AREX Feed Article
Nature Methods 亮点：Germinal 融合 AlphaFold 与 IgLM，表位靶向抗体设计命中率最高 22%
不是动物免疫，也不是百万级文库筛选——斯坦福大学与 Arc Institute 的联合团队拿出一套纯计算流程，用两个已有 AI 模型的梯度融合，从零设计出针对指定表位的纳米抗体，每个靶点仅需实验验证 43 到 101 个分子，命中率 4% 到 22%，亲和力达到纳摩尔级。2026 年 8 月 6 日，，其原始论文已于 6 月 23 日。该论文由 Luis S. Mille-Fragoso、Claudia L. Driscoll、John N. Wang、Haoyu Dai、Talal Widatalla、Jim L. Zhang 六人以同等贡献第一作者完成，Luis S. Mille-Fragoso、Brian L. Hie 与 Xiaojing J. Gao 为共同通讯作者。
论文标题：Efficient generation of epitope-targeted antibodies with Germinal 论文链接： 开源地址： 核心成绩：在 PD-L1、IL-3、IL-20、BHRF1 四个靶点上，每个靶点仅测试 43–101 个设计分子，获得 4–22% 实验验证成功率，亲和力达百纳摩尔级，最佳 140 nM。
Germinal 的三阶段设计流程：联合优化、序列精修、多指标过滤。底部展示了针对膜蛋白、细胞因子和病毒蛋白的设计与实验验证结果。图片来源：Mille-Fragoso et al., Nature Biotechnology (2026)。
抗体设计的「配方」难题：为什么 AI 此前搞不定 CDR
抗体发现之所以慢，根源在互补决定区（complementarity-determining region，CDR）。这六个柔性环区直接决定抗体与抗原的结合，但它们的构象高度可变，序列与结构之间的关系远不如 α 螺旋或 β 折叠那样规整。传统方法——动物免疫或大规模文库筛选——不仅耗时数月、成本高昂，还几乎不可能指定抗体结合在抗原表面的哪个位置（epitope）。
过去两年，AI 驱动的蛋白质设计在小型结合蛋白（binder）上取得了突破：RFdiffusion 实现了原子级精度的抗体骨架设计，BindCraft 展示了单轮设计的可行性。但抗体不同于一般结合蛋白。CDR 环区天然是柔性、无规的——它们「看起来不该像螺旋或折叠片」，这正是让 AlphaFold 这类结构预测器困惑的地方。正如论文第一兼通讯作者 Luis S. Mille-Fragoso 在 中所说：「AlphaFold 非常擅长预测二级结构，但抗体 CDR 是松散的环区，而非结构化元件。」
纯序列方法的困境刚好相反：IgLM 这样的抗体语言模型在大规模天然抗体序列库上训练，能判断一条序列「看起来像不像真正的抗体」，但它本身不提供关于三维结合界面的结构精度的信息。两种模型各有所长，却彼此割裂——这正是 Germinal 要拆解的结。
梯度融合：当结构预测器与语言模型相互「说服」
Germinal 的核心创新不是训练新模型，而是发明了一套让两个已有模型协同工作的算法。它同时运行 AlphaFold-Multimer（AF-M）和 IgLM，通过反向传播将两者的优化信号合并，逐步修改抗体序列，直到两个模型都「满意」。
Nature Methods 的 Research Highlight 引用了 Mille-Fragoso 的解释：「Germinal 反复修改抗体，直到预测它同时满足两个目标」，然后对最有前景的设计进行精修、过滤和实验测试。
具体而言，整个管道分为三个阶段：
阶段一：联合优化（Design）。从一个抗体骨架框架出发，CDR 序列自由变化。每一步迭代中，AF-M 预测抗体-抗原复合物结构，计算出结构置信度指标（pLDDT、ipTM）；同时 IgLM 评估当前序列与天然抗体序列库的吻合程度。两种梯度通过 Project Conflicting Gradients（PCGrad）算法合并——当两个模型的优化方向冲突时，将各自梯度投影到对方的正交空间上，避免相互抵消。Mille-Fragoso 打了个比方：「就像两个专家在争论。AlphaFold 告诉你什么在物理上稳定，语言模型告诉你什么在生物学上合理。梯度融合就是教会它们妥协。」
团队还引入了抗体特化的损失函数，这是区分 Germinal 与通用蛋白质设计方法的关键细节。第一，强制结合通过 CDR 环区发生，而非抗体骨架（framework）——骨架结合通常意味着非特异性吸附。第二，惩罚结合界面处的二级结构形成，因为 CDR 本应是柔性环区，折叠成螺旋或折叠片会降低真实的结合能力。
