AI 設計抗體創下盲測佳績，但只喺一項任務真正勝出

今次大型盲測給 AI 抗體設計的答案，唔係簡單一句「得」或者「唔得」。結果顯示，人工智能確實可以設計出經實驗驗證、效力非常高的抗體候選物；但暫時未有任何單一方法，可以喺所有設計任務都保持同樣穩定的表現。\n\n最突出的一幕來自 Aureka Biotechnologies：公司以模型設計的 SARS-CoV-2 刺突蛋白受體結合域（RBD）抗體，測得 94.7 pM 的親和力，即約 2,000 倍優於原本的親本抗體。呢個結果與傳統抗體成熟實驗得到的最佳克隆——113 pM——統計上相若。16\n\n## AIntibody Challenge 究竟測試咩？\n\n今次 CASP 式的 AIntibody Challenge，目的係將「模型預測幾靚」同「實驗室實際表現」分開。共有 29 間機構提交 511 條抗體序列，之後由獨立團隊以統一標準進行實驗，而唔係由參賽者自行驗證自己的設計。12\n\n測試以 SARS-CoV-2 刺突蛋白 RBD 抗體為核心，涵蓋 3 種抗體發現情境：\n\n1. 電腦模擬親和力成熟： 以一條已提供的親本抗體為起點，嘗試進一步提升結合能力。\n2. 親和力排名： 喺 3 個受限制的 HCDR3 序列群組中，找出結合力最強的候選物。\n3. 庫外設計： 設計或優化不屬於原有實驗序列庫的 CDR 序列。1\n\n研究人員以表面等離子共振（SPR）測量結合能力，再用另一種 KinExA 方法作交叉驗證；同時加入 5 項可開發性測試，檢查一些可能令抗體即使效力高、仍然不適合發展成藥物的特性。換句話講，參賽作品最後係睇實驗表現，而唔係只睇模型自己報出的分數。1\n\n## Aureka 的 94.7 pM 成績有幾亮眼？\n\nAureka 最成功的地方係親和力成熟任務。論文列出的得獎抗體名為 AuraBind，而它所屬的平台係 Aureka 的 AuraIDE。該抗體測得 94.7 pM 親和力，較親本抗體大約提升 2,000 倍。146\n\n同傳統實驗比較，就更加有意思。研究團隊經過約 3 個月噬菌體成熟流程，得到的最佳實驗克隆為 113 pM。Aureka 的數字較低，代表結合力數值上更緊；不過，兩者之間的差距未達到統計上決定性的程度。最穩妥的講法係：AI 設計喺今次測試追平了最佳實驗結果，而唔係已經毫無疑問擊敗傳統方法。16\n\n而且，Aureka 的表現唔止得一條「爆冷」序列。公司一共設計出 6 款親和力低於 10 nM、同時通過挑戰可開發性標準的抗體；喺親和力成熟結果中，Aureka 的作品更佔據第 1、第 2 及第 5 位。1\n\n## 得獎序列點解值得留意？\n\n得獎抗體唔係簡單抄返一條已經由實驗揀出的現成克隆。根據研究摘要，它重新組合了由既有選擇數據推斷出的替換位點及突變模式，再由結構資訊主導的親和力模型，喺 10,000 條生成候選序列中選出最終設計。1\n\nAuraIDE 同時結合結構建模及經偏好訓練的適應度預測器。呢個預測器唔係直接估算每條序列的絕對結合常數，而係學習實驗中不同序列的相對富集程度；對於要從大量候選物中排優先次序，呢種做法更加貼近實際工作流程。1\n\n對抗體發現嚟講，實用的設計系統未必要準確預言每條序列最後會有幾高親和力。更重要係，佢能唔能夠提高一小批、實驗室真正有能力處理的候選物之中，出現強效而且可開發抗體的機會。\n\n## Aureka 贏咗一項，唔係贏晒全場\n\nAureka 係 Challenge 1 的明顯勝出者，但呢個優勢冇有延伸到其餘兩項任務。