抗体亲和力突变设计：如何让抗体“抓得更牢”？

在抗体药物研发中，亲和力是决定成药性的核心参数之一。抗体与靶抗原的结合强度，直接调控药物疗效、给药剂量与安全窗口。天然免疫系统产生的抗体普遍存在亲和力不足的问题：杂交瘤筛选的先导抗体，解离常数（Kd）多处于纳摩尔至亚纳摩尔级别；合成免疫文库初筛的抗体，亲和力可能低至微摩尔级。而多数临床治疗性抗体需要达到亚纳摩尔甚至皮摩尔级的高亲和力。

抗体亲和力突变设计，正是解决先导抗体亲和力短板的核心技术手段。它通过对抗体互补决定区（CDR）及关键框架区进行定向分子改造，在保留特异性和成药性的基础上，系统性提升结合能力。本文系统梳理抗体亲和力突变设计的主流方法、技术演进与前沿趋势。

一、亲和力突变的分子基础

Molecular basis & multi-objective constraints for antibody affinity maturation

抗体与抗原的结合亲和力，主要由CDR的氨基酸序列及空间构象决定。CDR残基通过氢键、疏水相互作用、静电相互作用及范德华力，与抗原表位形成分子间接触。部分框架区残基可通过维持CDR构象间接影响亲和力，因此也是改造的潜在靶点。抗体亲和力突变设计的本质，是通过改造界面接触残基，优化结合界面的空间互补性与相互作用能。

值得强调的是，抗体亲和力优化并非“越强越好”的单向优化。突变设计必须兼顾亲和力、特异性、稳定性、可开发性等多维指标。部分提升亲和力的突变，可能伴随热稳定性下降、聚集风险升高、非特异性结合增加等负面效应。因此，高效的亲和力设计需要系统性多目标协同优化。

二、经典方法：从随机试错到结构理性指导

传统抗体亲和力成熟技术，从早期随机筛选逐步发展为结构指导下的理性设计。

定点突变是最基础的理性改造手段。研究者依托抗体－抗原复合物晶体结构，识别CDR中与抗原形成关键接触的残基，通过针对性替换强化相互作用。在EGFR×PD-L1双特异性抗体研究中，CDR3区域单点突变即实现亲和力数十倍提升。另有研究通过计算辅助的理性设计，仅改变2个氨基酸即恢复了帕妥珠单抗对HER2 S310F突变抗原的结合能力。

饱和突变进一步拓展了探索空间，对CDR关键位点逐一引入20种天然氨基酸，系统筛选最优残基组合。

定向进化通过易错PCR、DNA改组构建大容量随机突变文库，结合噬菌体展示或酵母展示进行高通量筛选。2026年，国内大学团队开发的高频抗体编辑器HAE1，结合基因编辑与抗体进化，实现了抗体可变区靶向精准突变，成功实现了SARS-CoV-2逃逸突变株中和抗体的亲和力成熟与中和活性恢复。

CDR移植则是抗体人源化的经典策略，通常与亲和力优化配套使用：将异种来源功能性抗体的CDR序列移植至稳定性更高、免疫原性更低的人源框架区，再通过框架区回复突变和CDR精细突变恢复甚至提升亲和力，实现特异性、稳定性、低免疫原性与亲和力的协同优化。

Technical evolution of antibody affinity-maturation design

三、计算辅助设计：从经验驱动到数据驱动

随着结构生物学与计算能力的提升，计算辅助设计逐步成为亲和力突变优化的主流方法。

基于结构的结合自由能计算是最基础的策略。通过解析或预测抗体－抗原复合物结构，利用分子力学力场计算突变前后的结合自由能变化，筛选有利突变。LAffAb策略从抗体-抗原晶体结构出发，系统性引入组合突变优化结合能量，一个包含7,000个变体的组合文库（最多含9个突变）可实现最高1000倍的亲和力提升，在治疗性抗体测试案例中实现了30倍亲和力提升并同时改善抗体稳定性。

分子动力学模拟可捕捉结合界面的动态构象变化，识别静态结构中难以发现的热点残基。在脑膜炎球菌fHbp的scFv亲和力成熟研究中，研究者整合分子动力学模拟指导突变设计，显著提升了改造效率。

RosettaAntibodyDesign（RAbD）是专门用于抗体设计的计算工具包，可系统搜索CDR区域的序列空间，预测最佳突变组合。该工具自2018年发表以来，已成为计算抗体设计领域的经典方法。

