图片源自：genengnews
摘要洞察：加速抗体发现与病毒疫情响应
在近期的一场创新药跨境合作大会上，一项关于加速抗体发现的AI技术成为焦点。传统抗体发现流程通常耗时 10-12 个月，其周期之长严重限制了对突发病毒疫情的快速响应能力。为解决这一行业痛点，Shawnak Shivakumar 和 Matthew Sandora 团队推出了 ImmunoAI——一个革命性的**机器学习（Machine Learning）**框架，旨在通过精准预测高亲和力（high-affinity）抗体候选药物，大幅加速抗体发现进程。
ImmunoAI 的核心创新在于其多模态（multi-modal）建模方法，它采用 Gradient-Boosted Machine Learning（梯度提升机器学习）模型，并在融合了三维（3D）几何界面拓扑（Geometric Interface Topology）、热力学（Thermodynamic）和流体动力学（Hydrodynamic）描述符的结构特征集上进行训练。
图片源自：arxiv
关键技术与实验成果：
- 特征工程的飞跃： 团队精心整理了包含 213 个抗体-抗原复合物（antibody–antigen complexes）的精选数据集，提取了几何和物理化学特征，并利用 LightGBM regressor 模型进行训练以高精度预测结合亲和力（binding affinity）。
- 效率革命： ImmunoAI 框架成功将抗体候选药物的搜索空间减少了 89%，极大地提高了筛选效率，为药企节省了大量的实验资源和时间成本。
- 迁移学习的赋能： 通过在 117 对 SARS-CoV-2 结合对数据上进行迁移学习（transfer learning）微调，模型的均方根误差（Root Mean Square Error, RMSE）从 70 进一步显著降低至 0.92，证明了模型的高泛化性和预测精度。
- 实战应用： 针对目前尚无实验结构的人类偏肺病毒（Human metapneumovirus, hMPV）2 变体，研究人员利用 AlphaFold2 预测了其 3D 结构，并应用经微调的 ImmunoAI 模型。该模型成功识别出两个预测亲和力达 picomolar 级别的优化抗体，精准靶向关键突变位点（G42V 和 E96K）。这两个抗体被认为是极具潜力的实验测试候选药物。
行业展望与战略价值：
ImmunoAI 不仅极大地缩短了药物设计周期，更通过结构信息驱动的预测能力，为全球生物制药界应对 hMPV 等病毒爆发提供了更快、更具战略前瞻性的响应工具。这一基于 Gradient-Boosted ML 和多维度描述符的创新框架，标志着 AI-driven antibody discovery 迈向了更深层、更高效的结构-功能预测新阶段，其成功经验在创新药跨境合作大会上被广泛认为将为全球生物技术协同创新开启新的篇章。
文章来源：arxiv