RESP2：基于不确定性感知的多靶点多属性优化AI抗体发现新策略

这篇综述介绍了RESP2（快速蛋白质工程系统增强版）AI管线，通过整合不确定性感知机器学习模型（如xGPR和ByteNet-SNGP）和体外筛选技术，实现了针对多种抗原变异体（如SARS-CoV-2 RBD）的抗体多参数优化（包括亲和力、人源性和可开发性）。相比传统生成式AI（成功率≤1.5%），RESP2在合成数据中成功率≥85%，并在COVID-19案例中成功获得对8种RBD变体具有纳摩尔级亲和力的人源化抗体，为快速应对病原体进化提供了新范式。

　　

1 引言

传染病抗体开发面临双重挑战：需同时优化结合亲和力（针对快速突变抗原如SARS-CoV-2 RBD）和可开发性（如低免疫原性）。传统实验方法耗时且难以兼顾多参数，而现有AI技术（如ProteinMPNN）成功率不足1.5%。RESP2作为RESP管线的升级版，通过整合新型不确定性感知模型和体外筛选数据，实现了对多抗原变体的同步优化。

2.1 RESP2管线概览

该管线包含四个关键步骤：

1. 1.

   体外筛选：通过误差PCR构建scFv重链突变库，用FACS分选针对10种RBD变体（如Delta、BA.2）的高亲和力亚群；

2. 2.

   亲和力建模：采用三种不确定性量化方法——变分贝叶斯神经网络（vBNN）、快速近似高斯过程（xGPR）和新开发的ByteNet-SNGP（结合谱归一化高斯过程的深度卷积网络），预测序列富集度（结合亲和力代理指标）；

3. 3.

   体外定向进化：改进模拟退火算法，以最小化所有靶抗原的预测得分（而非单一靶标）为优化目标，自动过滤高不确定性预测；

4. 4.

   可开发性过滤：使用SAM模型评估人源性（基于1.3亿人抗体序列训练），CamSol预测溶解度。

2.2 合成数据验证

在Absolut!数据库的13种抗原测试中，xGPR的R²比vBNN平均高0.39（95%CI±0.15），AUCE降低0.23。针对5组抗原对（如流感神经氨酸酶N1/N9）和1组三联体（朊病毒蛋白），RESP2成功率达85%-100%，显著优于Evodiff（1.5%）和ProteinMPNN（0%）。例如，在IL-2靶标组中，RESP2获得比训练集最优序列亲和力高4倍的候选物。

2.3 COVID-19案例研究

从初始抗体Delta-6（对Delta变体K_D=1.3 nM）出发：

• •

  关键突变位点：CDRH1的F27L/I（破坏与HCDR3的π-阳离子相互作用，提升灵活性）和G26E，经混合分类模型验证（突变概率>98%）；

• •

  体外验证：随机挑选的Delta-63对BA.2变体亲和力从不可测提升至3.1 nM（>1000倍），对Beta/Gamma变体达19-65 nM，且酵母表面表达量高于阿特珠单抗对照。

3 讨论

RESP2的创新性体现在：

1. 1.

   多靶点优化：通过保守型模拟退火（公式4）确保所有抗原得分同步优化；

2. 2.

   可解释性工具：混合分类模型可视化高富集序列的突变热点（如框架区73位点）；

3. 3.

   计算效率：xGPR训练仅需1分钟（ByteNet-SNGP需数天）。

该管线已封装为Python工具包（GitHub开源），为应对新发传染病提供了快速响应方案。未来可扩展至双链抗体优化和中和活性预测等领域。