宣布称，本周生物学预印本资料库中的一份预印本报告的事理验证研究，提高了将“AI辅导的蛋白质设计引入治疗性抗体市场”的可能性，该市场代价数千亿美元。

传统上看，抗体用蛮力办法制造，涉及对动物免疫接种或筛选大量分子。

该研究的共同作者、西雅图华盛顿大学的打算生归天学家纳撒尼尔·贝内特说，简化这些本钱高昂努力的AI工具，有可能“使设计抗体的能力大众化”。
贝内特说：“十年后，这便是我们设计抗体的办法。
”

英国牛津大学的免疫信息学家夏洛特·迪恩说，“这是一项前景非常光明的研究”，它代表着将AI蛋白设计工具运用于制造新抗体的主要一步。

贝内特和他的同事们利用了自己团队去年发布的一种AI工具，该工具帮助改变了蛋白设计。
这种被称为RFdiffusion的工具令研究职员得以设计出能够与另一种当选中的蛋白紧密结合的微型蛋白。

但这些定制蛋白与抗体没有相似之处，抗体能够通过疏松环路识别它们的目标，但事实证明这难以用AI来模拟。

为战胜这个问题，由华盛顿大学打算生物物理学家戴维·贝克和打算生归天学家约瑟夫·沃森共同领导的团队，改进了RFdiffusion。
该工具基于一个神经网络，这个网络类似于米德朱尼(Midjourney)和多尔-E(DALL-E)等图像天生AI利用的神经网络。

该团队利用成千上万经实验确定的与目标结合的抗体构造以及其他抗体样相互浸染的现实例子，演习并微调了这个网络。

利用这种方法，研究职员设计了数千种抗体，这些抗体可以识别多少种细菌和病毒蛋白的特定区域(包括新冠病毒和流感病毒用来入侵细胞的那些蛋白)，以及癌症药物靶点。

然后，他们在实验室中制造了这些设计中的一部分，并测试这些分子能否与精确的目标结合。

沃森说，大约每100种抗体设计中有一种能达到预期效果，这一成功率低于该团队目前利用其他类型的AI设计蛋白质达到的成功率。

研究职员利用一种名为低温电子显微镜的技能，确定了一种流感抗体的构造，创造它识别了目标蛋白质的预期部分。

少数几家公司已经在利用天生式AI来帮助研发抗体药物。
贝克和沃森的研究团队希望RFdiffusion能够帮助应对一些具有寻衅性的药物靶点，比如G蛋白偶联受体——一种帮助掌握细胞对外部化学物质反应的膜蛋白。

不过，RFdiffusion生产出来的抗体要进入临床还有很长的路要走。
那些确实见效的设计抗体并没有特殊紧密地与目标结合。
任何用于治疗的抗体还须要修正其序列，以使其类似于天然的人类抗体，以免引起免疫反应。

这种设计也被称为单域抗体，类似于在骆驼和鲨鱼身上创造的抗体，而不是险些所有获批抗体药物基于的更繁芜蛋白质。
迪恩说，这些类型的抗体更随意马虎设计，也更随意马虎在实验室中研究，因此首先设计这些抗体是有道理的。
迪恩说：“但这并不虞味着它不是朝我们须要的那些方法迈出的一步。
”

沃森强调：“这是一项事理论证研究。
”但他希望这一初步成功将为一键设计抗体药物铺平道路。

沃森说：“这觉得像是一个相称具有里程碑意义的时候。
它确实表明这是可能的。
”（编译/李莎）