整合批量分选与机器学习增强单克隆抗体多样性：合成嵌合抗体技术新策略

《Biochemistry and Biophysics Reports》：Enhancing monoclonal antibody diversity by integrating bulk sorting and machine learning

本研究针对传统单细胞分选技术成本高、通量低且难以获取高中和活性抗体的问题，开发了合成嵌合抗体（SynCA）技术。通过整合B细胞批量分选与机器学习预测模型，成功在体外重构了多样化的抗体库，并发现抗体基因CDR3区域的DH和JL序列可预测IgG抗体重构效率。该方法显著提升了B细胞受体（BCR） repertoire多样性，为快速制备治疗性抗体提供了新策略。

　　

在传染病防治领域，单克隆抗体（mAb）作为重要的治疗工具，其开发效率与多样性直接关系到应对病毒变异的能力。然而，传统的单细胞分选技术虽能精准获取天然抗体对，但存在成本高昂、通量有限的问题，且患者体内大量抗原特异性B细胞可能产生无效甚至有害抗体（如自身抗体）。面对SARS-CoV-2等快速变异的病毒，亟需一种能够快速、经济地生成多样化抗体库的新方法。

为此，日本顺天堂大学的研究团队在《Biochemistry and Biophysics Reports》发表论文，提出了一种名为合成嵌合抗体（SynCA）的创新技术。该技术通过整合B细胞批量分选与机器学习模型，突破了传统方法的限制。研究团队从COVID-19康复者外周血单核细胞（PBMC）中批量分选约5000个记忆B细胞（Bmem），通过单链cDNA合成与基因克隆，构建了重链和轻链抗体基因库，并随机配对进行体外重构。关键发现在于，利用随机森林模型预测抗体表达效率时，重链CDR3中的D_H区域和轻链的J_L区域序列成为决定性因素。

研究采用的主要技术方法包括：从康复患者队列（n=7）中分离PBMC并通过流式细胞术分选抗原特异性Bmem；基于cDNA末端的快速扩增（RACE）技术克隆抗体可变区；使用Expi293F细胞系统进行IgG抗体瞬时表达；并通过随机森林算法分析抗体序列特征与重构效率的关联。

4.1. SynCA方法增强BCR repertoire多样性

通过对比SynCA与单细胞分选技术发现，SynCA显著提高了重链和轻链基因的香农多样性指数，并降低了基尼系数，表明其能捕获更广泛的抗体基因家族。体细胞超突变（SHM）分析显示，SynCA克隆的突变频率更低，进一步证实其多样性优势。

4.2. BCR repertoire多样性增加主要源于PCR步骤

通过独立PCR与转化实验验证，PCR过程中的扩增偏倚是多样性增加的主要驱动力。不同循环数和酶种类的比较表明，PCR条件对克隆多样性有显著影响。

4.3. SynCA实现同源与异源 donor抗体配对重构

研究发现，SynCA技术不仅能重构体内天然抗体对，还能成功表达不同来源 donor的重轻链组合。部分异源配对抗体甚至表现出更高的表达量，但某些天然优势克隆（如IGHV1-8）在体外难以重构。

4.4. 异源 donor抗体存在自身免疫反应风险

自身抗体阵列检测显示，异源 donor配对的抗体中，部分克隆对髓过氧化物酶、dsDNA等自身抗原产生反应，提示随机配对需警惕安全性问题。

4.5. 特定可变区序列预测IgG重构效率

机器学习模型鉴定出D_H和J_L区域的关键核苷酸序列（如ATAGTGGCTACGA、GTACA）可作为抗体表达水平的预测标志。验证实验表明，基于这些序列设计的克隆能准确匹配预测表达类别。

4.6. SynCA提升中和抗体多样性

针对SARS-CoV-2 Delta变体的中和实验显示，SynCA克隆中部分抗体活性优于天然抗体，且同源 donor配对抗体的中和能力显著高于异源配对。

本研究证实，SynCA技术通过批量分选与机器学习相结合，大幅提升了抗体库的多样性及中和活性筛选效率。其核心价值在于：

1. 1.
   经济性：成本仅为单细胞分选的十分之一；
2. 2.
   高效性：无需杂交瘤或噬菌体展示技术即可快速构建抗体库；
3. 3.
   预测性：首次明确D_H/J_L区域序列与抗体表达效率的关联，为理性设计抗体提供新依据。
   尽管异源配对可能引入自身免疫风险，但通过序列优化与活性筛选，SynCA技术在应对突发传染病抗体开发中展现出广阔应用前景。