【守衡解读】mAbs 2026：AI能预测抗体可开发性，但膜蛋白脱靶仍要实验证明

前言

抗体药物开发正在进入一个新阶段：越来越多团队希望在实验之前，用AI模型提前判断候选抗体是否「值得做」。2026年，mAbs发表《Application of protein language models for antibody developability prediction》，聚焦蛋白语言模型在抗体可开发性预测中的应用，重点关注PSR、HIC retention time和AC-SINS等实验指标[1]。这些指标分别指向多特异性、疏水性和自相互作用，是抗体能否顺利进入CMC、药代和临床前安全评价的重要信号。

这篇文献对相关业务的启发在于：AI可以帮助研发团队更早排序候选抗体，但它不能替代真实的人体背景验证。一个抗体在PSR或HIC上表现更好，并不等于它不会识别非预期膜蛋白；一个模型预测风险较低的分子，也仍需要在细胞水平确认抗体特异性。对于ADC、双抗、CAR-T识别结构域等强效疗法，膜蛋白阵列仍是把「预测风险」转化为「可解释证据」的关键工具。本文将系统探讨AI预测与实验验证之间的关系，提出一套更完整的抗体可开发性评估框架。

一、AI预测解决的是效率问题，不是最终证明问题

蛋白语言模型的优势是能够从大量序列和结构表示中学习规律，把传统上需要大量实验筛选的抗体可开发性问题前移。文献以PSR、HIC和AC-SINS三类实验指标为重点，说明当前AI模型已经开始接近药物开发真实场景，而不是只预测简单亲和力[1]。这种进步意味着研发团队可以在数百万候选序列中快速剔除高风险的分子，将实验资源集中在最有希望的候选抗体上。

但这些指标主要反映抗体整体的物理化学特征和非特异性倾向，并不能直接告诉研发团队：它到底会不会结合某个人膜蛋白。PSR反映的是多特异性倾向，HIC反映疏水性，AC-SINS反映自相互作用——它们都是「倾向」而非「确定性」。一个在PSR上表现优异的抗体，仍然可能在膜蛋白阵列中对某个非预期膜蛋白产生特异性结合。这种结合可能来自CDR区的独特序列特征，而非整体理化性质所能预测。

因此，AI预测和膜蛋白阵列之间的关系不是替代，而是互补。AI可以大幅缩小候选池，把成千上万个序列缩减到几十个值得深入验证的分子；膜蛋白阵列则对这几十个分子的细胞表面脱靶风险进行系统性验证。这种分工既能利用AI的效率优势，又能弥补AI在「人体膜蛋白背景验证」这一维度的天然短板。

二、抗体特异性的核心问题仍然发生在细胞表面

膜蛋白是药物靶点、免疫识别和组织毒性的交汇处。ADC依赖膜蛋白介导内化，CAR-T依赖细胞表面抗原触发杀伤，双抗和三抗则可能同时引入多个结合界面。AI可以提示某个候选抗体可能存在多特异性或自聚集风险，但真正决定安全边界的，仍是它在人质膜蛋白阵列中的结合谱——也就是它与人膜蛋白组之间的实际结合关系。

守衡生物自主构建的6000+膜蛋白质粒库能够在细胞水平观察候选分子是否存在非预期膜蛋白结合，覆盖约94%的人膜蛋白组。这种覆盖度的意义在于：非预期结合可能发生在任何一个膜蛋白上，只有足够宽的筛查面才能确保不会遗漏关键风险。对于ADC和CAR-T等效应机制放大的疗法，即便是一个低丰度、低亲和力的非预期结合，也可能在payload或T细胞杀伤的放大下产生临床后果。

AI模型还有一个被忽视的局限：其训练目标往往来自既有实验数据，而这些数据本身并不总是覆盖细胞表面膜蛋白脱靶。模型能学习到PSR、HIC或AC-SINS背后的序列规律，却未必学习到某个抗体与罕见膜蛋白、同源蛋白家族成员或构象依赖表位之间的真实结合关系。因此，AI预测结果越被用于早期决策，越需要有一个独立实验平台作为外部校准，而人质膜蛋白阵列正适合承担这一角色。

