发表期刊：Nature
研究领域：抗体设计、蛋白质生成、计算蛋白设计、结构生物学
ML/DL方法：RFdiffusion扩散生成模型；ProteinMPNN序列设计；RoseTTAFold2 / AlphaFold3结构过滤
文章创新：作者将RFdiffusion微调为抗体生成模型，使其能够在给定抗原结构和目标表位的条件下，从头设计VHH、scFv以及完整抗体相关的结合结构。更关键的是，这些设计不是只停留在计算设计，而是经过yeast display、SPR和cryo-EM等实验验证，证明部分AI设计抗体确实能够以接近原子级精度结合预设表位。
第一，设计对象新。以往很多AI抗体模型主要做已有抗体优化，例如CDR改造、亲和力预测、人源化或developability优化。这篇文章则尝试从抗原表位出发，直接生成原本不存在的新抗体。
第二，控制粒度新。模型不只是生成能结合的抗体，而是尝试控制抗体结合到哪个epitope、以什么空间姿势结合。这对于阻断功能界面、设计中和抗体和开发机制明确的抗体药物非常重要。
第三，技术路线完整。文章不是单纯的计算模型论文，而是形成了从结构生成、序列设计、计算过滤、实验筛选、SPR验证、cryo-EM结构解析到OrthoRep亲和成熟的完整闭环。
第四，实验验证强。作者通过cryo-EM证明部分设计抗体的结合姿势与计算模型高度一致，这是“原子级准确设计”这一结论的核心依据。
第五，应用想象空间大。如果未来模型成功率继续提升，这类方法可能用于快速开发病毒中和抗体、毒素阻断抗体、肿瘤抗原抗体、自身免疫靶点抗体，以及针对传统方法难以命中的功能表位的抗体药物。
1
研究背景：抗体药物很强，但发现抗体仍然很慢
抗体是现代生物医药中最重要的一类分子。它们可以特异性识别抗原，阻断病毒感染、抑制炎症信号、靶向肿瘤细胞，也可以作为诊断和实验研究工具。过去几十年中，抗体药物已经在肿瘤、自身免疫病、感染性疾病等领域取得了巨大成功。
但问题在于，传统抗体发现通常依赖动物免疫、噬菌体展示、酵母展示、单B细胞筛选或大规模抗体库筛选。这些方法虽然有效，但流程长、成本高，而且很多时候并不能精确控制抗体到底结合抗原的哪个位置。
对于许多疾病靶点来说，真正重要的不是找到一个能结合的抗体，而是找到一个能打到特定功能表位的抗体。例如，病毒表面的保守中和表位、毒素和受体结合的关键界面、细胞因子受体上的功能阻断区域。这类表位往往结构复杂、空间受限，传统筛选很难保证命中。
这篇文章想解决的问题非常直接：能不能输入一个抗原结构和想要靶向的表位，让AI直接在这个位置原位生成一个新的抗体？
2
核心技术：把RFdiffusion改造成抗体CDR生成模型
这篇文章的算法核心，可以理解为把 RFdiffusion 从一个通用蛋白质结构生成模型，改造成一个专门面向抗体-抗原复合物的“原位设计模型”。
RFdiffusion原本是Baker Lab用于蛋白质结构生成的扩散模型。它的基本思想类似图像生成中的diffusion：训练时，模型不断给真实蛋白结构加入噪声，把一个清晰的三维结构逐步破坏成随机结构；模型要学习的任务，就是在每一个噪声水平下，把被破坏的结构一步步还原回来。推理时，这个过程反过来进行：模型从随机三维结构开始，逐步去噪，最终生成一个新的蛋白骨架（fig1.a）。
但是，抗体设计不是普通protein binder设计的简单延伸。普通de novo protein binder往往依赖比较规则的α螺旋或β折叠界面去贴合抗原表面；而抗体真正负责识别抗原的是CDR loops，尤其是CDR-H3。CDR loops没有规则二级结构那么稳定，构象变化大、序列空间大，而且常常决定抗体能不能打到特定表位。因此，原始 RFdiffusion 虽然可以设计很多蛋白 binder，但并不能直接胜任抗体设计任务。为了解决这个问题，作者用大量抗体-抗原复合物结构对 RFdiffusion 进行微调，让模型专门学习抗体结合抗原时的三维规则。这个微调过程的关键，不是让模型随便生成一个抗体，而是给它施加几个非常明确的约束。
第一，抗体framework要保持稳定。抗体framework可以理解为抗体的“主体支架”，它决定抗体是否像一个正常抗体、是否容易表达、是否有较好的开发潜力。因此，在训练和推理时，作者把 framework 的结构和序列作为条件输入，让模型尽量保留用户指定的抗体骨架（fig1.b）。
第二，主要生成CDR loops。模型真正需要自由设计的是CDR区域，也就是抗体直接接触抗原的部分。对于VHH，模型主要设计三个CDR loops；对于scFv，难度更高，因为模型需要同时设计重链和轻链上的六个CDR loops。
