中国科学院上海药物研究所研究员徐华强团队，在《中国药理学报》发表综述文章，总结了扩散模型在人工智能（AI）辅助抗体设计中的应用，包括抗体的从头设计、已有抗体结构的优化、以及相应的实验评测方法，系统总结了基于扩散模型的抗体生成领域的研究进展，并为进一步改进针对抗体设计的扩散模型提供了参考。

抗体药物的研发和优化通常面临花费多、周期长、优化难等问题，亟待先进的计算方法提供支持和辅助。AI模型已经在多种任务中起到了关键作用，其中扩散模型已经在蛋白质设计、小分子设计等药物设计领域发挥了作用。在抗体设计领域中，尤其是用抗原作为“提示词”生成抗体方面，扩散模型具有天然的优势。

在抗体设计任务中使用扩散模型。图片来源于《中国药理学报》

抗体设计任务主要包括从头抗体设计和抗体优化两方面。其中针对抗体的RFDiffusion方法，在抗体和蛋白训练数据上进行了微调，并结合ProteinMPNN方法设计了CDR序列；基于语言模型提取隐空间信息的思路在AntiBARTy Diffusion和EAGLE上也得到了应用；AbDiffuser则尝试通过设计新的模型架构来整合抗原-抗体相互作用的序列和结构信息。在从头抗体设计上，这些思路都取得了一定成果，包括实验上微摩尔级别的亲和力，或设计了和上市药物相媲美的新抗体。

针对已有抗体的优化问题，研究者们可以使用针对抗体专门设计和训练的、基于结构或基于序列的模型，从抗原-抗体复合物结构出发生成新的抗原结合区，还可以使用通用的蛋白质设计模型生成新的结构或序列，后续可以在计算或实验方法上进一步评价所生成的蛋白质。

综述还讨论了如何在结构、序列、结合亲和力估计和实验方法上评测所生成的抗体。文中指出，尽管仍面临一些挑战，但AI方法的不断完善进步和相关数据库的扩充，有望进一步提高基于扩散模型的抗体设计的精确性和有效性，最终使其成为生物技术领域的优质工具。

相关论文信息：https://doi.org/10.1038/s41401-024-01380-y