《Signal Transduction and Targeted Therapy》：Antibody-drug conjugate engineering: from design to efficacy and safety
编辑推荐：
抗体-药物偶联物（Antibody-drug conjugates, ADCs）代表了一类快速扩展的靶向癌症治疗策略，其将单克隆抗体的高选择性与小分子药物的强效细胞毒活性相结合。其临床成功依赖于多个相互依赖参数的同步优化，包括抗原选择、抗体工程、连接子化学和载
抗体-药物偶联物（Antibody-drug conjugates, ADCs）代表了一类快速扩展的靶向癌症治疗策略，其将单克隆抗体的高选择性与小分子药物的强效细胞毒活性相结合。其临床成功依赖于多个相互依赖参数的同步优化，包括抗原选择、抗体工程、连接子化学和载荷药理学，这限制了传统经验方法的有效性。在此背景下，人工智能（Artificial Intelligence, AI）和计算生物物理学的近期进展正在变革ADCs的理性设计。AI能够实现基因组、转录组和蛋白质组数据的大规模整合，以识别肿瘤选择性、表面可及的抗原，并支持患者分层策略。深度学习模型通过预测结构、亲和力、稳定性和可开发性来增强抗体工程，而生成算法加速了亲和力成熟和特异性优化。连接子设计和偶联位点的计算预测改善了血浆稳定性、受控载荷释放和药物-抗体比（Drug-to-antibody ratio, DAR），而基于图的神经网络促进了具有有利效力、膜渗透性和旁观者效应的细胞毒载荷的选择与优化。互补的分子动力学模拟提供了抗体构象、连接子柔性和载荷相互作用的原子级洞察，从而实现对ADC稳定性和功能的更深层次机制理解。在转化层面，混合生理药代动力学（Physiologically based pharmacokinetic, PBPK）-AI模型和数字孪生模拟能够实现肿瘤穿透、全身暴露和安全性虚拟评估，最终支持剂量优化和更高效的临床开发。尽管本综述特别强调这些方法在肿瘤学中的应用，但也讨论了癌症之外的新兴ADC策略——包括自身免疫、神经退行性、心血管和代谢性疾病。综合而言，这些计算策略代表了机器智能与分子生物学的融合，有望从根本上变革ADC开发，从而在肿瘤学及更广泛领域实现更安全、更精准、更有效的治疗。
AI用于抗原发现
靶点识别
识别在癌细胞上高表达且在正常组织中低表达的肿瘤抗原是ADC开发的关键第一步。AI可通过整合大规模多组学数据集，以超越传统方法的速度和精度系统性地识别和优先排序候选靶点。候选抗原根据差异表达、组织特异性和细胞表面定位进行排序，以最大化肿瘤选择性。可整合的附加参数包括空间转录组学、功能基因组学、单细胞测序和临床结局数据。基于质谱的表面蛋白质组学技术，如细胞表面捕获（CSC）和邻近标记策略（TurboID、APEX2），能够直接定量活肿瘤细胞质膜上的糖蛋白，提供仅从RNA数据无法获得的拷贝数估计。作为计算策略的概念验证，研究人员分析了KRASG12C突变非小细胞肺癌（NSCLC）腺癌的表面组，并鉴定了具有治疗潜力的新型抗体靶点。靶点优先排序还必须考虑抗原脱落、靶点可成药性、受体共表达模式等功能特性。AI能够实现大规模受体共表达模式的快速查询，为双特异性ADC的理性设计提供依据。当前AI框架主要针对有限肿瘤类型进行训练和验证，其泛化性仍存疑问。将功能基因组学数据整合到靶点优先排序流程中，可识别兼具有利表达谱和低耐药潜力的抗原。
肿瘤异质性