第三，抗体相对于抗原的docking姿势也要由模型一起设计。抗体不是只要有几个CDR loops 就能结合抗原，还必须以合适的空间角度靠近抗原。因此，作者没有固定抗体和抗原之间的相对位置，而是让RFdiffusion同时采样CDR构象和抗体-抗原的整体结合姿势。论文中特别提到，framework template不编码framework与target之间的三维刚体关系，因此模型可以采样多种不同的 docking mode（fig1.c）。
第四，用hotspot residues指定目标表位。用户可以在抗原表面指定一些希望抗体接触的关键残基，这些残基就是hotspot。模型会把这些hotspot当作条件输入，从而把生成出来的抗体引导到目标epitope上。也就是说，这一步让抗体设计从生成一个能结合的抗体，变成生成一个打到指定位置的抗体（fig1.d）。
因此，这个模型的输入不是简单的一条抗体序列，而是一组结构条件：抗原结构、目标表位 hotspot、抗体framework，以及需要被重新设计的CDR区域。RFdiffusion的输出也不是单纯的氨基酸序列，而是一个抗体-抗原复合物的三维设计模型：包括CDR loops的backbone构象、抗体靠近抗原的docking姿势，以及CDR与目标表位之间的空间接触关系（fig1.e）。
在RFdiffusion生成backbone之后，文章还要解决另一个问题：这个backbone上每个CDR位置到底应该放什么氨基酸？这一步由 ProteinMPNN 完成。ProteinMPNN会在固定设计骨架的基础上，为CDR loops设计氨基酸序列；framework 区域一般保持不变，主要让CDR获得能够稳定折叠并结合抗原的序列。论文Fig. 1e也明确展示了这一点：RFdiffusion负责backbone design，ProteinMPNN只设计CDR residues的序列。
随后，作者使用结构预测模型对设计结果进行过滤。简单来说，模型先设计一个理想结合结构，然后再用RoseTTAFold2或AlphaFold3重新预测这个抗体序列是否真的会折叠成预期结构、是否真的会以预期姿势结合抗原。如果重新预测出来的结构和RFdiffusion设计结构高度一致，说明这个设计更可信；如果预测结构和原始设计偏差很大，就说明这个候选抗体可能只是设计图上好看，实际并不可靠。论文将这种设计结构与预测结构的一致性称为self-consistency，同时结合预测置信度作为in silico筛选标准。
所以，这篇文章的算法流程可以概括为：
这套流程最重要的地方在于：它不是先生成一堆抗体序列，再去碰运气筛哪个能结合；而是从一开始就把抗体要打到哪里，CDR loops应该怎么伸过去，抗体应该以什么角度贴到抗原上，作为模型设计目标。
3
核心成果
1.核心成果一：从头设计VHH，验证AI能命中指定表位
作者首先从VHH开始验证。VHH是骆驼科动物来源的单域抗体，只有一个重链可变区，比传统抗体更简单，但仍然可以形成较大的抗原结合界面。因此，它非常适合用来验证de novo抗体设计是否可行。作者使用 humanized VHH framework，针对多个疾病相关抗原进行设计，包括：艰难梭菌毒素TcdB；流感病毒H1 haemagglutinin；RSV的 site I和site III；SARS-CoV-2 RBD；IL-7Rα。
在实验筛选中，作者使用了两种策略：一类是高通量yeast surface display，每个靶点筛选约9000个设计；另一类是E. coli表达结合SPR 检测，每个靶点测试约95个设计。结果显示，虽然初始命中率并不高，但模型确实能够生成真实可表达、可折叠、可结合目标抗原的VHH。例如，针对流感HA的设计VHH达到78nM亲和力，针对TcdB的设计VHH达到约262nM亲和力，针对SARS-CoV-2 RBD的设计也检测到微摩尔级结合。这说明RFdiffusion不是简单生成看起来像抗体的结构，而是能够产生真实具有结合能力的抗体片段。
2.核心成果二：cryo-EM 证明设计抗体真的按预期姿势结合
这篇文章题目中最重要的词是atomically accurate，即原子级准确。作者并没有只停留在结合实验，而是进一步用cryo-EM验证抗体是否真的按照设计姿势结合抗原。
在流感HA案例中，作者解析了设计VHH与天然糖基化HA三聚体复合物的cryo-EM结构，分辨率约3.0 Å。结果显示，设计VHH结合在HA stem区域，整体结合角度与计算设计模型高度一致，CDR3 loop的构象也与设计结构非常接近。在 TcdB 案例中，cryo-EM同样确认设计VHH结合到了预期的Frizzled相关表位。更重要的是，后续经过OrthoRep亲和成熟之后，抗体亲和力提高，但结合表位和整体姿势仍然保持原设计模式。
