从头设计抗体，腾讯、北大团队预训练大语言模型登Nature子刊
内容提要
腾讯AI Lab与北京大学深圳研究生院和西京消化病医院研究团队合作，提出了一种预训练抗体生成大语言模型（PALM-H3），用于从头生成具有所需抗原结合特异性的人工抗体CDRH3，减少对天然抗体的依赖。同时，还设计了一个高精度的抗原-抗体结合预测模型A2binder。该研究建立了一个用于抗体生成和评估的人工智能框架，有望加速抗体药物的开发。
延伸解读
AI抗体设计的突破点
传统抗体开发依赖从血清中分离天然抗体，过程资源密集且耗时。PALM-H3通过预训练大语言模型从头生成CDRH3序列，减少了对天然抗体的依赖。其生成的抗体与天然抗体序列差异显著，但结合概率未受明显影响，且体外实验显示结合亲和力和中和效力优于天然抗体，这为抗体药物开发提供了新路径。
A2binder的预测能力与局限
A2binder能准确预测抗原-抗体结合概率和亲和力，在多个数据集上优于基线模型，包括在14H和14L数据集上的Pearson相关性分别达到0.642和0.683。但文章也指出，在这些数据集上所有模型性能均有下降，说明亲和力预测仍具挑战性，尤其对于未知抗原，实际应用时需谨慎评估预测结果的可靠性。
PALM-H3的设计优势与验证
PALM-H3能生成针对特定抗原表位的高亲和力抗体，例如针对SARS-CoV-2 HR2区稳定肽和XBB变体，生成的序列比天然序列亲和力更强。它克服了传统顺序突变策略的局部最优陷阱，且体外实验验证了其设计抗体在结合亲和力和中和效力上优于天然抗体，展示了AI在抗体设计中的潜力。
Q&A
PALM-H3模型的主要功能是什么？
PALM-H3模型用于从头生成具有所需抗原结合特异性的人工抗体CDRH3，减少对天然抗体的依赖。
A2binder模型的作用是什么？
A2binder模型用于预测抗原-抗体结合的特异性和亲和力，能够准确评估人工生成抗体的性能。
PALM-H3与天然抗体的区别是什么？
PALM-H3生成的抗体与天然抗体在序列上存在显著差异，但结合概率未受显著影响。
该研究如何加速抗体药物的开发？
该研究建立了一个人工智能框架，通过优化抗体生成和评估过程，有望显著加速抗体药物的开发。
PALM-H3在抗体设计中有哪些优势？
PALM-H3能够有效探索序列空间，生成针对特定表位的高亲和力结合物，克服传统方法的局限。
研究中提到的体外实验结果如何？
体外实验表明，PALM-H3设计的抗体在结合亲和力和中和效力上均优于天然抗体。