四、AI驱动设计：从“计算辅助”到“智能生成”

AI-driven paradigm for antibody affinity mutation design

深度学习与生成式AI正在从根本上重构抗体亲和力突变设计的范式。

突变效应深度学习预测是最直接的应用方向。2025年发表于《Briefings in Bioinformatics》的研究，构建了深度学习与计算生物学协同驱动的抗体优化体系，在特定测试集上，针对性设计的深度学习模型在抗体单点突变亲和力预测上表现出色。

生成式AI模型正在实现“设计未知”的突破。AffinityFlow提出纯序列驱动的亲和力成熟方案，仅利用抗体和抗原序列进行交替优化，发表于2025年ICML。基于ESM-IF等逆折叠模型的专用抗体序列生成器，通过偏好优化训练可高效生成高抗原结合活性的新型序列。

Ab-SELDON是一个模块化自动化抗体设计计算管线，可在CDR移植、框架移植、突变等五个不同修饰步骤中迭代优化相互作用。

IgDesign是专注于抗体CDR设计的深度学习模型，已成功为八个治疗靶点生成了经过体外实验验证的结合物。

可解释AI是重要前沿方向。研究者正探索将深度学习与基于物理的突变分析相结合，不仅预测突变对亲和力和稳定性的影响，还能解释“为什么”某个突变有效。

五、新一代技术研发平台

随着基因编辑、合成生物学与AI的融合发展，一批新一代高通量抗体亲和力成熟平台相继落地。

高频抗体编辑器HAE1（北京大学，2026）整合无PAM限制的Cas9突变体SpRY与胞嘧啶脱氨酶、腺嘌呤脱氨酶，实现抗体可变区靶向精准突变，拓宽了抗体进化路径。

SAMPLER是一种定向进化策略，通过在CDR中系统引入突变快速增强亲和力。在MERS-CoV中和抗体优化中，成功筛选出兼具强效中和与广谱活性的变体。

OrthoRep连续超突变系统可实现目标基因的持续自主突变，驱动酵母展示抗体的快速亲和力成熟。计算设计与OrthoRep的融合研究，正利用进化轨迹解析亲和力成熟的分子机制。

在结构生物学与AI协同层面，研究者通过计算饱和突变、AlphaFold预测和分子动力学模拟对PD-1抗体进行系统性改造，通过重塑结合界面、引入额外盐桥和疏水相互作用提升亲和力。

六、产业落地：天鹜科技MatwingsVenus™（晓鹜™）

抗体亲和力突变设计的产业化进程正在加速。天鹜科技自主研发的对话式蛋白质研发智能体MatwingsVenus™（晓鹜™），已将AI驱动的抗体优化能力集成到统一平台中。

2026年7月，MatwingsVenus™（晓鹜™）从数百款参展产品中脱颖而出，入选世界人工智能大会（WAIC）“镇馆之宝”名单，是全场唯一入选的AI for Science产品。

在抗体亲和力优化场景中，平台依托百亿级真实标签蛋白质数据和200余款蛋白质设计工具，可从抗体序列出发直接预测突变对亲和力的影响，一站式完成突变设计、性能预测与候选筛选。平台集成的AI定向进化与AI挖酶两大核心功能，在抗体优化中形成互补：AI定向进化可基于少量数据快速预测有益突变组合；AI挖酶可在海量数据中发掘新型抗体骨架。

平台采用自然语言对话式交互，研究者无需编程和生物信息学背景，即可完成从序列分析到亲和力优化方案设计的全流程工作。据公开报道，晓鹜™可将传统2—5年的蛋白质研发周期压缩至2-6个月，实验样本从万次减至百次，成功率从5%提升至30%。

七、总结

抗体亲和力突变设计正在经历从经验试错到智能设计的深刻转变。

从定点突变的“点对点”改造，到饱和突变和定向进化的“随机探索”，再到AI驱动的“精准预测与生成”，每一次演进都意味着更高的效率、更低的成本和更大的设计空间。传统方法擅长“改造已知”——在已有抗体结构基础上局部优化；AI方法正在实现“设计未知”——不仅告诉我们“怎么改”，更能预测“改哪里”和“改成什么”。

未来的抗体亲和力设计，不仅要追求更高的亲和力，更要在亲和力、特异性、稳定性、可开发性之间实现精准的多目标协同优化。随着蛋白质语言模型、生成式AI与结构生物学的持续融合，抗体亲和力突变设计将为高亲和力治疗性抗体的快速开发提供越来越强大的技术底座。