肿瘤异质性仍然是靶向治疗持久应答的主要障碍。AI通过利用大规模转录组或单细胞RNA测序（scRNA-seq）数据集，以单细胞分辨率绘制组织组织学和抗原分布图谱，提供可扩展的解决方案。AI算法可评估靶抗原在肿瘤内是否均匀且稳健表达，同时识别具有不同表达谱或分子脆弱性的次要亚群。单细胞基因组学图谱优于批量RNA-seq和免疫组化，在解析肿瘤内抗原共表达模式方面表现更佳，有助于识别多靶向策略的最佳肿瘤相关抗原（TAA）组合。AI驱动模型还可预测疾病进展或治疗压力下抗原表达的时序变化，指导耐药缓解治疗策略的设计。
映射抗体识别的最佳表位
理性抗体设计高度依赖于识别可及表位。AlphaFold等计算工具可生成靶蛋白胞外域的高置信结构模型，结合溶剂可及表面积（SASA）等定量指标，候选表位进一步通过逐残基置信度评分（pLDDT）和跨肿瘤与正常组织的序列保守性进行评估。然而，抗原表面区域的暴露并不保证可及性/免疫原性，仍需实验验证。
抗原内化
抗原靶点的内化是ADC疗效的限制因素之一，但多数膜蛋白都会内化。抗体诱导内化的预测模型仍处于研究阶段，实验测定仍是金标准。新兴机器学习方法整合蛋白质类别、运输基序和内吞行为等特征，结合结构建模和分子动力学（MD）模拟来预测内化潜力。T-DXd在HER2低表达和阴性背景中的疗效机制已被阐明：肿瘤微环境中的胞外蛋白酶——特别是组织蛋白酶L（CTSL）——在胞外切割四肽连接子，释放膜通透性DXd载荷，独立于受体结合或内化扩散至周围肿瘤细胞。溶酶体载荷向胞质的输出由特异性溶酶体膜转运蛋白介导，SLC46A3被鉴定为T-DM1美登素类代谢物胞质转运所必需，其缺失导致溶酶体载荷滞留和细胞毒性显著降低。
新抗原预测
AI可用于预测新抗原，即源自肿瘤特异性突变并在主要组织相容性复合体（MHC）分子上呈递的肽段。NetMHCpan-4.1、MHCflurry和ImmuneApp等模型可实现肽-MHC结合和免疫原性的快速预测，加速肿瘤专属表位的发现。结合免疫基因组学方法和免疫肽组学策略，为将计算预测转化为治疗应用提供了强大框架。
AI增强的抗体设计
选定靶抗原后，下一步是工程化一种以高亲和力和特异性结合靶点、同时保持稳定性和可制造性的抗体。传统抗体开发需要迭代诱变和实验筛选，仅能采样极小部分可能变体。基于AI的方法可在单一建模框架中实现优化，包括预测增强结合亲和力、特异性、稳定性、溶解性和低免疫原性的残基突变，某些情况下还能生成全新抗体设计。
亲和力成熟和特异性优化
AI驱动的生成建模正在变革抗体互补决定区（CDR）的工程化。变分自编码器（VAEs）、生成对抗网络（GANs）和基于Transformer的蛋白质语言模型在大规模抗体-抗原复合物数据集上训练，学习与高亲和力结合相关的序列特征。RFdiffusion是一种基于扩散的深度学习模型，已在数千个抗体-抗原复合物上微调，可设计具有固有形状互补性的新型CDR环。结合ProteinMPNN序列设计和酵母展示筛选，已实现针对疾病相关表位的VHH、scFv和全抗体的从头生成。主动学习框架如ALLM-Ab将微调的蛋白质语言模型与多目标优化相结合，同时改善结合亲和力和可开发性。AlphaFold3（AF3）采用基于扩散的生成架构，能够建模涉及聚糖、小分子和离子的复合物，为亲和力成熟和ADC相关抗体设计提供了改进能力。在ADC背景下，多特异性风险尤为严重：与正常组织抗原的脱靶结合可直接导致细胞毒载荷递送至健康细胞，因此交叉反应性的计算评估必须作为同步设计目标整合进亲和力成熟流程。
