AI 抗體設計首度通過高難度盲測：Aureka 只在一項任務勝出

這場目前最嚴格的 AI 抗體設計盲測，給出的答案不是「AI 已經全面勝出」，而是更有條件的肯定：人工智慧確實能生成經實驗驗證、親和力極高且具開發潛力的抗體候選，但沒有任何單一方法能在所有設計任務中穩定領先。16

最亮眼的成績來自 Aureka Biotechnologies。其模型設計的 SARS-CoV-2 刺突蛋白受體結合域（RBD）抗體，實測親和力達到 94.7 pM，比原始親本抗體提升約 2,000 倍。這個數值也優於傳統實驗成熟化得到的最佳 113 pM 抗體；不過，兩者差異在統計上並不具決定性，因此較準確的說法是 AI 設計與最佳實驗結果相當，而非已明確擊敗實驗方法。16

AIntibody Challenge 測試了什麼？

AIntibody Challenge 採用類似蛋白質結構預測社群 CASP 的競賽設計，重點不在模型自己給出的分數，而在提交的序列能否通過獨立、標準化的實驗室檢測。共有 29 個組織提交 511 條抗體序列，參賽者並不負責替自己的設計驗證結果。12

研究以 SARS-CoV-2 刺突蛋白 RBD 抗體為對象，涵蓋三種抗體發現情境：

1. 電腦模擬親和力成熟化：在既有親本抗體的基礎上提升結合能力。
2. 親和力排序：從三個受限的 HCDR3 序列群中，找出最強結合者。
3. 庫外設計：建立或最佳化供應實驗序列庫以外的 CDR 序列。1

主辦方以表面電漿共振（SPR）及另一種獨立的 KinExA 檢測量度結合能力，並加入五項可開發性測試，檢查可能妨礙抗體成為藥物的特性。換句話說，參賽作品評比的是實際在實驗室中的表現，而不是模型聲稱它們有多優秀。1

Aureka 的 94.7 pM 抗體為何重要？

Aureka 最成功的場景是第一項「親和力成熟化」任務。論文將其獲勝抗體列為 AuraBind，而該設計與公司的 AuraIDE 平台相關；實測親和力為 94.7 pM，約是親本抗體的 2,000 倍。146

比較基準同樣關鍵。經過約 3 個月噬菌體成熟化實驗後得到的最佳抗體，親和力為 113 pM。由於數值越低代表結合越緊密，94.7 pM 在數值上較佳，但研究並未證明兩者存在統計上明確的差距。16

Aureka 的成果也不只是一條「冠軍序列」。公司共設計出 6 種親和力低於 10 nM、同時通過挑戰可開發性標準的抗體；在親和力成熟化排名中，其提交作品分列第一、第二及第五名。1

獲勝序列不是現成克隆的翻版

根據研究摘要，AuraBind 並非直接重新找回某個已由實驗篩選出的抗體克隆，而是重組了從既有選擇資料推斷出的替換及突變模式。模型先生成 10,000 個候選序列，再由結構資訊導向的親和力模型挑出設計。1

AuraIDE 同時結合結構建模與經偏好訓練的適應度預測器。這個預測器並非直接猜測每條序列的絕對結合常數，而是學習實驗中相對的富集程度，讓模型更適合用於候選排序。1

這種差異對抗體發現很重要。實用的設計系統不一定要精準預測每條序列最後的親和力；更重要的是，它能否提高有限數量候選物中出現強效、可實際開發抗體的機率。

Aureka 贏了一項任務，並非整場通吃

Aureka 是第一項任務的明顯勝者，但其優勢沒有延伸到另外兩項挑戰。在序列群排序任務中，不同序列群由不同團隊領先：UCSD／Scripps 在 27F 勝出，WashU／Xencor 在 28F 領先，WashU 則在 47F 勝出；庫外設計任務由 Xencor 拿下。1

論文的跨任務分析也指出，每個公開披露的團隊，都至少有一項挑戰的最佳成績明顯落後於領先提交作品。1

這正是整場盲測最值得注意的訊息：AI 抗體設計並不是單一、均質的能力。當系統手上有大量標的特異性資料、要改善一個已知抗體時，可能表現出色；但當任務變成在序列群中排序，或在既有資料庫之外重新設計，可靠度可能大幅下降。

AI 能否減少抗體實驗室的反覆試錯？

這項研究最具實務意義的方向，是先導抗體最佳化，而不是取消實驗室。在理想情況下，能力成熟的模型可減少抗體庫建立、展示篩選、克隆表達及逐一檢測的反覆週期。第一項挑戰中，約 13% 的提交序列至少讓親和力較親本提升 20 倍，但不同參賽者之間的表現差異很大。1

因此，結果更支持「實驗室在迴路中」的工作流程：

• 以實驗篩選及定序資料協助生成候選序列；
• 由模型優先挑出數量較少、但可能更多元的序列；
• 在盲化且標準化的條件下表達及檢測候選物；
• 在推進候選物之前，同時評估親和力及可開發性。

最後一步不可省略。部分結合能力很強的設計未能通過一項或多項可開發性測試，尤其是與多反應性相關的檢查。94.7 pM 的數字十分亮眼，但單靠強結合能力，並不足以讓抗體進入藥物開發計畫。1

最大疑問：能否推廣到其他標的？

這是一場嚴格的前瞻性測試，但對 AI 而言，環境仍相對有利。研究只使用一個特性已充分了解的抗原，並提供大量深度定序及親和力資料；尤其第二、第三項任務所用的資訊，在真實藥物發現計畫的同一階段通常未必存在。1

結果也反映了這項限制。在 HCDR3 序列群資料中，除了 1 個模型外，其餘模型在預測高親和力克隆時表現不佳，甚至不如隨機選擇；庫外設計的結果同樣高度不穩定。12

因此，這項研究尚不能證明 AI 在陌生抗原、資料稀疏的情況、不同抗體格式，或治療性抗體所需的完整特性評估中，也能取得同樣成績。它證明的是：在定義清楚、具充分生物學資料的情境下，某些系統能夠非常有效。

盲測結果如何影響 Aureka？

對 Aureka 而言，這項挑戰的價值在於，它把公司的平台與一個經第三方獨立實驗驗證的結果連結起來，而不只是展示內部模型分數。公司在 2026 年 8 月完成 1 億美元 B 輪融資，累計募資接近 2 億美元；首批資金由 Granite Asia 提供，後續批次則由一名策略投資者領投。1821

Aureka 也曾公布，已與多家跨國藥廠展開以商業開發及 NewCo 模式為基礎的合作。4 新資金與藥廠合作，為公司把模型生成的抗體設計推向藥物計畫提供了資源及可能的轉化路徑。418

但這場盲測並不是臨床驗證。它沒有證明 Aureka 的平台一定能產出成功藥物，也沒有證明其整體能力廣泛優於傳統抗體發現方法。現有證據支持一個更精確、也更有用的結論：Aureka 的 AI 輔助流程，至少能在一種定義清楚、資料充足的抗體最佳化情境中，產出高效且具開發潛力的候選物；至於能否跨越不同標的與發現條件，仍有待更廣泛的盲測。