Nat Commun：LAffAb用Rosetta能量函数协同优化抗体亲和力与稳定性
《Nature Communications》发表LAffAb，一种从抗体-抗原复合物晶体结构出发、用Rosetta全原子能量与结构约束做CDR突变容忍度映射并组合多点突变文库的非迭代抗体设计策略。
推荐理由：该研究用Rosetta能量打分单轮设计抗体多点突变文库，在三个抗体上同时考察亲和力与稳定性。
研发方向
抗体工程 最新动态
AI 辅助治疗性单抗/双抗从头设计、CDR 构型优化、亲和力成熟、抗体人源化与成药性评估。
141 条精选近 30 天 73 条共收录 286 条
更新
抗体工程的精选
AI-Protein Design精选AI 评分7474 药化猩球精选AI 评分5858 BoltzGen、RFD4、Mol-1：决定 binder 命中率的可能不是生成器而是过滤器
作者梳理 BoltzGen、RFD4-Proteina 与 Mol-1 的公开证据后认为，把注意力从生成器转向过滤器值得检验，但尚无把同一候选池分别交给 Boltz-2 和 Protenix 过滤再前瞻性比较湿实验命中率的公开配对研究。
推荐理由：文章把生成器与过滤器的证据分层拆开，指出结构恢复榜单与湿实验命中率之间缺少可核验的桥。
LeapFun精选AI 评分5858 阿斯利康同日两篇研究：抗体亲和力优化中被低估的突变位点
阿斯利康团队分析同一克隆家族的211个抗ST2抗体，按实测亲和力分组后找出高亲和力抗体中更常见的突变，将M33I与L100I引入亲本ST2_146后KD由10.5 nM降至3.17 nM，再加K37R降至1.03 nM。
推荐理由：两篇抗体亲和力优化研究分别从克隆家族统计与结构能量筛选入手，并给出各自失效边界。
DeepTech深科技精选AI 评分6060 哈佛教授 Gregory Verdine 谈 AI 制药：药企靠什么竞争
哈佛化学荣休教授、连续创业者 Gregory Verdine 在 DeepTech 访谈中表示，AI 目前最明确的价值是优化已有候选分子，而非从零设计全新小分子，后者受限于复杂结构的合成周期与水分子的物理计算难题。
推荐理由：连续创业者从分子设计、合成瓶颈与组织分工三层谈 AI 在药研中的实际边界，并以与晶泰的合作作为观察样本。
BioArt精选AI 评分7575 Gilead团队在Nature报道工程化TYK2依赖实现髓系选择性IL-10受体激动
美国吉利德科学公司的Tangsheng Yi、Chen Chen与Chingwei V. Lee团队在Nature发表研究，发现髓系细胞与T细胞对IL-10信号的TYK2依赖程度不同，并据此设计出四价纳米抗体构成的髓系选择性IL-10受体激动剂。
推荐理由：研究利用两类免疫细胞对TYK2依赖程度的差异，通过纳米抗体重构受体交联几何实现髓系选择性IL-10信号。
bioRxiv · Bioinformatics精选AI 评分6363 FoldAbS 将蛋白质折叠模型改造为抗体筛选的基础编码器
FoldAbS 是一个统一的有监督抗体筛选框架，把蛋白质折叠模型当作冻结的基础编码器，用轻量任务头在同一架构内评估抗体的特异性、亲和力和可开发性。以开源 Protenix 模型实例化的 FoldAbS-Px 相比基线在特异性、亲和力和可开发性上分别最高提升 13.1%、9.2% 和 6.2%。该结果为预印本摘要报告，代码已在 GitHub 公开。
推荐理由：该预印本把折叠模型冻结为编码器，在抗体筛选中同时评估特异性、亲和力与可开发性，提供了可复用的多任务框架思路。
智药局精选AI 评分5858 UCB 与 Cradle 达成战略合作，将 AI 蛋白质工程平台用于数字抗体发现
比利时药企 UCB 于 11 月 4 日宣布与 Cradle 达成战略合作，在药物发现项目中引入其 AI 蛋白质工程平台，覆盖候选分子生成、先导优化与临床前开发准备环节，具体金额、期限和项目数量未披露。