阶段二：序列精修（Sequence Optimization）。通过联合优化得到的候选序列，再用 AbMPNN 进行一轮结构感知的序列重新设计。AbMPNN 是 ProteinMPNN 针对抗体的定制版本，在保留结合界面几何结构的同时，进一步提升序列的天然性和可开发性。
阶段三：多指标过滤（Filtering）。候选分子用 AlphaFold 3 重新预测复合物结构，提取 pLDDT、ipTM、PAE（预测对齐误差）等置信度指标，结合 PyRosetta 计算的氢键数量、界面残基数、形状互补性等物理化学参数进行排名。只有跨过多重阈值的序列才会进入实验验证。
这套管道不需要重新训练任何神经网络——AF-M 和 IgLM 都使用预训练权重。设计每个靶点需要一张 40GB 以上显存的 GPU，运行约一周。
四靶点验证：纳米抗体最佳亲和力 140 nM，scFv 获冷冻电镜结构确认
团队选择了四个结构差异较大的靶点验证 Germinal 的通用性：免疫检查点蛋白 PD-L1、两种白细胞介素 IL-3 和 IL-20，以及 Epstein-Barr 病毒的 BHRF1 蛋白。每个靶点仅生成并实验测试了 43–101 个设计分子。
实验流程分为两层：先通过 split-luciferase（分裂荧光素酶）报告系统快速筛选——纳米抗体与 split-luciferase 融合表达，一旦与靶蛋白结合就产生发光信号，能从数百个候选分子中圈定十几个有希望的克隆；通过初筛的分子再用生物层干涉术（BLI）测量结合动力学常数（解离常数 KD），最后以丙氨酸扫描突变确认结合确实发生在指定的表位上。
四个靶点全部获得了功能性的结合分子。不同靶点的成功率存在差异——4% 到 22%——但关键在于无一靶点「挂零」。亲和力方面，最好的纳米抗体对 PD-L1 达到了 140 nM 的解离常数，其余验证分子大多在亚微摩尔到数百纳摩尔的范围内。论文中还包含了对 PD-L1 靶点的一个 scFv 设计（H5）的冷冻电镜（cryo-EM）结构解析，结果显示该设计确实结合在用户预先指定的表位上。
在 中，Brian Hie 回忆了第一次看到实验验证结果时的场景：「我站在 Arc 实验室里，大约是傍晚六七点，第一批 Octet 数据出来了——我们鼓起了掌。我看到第一个阳性信号时就开始喊，问那是阳性对照还是真正的设计。它就是一个设计。」
值得留意的是，团队在成功之前经历过一轮完全失败的尝试——设计出的分子甚至不表达。Xiaojing Gao 说：「计算模型对我们而言是合理的，所以我们尽管一开始看到全军覆没，还是坚持推了下去。」
一个此前未量化的权衡：结构置信度 vs. 抗体天然性
Germinal 揭示了一个此前在抗体设计中未被系统量化过的权衡关系：结构预测置信度与序列天然性之间的 Pareto 前沿。
在梯度融合过程中，IgLM 的权重是一个可调参数。调高 IgLM 权重，设计出的序列更像天然抗体——更低的免疫原性风险、更好的可开发性——但代价是 AF-M 的结构置信度略微下降。反过来，完全依赖 AF-M 会生成虽然结构上「自信」但序列上不自然的界面。据 报道，这一权衡此前在抗体设计中未被系统量化过。设计者可以在这个前沿面上根据自己的需求选择落点——基础研究可能更看重结构精度，而治疗性开发则需要兼顾人源化和可制造性。
此外，通过 Foldseek 对设计序列进行结构相似性检索，团队证明 Germinal 生成的纳米抗体不仅序列上与已知天然抗体有显著差异，其结合模式也具有结构新颖性——即使靶向与已知结合分子相同的表位区域，Germinal 的设计也采用了不同的三维结合方式。
开源的底层逻辑：学术界不需要人工壁垒
Germinal 的全部代码以 Apache 2.0 许可证在 上开源，论文中提供了完整的设计与实验协议。截至 2026 年 8 月初，该仓库已获得 275 颗星标和 47 个分支。
团队在访谈中解释了开源决策。Xiaojing Gao 直言：「一旦人们知道这件事能做到，就不存在真正的技术壁垒去阻止复制。我们在 AlphaFold 3 上看到了这一点——正式发布之前就有人做出了复现版本。与其维护人为障碍，不如把它交给社区，大家一起推进。」
不过，团队对当前的局限性也很坦诚。亲和力虽然在纳摩尔级，但主要集中在 140–560 nM——对基础研究足够，距离最优秀的治疗性抗体（通常在个位数纳摩尔以下）仍有差距。Germinal 目前更适合加速初始发现阶段，后续仍需亲和力成熟等优化步骤。此外，已公开验证的格式以单域纳米抗体（VHH）为主，团队正在将方法扩展到全长 scFv 和 Fab 格式。
参考链接
- — 2026 年 8 月 6 日
- — 2026 年 6 月 23 日
- — 2025 年 9 月 24 日
- — 2025 年 11 月 26 日