喺群組排名任務中，各組群的領先隊伍都唔同：UCSD／Scripps 喺 27F 領先，WashU／Xencor 喺 28F 勝出，而 WashU 喺 47F 領先；庫外設計任務則由 Xencor 勝出。1\n\n論文的跨任務分析亦指出，每一個有公開結果的團隊，至少有一項挑戰的最佳成績，明顯落後於領先提交作品。1\n\n呢個正正係今次基準測試最重要的訊息：AI 抗體設計唔係一種單一、通用的能力。某個系統可能好擅長利用豐富的靶點數據，改良一條已知抗體；但當它要喺一堆相近序列中排名，或者喺現有實驗庫之外重新設計，就未必同樣可靠。\n\n## 對實驗室流程有咩實際意義？\n\n目前最強的實際啟示，係 AI 可能首先改變先導抗體優化，而唔係直接取代實驗室。喺條件有利的情況下，模型可以減少抗體庫建構、展示篩選、克隆表達及逐一測試的循環次數。Challenge 1 中，約 13% 的提交作品至少令親本抗體的親和力提升 20 倍，但不同參賽者之間的表現差距相當大。1\n\n所以，今次結果更支持一種「實驗室在迴圈中」的工作方式：\n\n- 用實驗選擇及測序數據協助生成候選序列；\n- 用模型從中挑選數量較少、可能更多元化的序列；\n- 喺盲測及統一條件下表達和測試候選物；\n- 推進之前，同時評估親和力及可開發性。\n\n最後一步仍然不可缺少。部分親和力非常高的設計，未能通過一項或多項可開發性測試，尤其係與多反應性相關的檢查。94.7 pM 當然係一個搶眼數字，但單靠結合力，唔代表抗體就適合進入藥物開發。1\n\n## 最大疑問：換個靶點仲得唔得？\n\n今次研究係一次嚴格的前瞻性測試，但對 AI 來講，環境仍然相對有利。研究只集中於一個已被深入研究的抗原，並且有大量深度測序及親和力數據；尤其係第二及第三項任務，參賽者獲得的部分資料，喺真實藥物發現項目的同一階段未必會存在。1\n\n結果亦反映出呢個限制。喺群組式 HCDR3 數據中，除了一個模型之外，其餘模型預測高親和力克隆的能力都偏弱，甚至比隨機挑選更差；庫外設計的結果同樣非常參差。12\n\n換句話講，今次基準測試未能證明 AI 面對陌生抗原、資料稀少的項目、不同抗體格式，或者藥物開發所需的其他一大堆特性時，都可以交出同樣成績。它真正證明的是：喺資料充足、機理清晰而且界定明確的情境下，部分系統可以發揮得非常出色。\n\n## 對 Aureka 來講，下一步係由盲測走向藥物項目\n\n對 Aureka 而言，今次結果的價值在於，平台唔只係得到公司內部模型分數，而係同一個由外部獨立實驗驗證的成果直接掛鈎。公司其後於 2026 年 8 月完成 1 億美元 B 輪融資，累計融資額接近 2 億美元；首個融資部分由 Granite Asia 獨家注資，後續部分則由一名策略投資者領投。1821\n\nAureka 亦曾公布，正與多間跨國藥企進行商務拓展及 NewCo 類型合作。4 呢批資金及合作關係，為公司將模型設計的抗體帶入藥物項目，提供更多資源及可能的落地渠道。418\n\n但盲測勝出唔等於臨床驗證。研究未能證明 Aureka 的平台一定可以研發出成功藥物，亦未能證明它全面優於所有傳統抗體發現方法。現時證據支持的，是一個更精準、亦更有用的結論：Aureka 的 AI 輔助流程，至少喺一個定義清晰、資料充足的抗體優化任務中，能夠產生高效而具可開發性的候選物；至於能否跨越不同靶點及發現條件，仍然要靠更多真正的盲測去回答。