推荐理由：UCB 引入 Cradle 平台做数字抗体发现，可对照其此前与晶泰科技的结构预测合作看药企 AI 布局差异。
BioAICraft精选AI 评分5858 Mol-1全流程教程与实测：四类复合物结构预测及有无MSA对比
作者在Linux加RTX 4080S环境部署Molence Bio开源的Mol-1全原子结构预测模型，对蛋白-蛋白、抗体-抗原、纳米抗体和蛋白-小分子四类体系各做有/无MSA预测，共生成24个结构。
推荐理由：作者在RTX 4080S上实测Mol-1四类复合物预测，对比有无MSA的DockQ与RMSD差异，可作为部署与参数配置参考。
arXiv · q-bio.BM (生物大分子)精选AI 评分7474 AbBiBench：抗体-抗原结合亲和力计算模型综合基准
研究提出AbBiBench，以抗体-抗原复合物为评测单元，整合13种抗体、9种抗原的216,560条实验测量，在无任务特定训练或微调下比较20种计算方法。结果显示全局结构条件逆折叠给出最强且最一致的亲和力排序，抗体特异性微调未带来一致提升，模型排序更利于筛选潜在亲和力提升而非排除弱变体。
推荐理由：该基准以抗体-抗原复合物为评测单元，比较20种方法在亲和力排序上的表现，为功能导向的抗体设计评测提供参照。
智药邦精选AI 评分5858 映恩生物与腾讯云达成战略合作，共建AI驱动ADC研发闭环
映恩生物于2026年11月3日宣布与腾讯云计算（北京）有限责任公司达成战略合作，结合其自研AI模型平台、专有实验数据与药物研发体系，以及腾讯的AI工程、算力和智能体平台能力，推动AI贯穿从药物发现到全球临床的研发全链条。
推荐理由：映恩生物与腾讯云围绕ADC研发达成战略合作，披露了自研AI平台与湿实验闭环的具体分工。
ACS JCIM (化学信息与建模)精选AI 评分6565 研究基准评测Boltz-2、Chai-1与AlphaFold3的病毒纳米抗体表位预测
【摘要级】研究以AF3训练截止后沉积的病毒抗原-纳米抗体复合物为数据集，基准评测Boltz-2、Chai-1和AlphaFold3三种结构预测模型的表位预测表现。AF3在单种子下界面DockQ>0.23的成功率为33%，每靶10个和100个种子时升至50%和65%，Boltz-2与Chai-1分别为18%和30%。
推荐理由：研究在AF3训练截止后沉积的病毒抗原纳米抗体复合物上比较三种结构预测模型，为表位预测的模型选择与置信度筛选提供参照。
Molence精选AI 评分6262 Molence 发布 Mol-1：增加推理算力可提升抗体-抗原预测
Molence 发布抗体-抗原结构预测模型 Mol-1，称在 MolBench-AB-26 上增加推理算力可持续提升预测质量。
推荐理由：官方披露 Mol-1 在抗体-抗原预测基准上随采样与循环次数增加而提升，并给出采样效率对比。
AI-Protein Design精选AI 评分6363 《Nature》报道GTAC双特异性抗体经TfR1诱导内吞降解7种GPCR
《Nature》2026年9月30日刊发研究，提出GPCR–TfR1靶向嵌合体GTAC，通过双特异性抗体把目标GPCR拉近组成型内化的TfR1，强制其进入内吞与溶酶体降解途径。
推荐理由：研究用双特异性抗体把GPCR拉向TfR1内吞降解，为难以占位拮抗的受体提供另一种调控路径。
AI蛋白质精选AI 评分7474 牛津大学推出SAbDab2结构抗体数据库，含2.2万抗体实例与ML级训练测试拆分
牛津大学团队在NAR发布SAbDab2，为机器学习时代重新设计的结构抗体数据库，截至2026年10月9日收录来自11,660个PDB编号的22,543个抗体实例，归为6,945个唯一SAbDab2编号。
