
高黏度	无法皮下注射（需 >100 mg/mL）	电荷分布不均、自缔合
低表达量	生产成本高	折叠效率、序列特征
化学不稳定	储存期间降解	脱酰胺、异构化、氧化位点
低热稳定性	储存与工艺问题	框架区、CDR 序列
非特异结合	PK 差、脱靶	正电荷过多、疏水性高
免疫原性	抗药抗体、失效	非人源序列、T 细胞表位

黏度是皮下注射制剂的硬约束：单抗常需要 100～200 mg/mL 的高浓度制剂，若在此浓度下黏度过高（通常要求 < 20 cP），就无法用常规注射器给药。

序列层面的快速筛查

import re
from abnumber import Chain

LIABILITY_MOTIFS = {
    "deamidation_high":  r"NG",                 # 最高风险
    "deamidation_med":   r"N[STGH]",
    "isomerization":     r"D[GSTD]",
    "oxidation_met":     r"M",
    "oxidation_trp":     r"W",
    "n_glycosylation":   r"N[^P][ST]",          # 非预期糖基化位点
    "cleavage":          r"DP",
    "free_cysteine":     r"C",                   # 需检查是否配对
}

def scan_sequence_liabilities(heavy, light, scheme="imgt"):
    findings = []
    for chain_name, seq in [("H", heavy), ("L", light)]:
        ch = Chain(seq, scheme=scheme)
        cdr_regions = {
            "CDR1": ch.cdr1_seq, "CDR2": ch.cdr2_seq, "CDR3": ch.cdr3_seq,
        }
        for liability, pattern in LIABILITY_MOTIFS.items():
            for m in re.finditer(pattern, seq):
                # 判断是否落在 CDR（风险更高）
                in_cdr = any(m.group() in c for c in cdr_regions.values())
                findings.append({
                    "chain": chain_name, "liability": liability,
                    "motif": m.group(), "position": m.start() + 1,
                    "in_cdr": in_cdr,
                    "severity": "high" if in_cdr else "medium",
                })
    return findings

# CDR 中的化学不稳定位点风险最高 ——
# 一旦发生修饰就可能直接失去结合活性

结构层面的指标

import freesasa
import numpy as np
from Bio.PDB import PDBParser

def compute_developability_metrics(pdb_path):
    """从预测或实验结构计算可开发性指标"""
    structure = freesasa.Structure(pdb_path)
    result = freesasa.calc(structure)

    metrics = {}

    # 1) 疏水表面积占比（聚集倾向的主要指标）
    HYDROPHOBIC = {"ALA","VAL","LEU","ILE","MET","PHE","TRP","PRO","TYR"}
    total_sasa = result.totalArea()
    hydrophobic_sasa = sum(
        result.atomArea(i) for i in range(structure.nAtoms())
        if structure.residueName(i).strip() in HYDROPHOBIC)
    metrics["hydrophobic_sasa_fraction"] = hydrophobic_sasa / total_sasa

    # 2) 最大疏水补丁面积
    #    连续的疏水表面区域，是聚集的成核位点

    # 3) 电荷分布不对称性（黏度的主要预测因子）
    #    计算 Fv 区域的净电荷与电荷分布
    #    经验：pH 6 下净电荷过高或电荷分布不均 → 黏度风险

    # 4) 等电点（pI）
    #    经验：pI 在 6~9 之间较好
    #          pI 过高（>9）与快速清除、组织非特异结合相关

    return metrics

TAP：治疗性抗体分析器

TAP（Therapeutic Antibody Profiler）用已上市治疗性抗体的性质分布作为参照，判断候选抗体是否落在「已验证可行」的范围内：

TAP 五项指标	衡量
CDR 总长度	过长增加风险
CDR 疏水补丁面积（PSH）	聚集倾向
CDR 正电荷补丁（PPC）	非特异结合、清除加快
CDR 负电荷补丁（PNC）	黏度风险
结构域电荷对称性（SFvCSP）	黏度、自缔合

TAP 的思路很值得借鉴：不设绝对阈值，而是看候选是否落在已上市抗体的分布内。落在分布外不代表一定失败，但提示需要额外关注。

实验验证：计算只是初筛

实验	测什么
SEC-HPLC	聚集体含量（单体纯度）
DSF / DSC	热稳定性（Tm、Tagg）
加速稳定性	40℃ 储存后的降解
高浓度黏度	直接测 100+ mg/mL 的黏度
PSR / BVP ELISA	非特异结合倾向
AC-SINS	自缔合倾向（低浓度即可测）
肽图 + 质谱	化学修饰位点的实际发生率

AC-SINS 特别实用：它在低浓度（低样品量）下就能预测高浓度自缔合行为，适合早期批量筛选。

什么时候做可开发性评估

• 越早越好。理想情况是在文库设计阶段就排除有明显风险的序列特征（如 CDR 中的 NG 位点）。
• 先导筛选阶段：对几十个候选做计算评估 + AC-SINS、DSF 等快速实验。
• 候选提名前：完整的可开发性套餐，包括高浓度制剂研究。
• 常见错误：只按亲和力挑候选，到候选提名阶段才做可开发性评估，结果发现最优的抗体无法成药，被迫回退。把可开发性作为并行的筛选维度，而非串行的后置检查。

与亲和力的权衡

# 常见困境：亲和力最高的候选可开发性最差
#           （高亲和力常来自疏水相互作用，而疏水性正是聚集的来源）

# 应对：多参数优化而非单一优化
def developability_adjusted_score(affinity, tm, aggregation, viscosity_risk):
    """综合评分，用几何平均防止单项极差"""
    import numpy as np
    scores = [
        sigmoid_desirability(affinity, low=8.0, high=10.0),      # pKd
        sigmoid_desirability(tm, low=65.0, high=75.0),           # ℃
        reverse_desirability(aggregation, low=1.0, high=5.0),    # % 聚集体
        reverse_desirability(viscosity_risk, low=0.2, high=0.6),
    ]
    return float(np.prod(scores) ** (1 / len(scores)))

# 亲和力足够即可（通常 nM 级已满足），
# 不必追求极致而牺牲可开发性

延伸资源

• 结构预测：364《抗体结构预测》、365《CDR Loop 建模》；免疫原性：368《免疫原性预测》；
• 亲和力成熟：366《抗体亲和力成熟》。