深度学习与计算生物学协同驱动的抗体亲和力单点突变优化策略及其在H7N9和DR5抗体设计中的应用

本研究针对抗体亲和力优化难题，创新性整合深度学习模型MicroMutate、图神经网络(DeepGCN_Anti/Sgraph_AB)与分子动力学模拟技术，开发出多方法协同设计管道(MMCDP)。通过单点突变策略成功将H7N9血凝素(HA)抗体亲和力提升4.62倍，死亡受体5(DR5)抗体亲和力提升2.07倍，为高效抗体药物研发提供新范式。

　　

在生物医药领域，抗体药物已成为治疗癌症、病毒感染等疾病的重要武器。2023年全球十大畅销药物中就有五个是抗体药物，彰显其巨大商业价值。然而抗体开发面临关键瓶颈——许多天然抗体的结合亲和力不足，传统方法如单点突变或组合突变往往效率低下，难以在浩瀚的突变空间中快速锁定最优解。更棘手的是，抗体人源化过程常导致亲和力下降，而将完整抗体改造成更小片段时亲和力损失更为显著。这些挑战呼唤更智能、更精准的抗体优化策略。

自然界早已给出启示：人体通过体细胞高频突变(Somatic Hypermutation)机制，经过多轮突变筛选实现抗体亲和力成熟。受此启发，Junxin Li和Haiping Zhang团队在《Briefings in Bioinformatics》发表研究，开创性地将深度学习与计算生物学方法融合，开发出多方法协同设计管道(Multimethod Collaborative Design Pipeline, MMCDP)，成功模拟并加速了这一自然优化过程。

研究人员采用四大核心技术：1)基于5989个抗体-抗原复合物结构开发的微环境突变模型MicroMutate；2)两种图神经网络(DeepGCN_Anti和Sgraph_AB)预测突变后结合能力；3)从203万抗体序列库提取进化约束；4)分子动力学(MD)模拟和元动力学(Metadynamics)筛选。实验验证采用生物层干涉仪(BLI)测定解离常数(KD)。

Development and application of microenvironment point mutation model

团队开发的MicroMutate模型能精准预测抗体-抗原界面微环境特异的氨基酸突变。该模型基于115,369对氨基酸-环境训练集，准确率达随机猜测的2倍。如图2所示，模型通过上采样处理标签不平衡问题，成功识别出如L:S93N等关键突变位点。

Graph network-based antibody-antigen interaction prediction

如图3所示，两种图网络模型各具特色：DeepGCN_Anti分别处理抗体和抗原图信息，而Sgraph_AB将复合体作为单一图输入。性能对比显示Sgraph_AB的真阳性率(TPR)显著优于前者，为突变筛选提供双重保障。

Exploration of affinity-enhanced point mutants of 3L11

如图4所示，通过MMCDP管道筛选出的12个候选突变体中，4个显著提升亲和力：L:S93N(2.98倍)、L:S93Y(2.73倍)、L:G94N(2.13倍)和H:S55N(4.62倍)。结构分析(图6)揭示突变机制：H:S55N引入更多极性相互作用，L:S93Y增强π-π堆积，而L:G94N增加疏水接触。值得注意的是，60ns分子动力学模拟显示突变体界面RMSD更稳定(图S9)，与实验数据高度吻合。

Affinity comparison between human antibodies and their mutants

如表1所示，针对已具纳摩尔级亲和力的DR5抗体，该方法仍能进一步筛选出H:L100I突变体，使KD从1.41nM降至0.68nM。BLI结合曲线(图7)直观展示突变体结合动力学的改善，证实方法的普适性。

Alphafold3's capabilities and limitations

有趣的是，如图8所示，AlphaFold3虽未能准确预测复合体整体结构，但成功识别出亲和力提升最大的两个突变(H:S55N和L:S93N)的结合位点，暗示其在高亲和力界面预测中的独特价值。

Exploring the use of ASGBIE method

通过ASGBIE(结合自由能分解)方法，研究人员从物理学角度阐释突变机制。如表3所示，成功突变如H:S55T使结合自由能降低20.39kcal/mol，主要源于范德华力(dVDW)和静电作用(dEEL)的协同优化。

该研究突破性地证明：1)单点突变足以实现抗体亲和力的显著提升；2)深度学习与计算生物学方法具有完美互补性；3)进化约束能有效避免表达问题。尤为重要的是，这种方法不仅适用于抗体优化，还可拓展至疫苗蛋白设计等领域。

正如古罗马龟甲阵与中国鸳鸯阵的战术融合，MMCDP管道通过多方法协同作战，为抗体药物研发提供全新范式。相比传统方法，该策略将突变筛选效率提升数倍，且能处理初始亲和力各异的抗体，展现出广阔的临床应用前景。未来，该方法与生成式模型结合，或可开启全新生抗体设计时代。