综述：基于深度学习的抗体优化研究进展

（编辑推荐）本综述系统梳理了深度学习（DL）在抗体优化中的前沿应用，涵盖数据集构建、算法输入类型等关键要素，探讨了降低抗体药物开发成本、提高先导化合物（lead candidate）成功率的技术路径，为通用型DL算法设计提供前瞻性思考。

　　

Abstract

抗体（Antibody）已成为多种疾病的核心治疗手段，其性质的高效优化是抗体药物开发的关键环节。随着人工智能（AI）尤其是深度学习（DL）在生物学领域的突破性进展，计算生物学方法正显著降低抗体优化成本并提升先导化合物（lead candidate）的生成效率。

数据驱动的抗体优化范式

当前研究聚焦于构建高质量的抗体数据集，包括结构数据（如CDR区构象）和功能数据（如亲和力参数）。算法输入类型涵盖序列特征（sequence-based）、三维结构（structure-based）以及多组学整合数据，这些要素直接影响DL模型的预测准确性。

技术挑战与未来方向

尽管DL在预测抗体稳定性、免疫原性等方面表现突出，仍面临模型泛化性（general-purpose）不足、小样本学习效率低等瓶颈。解决方案可能涉及迁移学习（transfer learning）框架的优化，以及融合物理建模（physics-based modeling）的混合算法设计。

值得注意的是，现有方法对罕见病抗体开发的适应性仍有局限，这提示未来需开发更具包容性的生物医学大数据平台。通过持续优化算法架构与实验验证的协同闭环，DL有望成为抗体工程（antibody engineering）领域的通用技术基座。