诺奖得主大卫·贝克团队开源的AI抗体设计工具RFdiffusion，将抗体研发周期从传统方法的数月缩短至几小时，但普通实验室能否借此复现顶级药企的研发能力，仍需跨越算力、实验验证和产业化资源三重鸿沟。
一、开源技术的确降低了设计门槛
AI工具的核心突破
RFdiffusion结合ProteinMPNN与RoseTTAFold2，实现了“指定靶点→生成抗体结构”的原子级精准设计。用户只需输入病毒表位信息，模型即可在几小时内生成全新抗体骨架，彻底跳过了传统动物免疫或库筛选的耗时环节。实验验证显示，其设计的抗体对流感、新冠等靶点的亲和力达纳摩尔级，冷冻电镜结构误差接近原子级精度。
开源生态的加速效应
除RFdiffusion外，AlphaFold 3等蛋白质预测模型相继开源（需申请审核），普通实验室可免费调用基础算法。部分团队已基于开源工具改进抗体设计流程：
剑桥大学利用RFdiffusion改良版成功设计纳米抗体（小型抗体），靶向癌细胞抗原；
国内研究者通过ProteinMPNN优化抗体氨基酸序列，提升稳定性。
二、普通实验室仍面临多重瓶颈
算力与硬件成本高昂
运行RFdiffusion需高性能计算集群，设计单抗体可能消耗数千GPU小时。顶级药企拥有私有超算中心（如Isomorphic Labs获6亿美元融资搭建专属平台），而普通实验室依赖公共云服务，成本难以负荷。
实验验证设备门槛更高：冷冻电镜单台超千万美元，表面等离子共振仪等精密仪器同样昂贵。
湿实验能力与资源缺口
AI设计的抗体需经细胞表达、亲和力测试、动物实验等验证。例如贝克团队需将抗体基因导入酵母细胞生产蛋白，再通过生物膜干涉技术测量结合力，普通团队常缺乏相关技术与生物材料库。
资源密集型环节无法省略：如HIV抗体恒河猴实验耗资百万美元，新晋PI实验室难以承担。
成药性优化依赖经验积累
AI可解决结构设计，但抗体药物需满足溶解性、低免疫原性、规模化生产等要求。商业化工具（如Chai-2）能直接生成“药物级”抗体（86%符合成药标准），而开源工具产出仍需人工优化。例如：
Nabla Bio通过专有AI平台设计出靶向GPCR受体的全长抗体，其表达量和特异性媲美成熟药物；
普通实验室设计的抗体虽能结合靶点，但易出现聚集倾向或低产量问题。
三、可行路径：差异化定位与生态协作
聚焦细分领域创新
普通实验室可避开药企主攻的复杂靶点（如GPCR），转而设计针对地方性疾病或罕见病靶点的抗体。例如剑桥团队专注纳米抗体开发，结构简单且成本较低。
利用开源工具探索新型递送系统：如mRNA体内合成抗体技术（无需体外生产），香港大学团队已用于禽流感治疗。
依赖产学研生态协同
自动化平台降低操作门槛：Opentrons等开源机器人支持语音指令操控移液工作站，提升实验通量；
初创企业充当转化桥梁：贝克团队成果由Xaira Therapeutics承接临床转化，实验室通过专利授权获益。
四、结论：局部突破可行，全链条替代不现实
开源AI工具显著提升了普通实验室的初始设计能力，但药企的核心优势在于整合“AI设计-湿实验-临床开发-规模化生产”的全流程资源。未来更可能呈现分化格局：
- 顶级药企主导复杂靶点药物开发（如GPCR抗体、抗癌药物）；
- 学术机构及小型实验室专注前沿靶点探索和工具优化，通过合作分阶段实现价值。
【#科学家利用AI辅助抗生素研发#】西安