这部分结果非常关键。因为抗体设计真正难的不是粘上去，而是按指定方式粘上去。如果一个抗体虽然能结合抗原，但实际结合到了另一个区域，那么它对于功能阻断、表位控制和药物开发来说可能并不符合设计目的。因此，这篇文章真正证明的是：AI可以在部分案例中按指定表位和指定空间姿势生成抗体，并且这种设计可以被实验结构验证。
3.核心成果三：从VHH扩展到scFv和完整 IgG
VHH 只有三个 CDR loops，而传统抗体由重链和轻链共同形成抗原结合界面，通常包含六个 CDR loops。因此，完整抗体设计的难度明显更高。作者进一步测试RFdiffusion是否能够设计scFv。scFv可以理解为把抗体重链可变区和轻链可变区通过 linker 连在一起，是更接近传统抗体药物结构的形式。
在scFv设计中，模型需要同时处理：重链CDR；轻链CDR；heavy-light chain配对；六个CDR loops的空间协同；抗体整体dock到抗原表面的姿势。作者利用RFdiffusion生成针对TcdB Frizzled表位的scFv，并通过结构引导的重链-轻链组合策略筛选兼容设计。最终获得的scFv可以靶向TcdB的指定表位，并进一步转换成完整IgG1后仍然保持结合能力。Nature论文和IPD报道均强调，这项工作已经从纳米抗体片段推进到更完整、更接近药物形态的抗体变量区设计。这意味着RFantibody的意义不止是生成nanobody，而是开始接近真正抗体药物发现中的核心结构形式。
4.核心成果四：AI 生成初始抗体，实验进化把亲和力继续推高
这篇文章还有一个很现实的设计理念：AI不一定一步生成完美抗体，而是先生成正确表位、正确构象的starting point，再通过实验体系进行优化。作者使用OrthoRep进行亲和成熟。OrthoRep 是一种体内高突变系统，可以在酵母中持续引入突变，并筛选出亲和力更高的抗体变体。Baker Lab的介绍中也提到，OrthoRep显著提升了多个AI设计抗体的结合强度。
这个结果非常符合真实药物研发流程。抗体发现很少是一步完成的，通常需要经过筛选、亲和成熟、人源化、稳定性优化和developability 优化。因此，RFantibody更像是把传统流程的起点从随机库筛选改成了结构理性生成。这代表抗体发现范式的一次重要转变。
4
总结
RFantibody的价值，不只是证明RFdiffusion又能生成一种新的蛋白结构。它真正重要的地方在于，把抗体发现从在巨大抗体库里寻找答案推进到根据抗原表位主动生成答案。
过去，我们通常先得到抗体，再反过来分析它结合了哪里；现在，模型开始尝试先理解抗原表面的关键表位，再原位生成能够打到这个位置的抗体。对于抗体药物、疫苗设计、病原体中和、毒素阻断和难成药靶点开发来说，这都是一个非常有想象力的方向。
这篇文章也体现了AI for Biology正在发生的变化：模型不再只是预测结构、预测功能或做分类，而是开始直接参与分子设计流程。蛋白质设计从生成一个稳定结构，走向生成一个具有特定生物功能的分子工具。抗体设计也从依赖自然免疫系统和随机库筛选，逐步进入可计算、可指定、可验证的设计时代。RFantibody让AI第一次系统展示了输入抗原结构和指定表位，输出可实验验证的新抗体的可能性；它不是抗体研发的终点，而是一个全新的起点。
基于文章中所使用的先进技术，包括扩散生成模型、蛋白质结构预测、序列设计和实验闭环验证，AI正在逐步改变抗体药物发现的起始方式。未来，随着模型过滤能力、设计成功率和亲和成熟策略的进一步提升，抗体发现可能会从经验驱动的筛选流程，走向更加理性、快速和可编程的分子设计流程。
基于文章中所使用的先进技术，包括深度学习，联川生物为您提供最前沿的生物分析解决方案。联川生物的专业团队将这些先进技术与丰富的经验相结合，为您提供高效、精准的服务。无论您的需求是基础研究还是临床诊断，我们都能够为您提供量身定制的解决方案。选择联川生物，让您的研究获得最新科技的支持，开创更广阔的科学道路。
文章地址：https://www.nature.com/articles/s41586-025-09721-5
代码与模型：https://github.com/RosettaCommons/RFantibody
项目介绍：https://www.bakerlab.org/2025/02/28/designing-antibodies-with-rfdiffusion/