三、AI与膜蛋白阵列是前后衔接，不是二选一险

更合理的流程是：先用AI和高通量体外指标对候选抗体进行初筛，剔除明显存在可开发性风险的分子；再用人质膜蛋白阵列复核进入候选池的分子，确认它们是否对健康膜蛋白组产生非预期结合；最后结合TCR、组织表达数据库和功能实验，形成IND前风险解释链。这个三步流程既提高了筛选效率，也减少了「模型预测很好但实际脱靶」的盲区。

对ADC和双抗项目而言，这种前后衔接的逻辑更有必要。ADC payload会放大靶点选择错误，双抗结构会增加结合界面，三抗甚至可能引入更多空间构象变化。候选抗体在序列层面看起来「可开发」，不代表偶联后分子或完整多特异结构仍保持干净结合谱。因此，建议在裸抗、工程化结构和偶联后分子三个阶段分别进行特异性验证，把抗体特异性从单一指标变成贯穿开发全流程的连续监控。

从监管角度看，FDA 2025年减少动物试验路线图强调更人相关的新方法学在非临床安全评价中的作用[2]。这并不意味着用AI替代实验，而是提示开发者建立更可解释、更贴近人体的体外证据。膜蛋白阵列可以提供候选分子与人膜蛋白组之间的直接结合证据，帮助研发团队解释为什么某个分子不仅「可制造」，也更可能「可安全推进」。这种「预测+验证」的组合证据在未来监管沟通中将越来越重要。

四、守衡生物的定位：AI驱动抗体发现流程中的关键实验校准环节

对早期抗体项目，守衡生物平台可用于候选分子排序和脱靶分析——将AI初筛后的候选池进一步缩小到脱靶谱干净的分子。对ADC、CAR-T和双抗项目，平台可在IND前补充人膜蛋白组特异性验证，为申报材料增加可追溯的安全性证据。对AI驱动抗体发现平台公司，膜蛋白阵列可作为模型输出后的实验校准层，验证AI预测结果在实际人体膜蛋白背景中的可靠性。

守衡生物在这一流程中的价值不是替代AI工具，而是为AI预测提供缺失的细胞表面维度。抗体可开发性评估传统上聚焦于CMC属性（聚集、稳定性、表达），但细胞表面膜蛋白脱靶同样决定临床安全性。6000+库容的人质膜蛋白阵列能够把PSR、HIC等体外指标的潜在风险信号转化为具体结合哪些膜蛋白、风险如何分级的可解释证据，让AI的「风险提示」落地为可操作的实验结论。

总论：

这篇mAbs 2026文献提醒我们：AI正在改变抗体可开发性评估的速度和广度，但抗体特异性仍必须回到真实生物系统中验证。对于药物开发者来说，最优解不是在AI和实验之间二选一，而是让AI帮助缩小候选范围，让膜蛋白阵列帮助确认脱靶风险。只有把「更快发现」和「更稳推进」统一起来，抗体药物才能从序列空间走向临床价值。

总之，AI正在让抗体发现更快，但不会让它更不需要验证。当算法帮助我们在数百万序列空间中挑出最可开发的候选分子时，人质膜蛋白阵列可以回答AI无法回答的问题：这些分子在人体的真实膜蛋白环境中是否依然干净。对于ADC、双抗和CAR-T等强效疗法，这个问题的答案直接关系到临床安全窗口。守衡生物愿意成为AI驱动抗体发现流程中的关键实验校准环节。

参考文献

[1] Application of protein language models for antibody developability prediction[J]. mAbs, 2026.

[2] U.S. Food and Drug Administration. Roadmap to Reducing Animal Testing in Preclinical Safety Studies[S]. 2025.

关于我们

守衡⽣物是⼀家专注于抗体特异性分析领先解决⽅案的⽣物技术公司，通过⾃主构建6000+膜蛋⽩质粒，建⽴了⾃动化、⾼通量检测平台，打造出国际首家平台，能提供“⼀站式、⼀体化”的蛋⽩⾮特异性筛选服务；为药物安全性评估提供系统的解决⽅案。

守衡生物目前完成了多例已上市的单克隆抗体脱靶性研究，提供的检测数据报告已进行了IND、FDA申报，从而解决样品国外送检时间久，沟通成本高等一系列问题，助力研发团队的研发进程和IND申报加速，减少在研发和临床实验中的投入风险。