推荐理由：介绍牛津团队为机器学习重设计的抗体结构数据库，含标准化训练测试拆分与统一标识符，便于复用与比较。
药化猩球精选AI 评分5858 用RFdiffusion从零设计靶向KRAS G12D pMHC的纳米抗体：Challenge 5实战流水线记录
作者记录了Anthropic × Adaptyv蛋白设计大赛Challenge 5的轨道B方案：用RFdiffusion-Ab在h-NbBCII10人源化VHH骨架上生成500条CDR骨架，经ProteinMPNN生成2000条序列，再用RF2打分筛选出20条提交，全部在单块RTX 5080上耗时约68小时。
推荐理由：记录从500条RFdiffusion骨架到20条提交的完整计算流水线，并给出运行耗时与踩坑细节，可供同类设计复用。
BioTender精选AI 评分6565 BioTender盘点19个全原子蛋白设计项目：竞赛焦点从生成结构转向控制功能
BioTender 汇总2026年9—10月收录的19个全原子建模与设计项目，覆盖结构生成、复合物预测、结构编码与设计优化，认为竞赛焦点正从生成结构延伸到控制功能。
推荐理由：梳理19个全原子建模项目的路线差异，并指出评测口径与开放程度决定成绩可比性。
智药邦精选AI 评分7474 Anthropic公布Claude加速药物开发早期进展：六家机构合作与自主罕见病项目
Anthropic于2026年10月27日发布文章，介绍Claude加速药物开发的早期进展，过去数月与BigHat Biosciences、BMS、Divergence Labs、Enveda、Generate Biomedicines与The Column Group六家机构达成深度研究合作，并启动自主药物发现项目。
推荐理由：Anthropic披露与六家药研机构及BMS的合作细节，展示Claude在抗体设计、文档审核等环节的具体产出。
bioRxiv · Bioinformatics精选AI 评分6868 研究称免疫原性标签限制抗体设计进展
该预印本将常用的217条抗体免疫原性数据集扩展并校正为231条治疗性抗体，并手工重建其中110条的原始临床证据。结果显示，在231条数据上按抗体格式查表优于所有基于序列的学习预测器，表观准确率随评测划分的格式构成变化；标注为≤6 ADA%的分子在不同试验间可跨至86%。作者按试验级测量重算标签后，格式方法的优势消失，建议以试验级报告ADA%并将该目标视为分布而非点值。
推荐理由：研究重建抗体免疫原性标签后发现格式基线优于序列模型，为设计目标的标签质量提供参照。
BioAIDesign精选AI 评分5858 实测 Mol-1 本地部署与网页使用：纳米抗体能否找准 GFP 结合位点
作者实测 Molence Bio 的 Mol-1 基础版，输入 GFP 与 LaG24 纳米抗体序列预测复合物结构，五个候选的 ipTM 约 0.890、平均 pLDDT 约 89.8，对齐 GFP 后 LaG24 的 Cα RMSD 为 0.97–1.19 Å，天然界面接触恢复 90.2%–91.8%。
推荐理由：作者在本地与网页两条路径实测 Mol-1 对纳米抗体复合物的预测，并说明高分结构与界面指标各自能说明什么。
药化猩球精选AI 评分5858 用开源结构模型 Mol-1 设计 KRAS G12D pMHC 纳米抗体的实战复盘
作者以开源结构预测模型 Mol-1 对 HLA-A*11:01 呈递的 KRAS G12D 新抗原肽设计 VHH 纳米抗体，从 40 个候选序列中筛出 Top 20，排名第一的 VHH_039 在计算中 VHH-肽接触分数为 0.4855、对野生型仅 0.0526。
推荐理由：作者用开源结构模型 Mol-1 完成 KRAS G12D pMHC 纳米抗体计算设计，并公开全部候选序列与评分，可作为同类流程的参照。