综述：人工智能在治疗性抗体设计中的应用：进展与未来展望

（编辑推荐）本综述系统阐述了AI（人工智能）技术在治疗性抗体开发中的突破性应用，涵盖基于AlphaFold 2的蛋白-抗体复合物结构预测、CDR（互补决定区）优化、Fc功能调控等核心环节，为减少传统试错筛选、加速理性设计提供新范式。

　　

引言

全球医药市场正被抗体药物及其衍生疗法显著驱动，其生物学特性赋予其低毒性和多功能治疗优势。随着AlphaFold 2^[3,4]
在蛋白结构预测领域的革命性突破，人工智能（AI）驱动的抗体研发已成为焦点。抗体设计需协同优化靶点结合亲和力（由CDR环介导）、Fc区免疫调节功能、体内稳定性等复杂参数，而AI技术正通过结构预测与生成模型逐步攻克这些挑战。

抗体-蛋白复合物结构预测的AI进展

基于深度学习的蛋白-抗体复合物预测技术衍生自通用蛋白结构预测模型。多聚体结构预测和蛋白-蛋白对接技术已能直接从相互作用蛋白序列推断复合物构象，显著提升对"热点"靶标的识别效率。例如，AlphaFold 2的迭代版本已实现抗体可变区与抗原表位的精准建模，为后续亲和力优化奠定结构基础。

靶向抗体生成的AI创新

传统ROSETTA等物理模型正被深度学习生成模型取代。最新算法可同步设计抗体序列与空间构象，尤其擅长针对难成药靶点（如GPCRs）的CDR环生成。实验验证显示，AI设计的抗体候选分子能突破传统方法对构象多样性库的依赖，其中部分案例的亲和力达到pM级别。

关键性质预测的挑战与突破

尽管结合亲和力预测仍受限于高质量数据稀缺，迁移学习技术已能在小样本条件下预测FcγR结合活性等关键参数。值得注意的是，对抗体免疫原性和可开发性（developability）的AI评估模型正成为降低临床失败率的重要工具。

结论

AI技术正在重塑抗体药物的研发范式。从结构预测到理性设计，其整合将加速高特异性、低免疫原性抗体的开发，尤其推动癌症和自身免疫疾病领域的突破。未来需加强多模态数据整合，以解决现有模型对复杂生理环境模拟的局限性。

（注：全文严格基于原文缩编，未新增观点或数据）