连接子设计和偶联位点工程
连接子的设计需要在血浆稳定性与高效胞内释放之间取得平衡。计算预测方法可优化连接子化学结构、偶联位点选择和DAR控制。位点特异性偶联技术通过工程化半胱氨酸残基或非天然氨基酸实现均匀DAR，改善药代动力学特征。基于图的神经网络可预测连接子切割动力学和载荷释放效率，指导可切割与不可切割连接子的选择。分子动力学模拟提供连接子柔性和偶联位点可及性的原子级洞察，有助于预测连接子-载荷组合在生理条件下的行为。
载荷优化
细胞毒载荷的选择需考虑效力、疏水性、膜通透性和旁观者效应。基于图的神经网络可预测载荷的物理化学性质和细胞毒性潜力。拓扑异构酶I抑制剂（如DXd）、微管抑制剂（如auristatins、美登素类）和吡咯并苯二氮卓类（PBD）是常用的载荷类别。双载荷架构旨在预防耐药，通过组合不同作用机制的载荷实现协同杀伤。计算SAR指导设计可优化载荷的效力-物理化学性质平衡，减少非特异性毒性和脱靶效应。
基于物理的计算框架
分子动力学（MD）模拟提供抗体构象、偶联位点可及性、连接子柔性和载荷相互作用的原子级洞察，不依赖训练数据，在标注数据集稀疏的领域尤为宝贵。MD模拟可评估抗体-抗原复合物的稳定性、偶联对抗体结构的影响以及载荷释放的动力学特征。与机器学习方法互补，物理模拟提供机制性理解，有助于解释和验证数据驱动模型的预测结果。
疗效和安全性的预测
生理药代动力学建模
混合PBPK-AI模型可预测ADC的系统暴露、肿瘤穿透和正常组织分布。PBPK模型整合抗体药代动力学、载荷释放动力学和肿瘤微环境特征，支持剂量优化和临床试验设计。数字孪生模拟允许虚拟评估不同给药方案下的疗效和安全性，减少临床试验的试错成本。
肿瘤穿透
肿瘤穿透是ADC疗效的关键决定因素。计算模型可模拟ADC在肿瘤组织中的分布，考虑血管密度、间质压力、抗原密度和结合动力学等因素。AI模型可整合空间转录组学和成像数据，预测ADC的肿瘤穿透深度和均匀性，指导剂量和给药方案优化。
毒性预测
剂量限制性毒性通常由载荷介导且不依赖抗原，难以通过以靶点为中心的临床前策略预测。AI模型可整合正常组织表达谱、载荷物理化学性质和临床毒性数据，预测ADC的潜在毒性特征。计算框架可评估载荷在正常组织中的非特异性摄取、连接子不稳定性导致的提前释放以及旁观者效应引起的正常细胞损伤。
耐药和时序动态
耐药和时间动态被认为是该领域最具深远意义的未探索计算前沿。HER2抗原下调介导T-DXd获得性耐药，随后可通过转换至共享相同载荷的TROP2导向ADC来克服。计算模型可预测治疗压力下的抗原表达变化和克隆演化，指导耐药缓解的序贯治疗策略。整合功能基因组学数据可识别功能必需靶点，其丢失对肿瘤细胞施加适应性代价，从而降低获得性耐药的可能性。
癌症之外的新兴ADC应用
除肿瘤学外，ADC策略正在扩展到自身免疫、神经退行性、心血管和代谢性疾病。这些新兴应用面临独特的挑战，包括靶抗原选择、内化效率和组织特异性递送等。计算方法在这些领域的应用仍处于早期阶段，但有望加速非肿瘤适应症ADC的开发。
局限性和未来方向
当前计算方法面临训练数据稀疏和不平衡、可解释性有限、校准不良以及前瞻性验证几乎缺失等重大限制。AI模型在糖基化微异质性和动态屏蔽效应的系统捕获方面仍有不足。建立跨组织学和地理患者群体的可互操作多组学数据集，对于避免模型偏向于代表性良好的癌症类型至关重要。监管机构对计算方法的验证要求和可接受性标准仍需进一步明确，以决定这些计算工程策略能否实现其转化承诺。
