美科學家運用大語言模型，加速設計新型抗體

關於抗體藥物的研發，過去必須仰賴漫長的實驗篩選。如今，人工智慧有機會幫助加速此流程。最近，美國范德堡大學（Vanderbilt University）的研究團隊在《Cell》期刊發表最新成果，展示他們如何利用大型語言模型（LLM）自動生成能專一辨識特定抗原的抗體，可謂開啟了 AI 設計「功能抗體」的新篇章。

語言模型如何「理解」抗體

研究團隊開發一款名為 MAGE（Monoclonal Antibody GEnerator）的語言模型，屬於蛋白質語言模型的一種。它先在龐大的胺基酸序列資料上進行預訓練，再利用「抗體—抗原」配對資料集微調模型。當輸入某抗原序列，例如病毒表面受體結合區，模型便能生成相應的人類抗體的胺基酸序列。此外，研究團隊也設計了能確保其所生成序列，具備抗體必要之結構區域的演算法，進一步提高其所生成序列的可行性。

生成的抗體真的有功能嗎？

研究團隊從模型生成的數百條序列中，挑選部分候選抗體進行驗證。結果，有多條抗體能與抗原蛋白結合。以新冠病毒為例，部分抗體在試驗中結合抗原的效能與天然抗體相當。這說明，MAGE 大型語言模型已能捕捉抗體結構與功能之間的內在規律。這種讓 AI 在沒有模板參考的情況下，就能產生具生物活性的抗體，象徵抗體工程的一次大躍進。

（Source：Cell）

限制與挑戰

然而， MAGE 仍存在多重限制。首先，它所生成的抗體並非都具活性，仍須透過實驗驗證。其次，模型的創造力受限於訓練資料，若資料集不夠多樣，可能導致所生成的抗體與既有序列過於相似，而缺乏創新性，以及潛在的免疫原性（immunogenicity）風險，使其被人體免疫系統視為外來分子。此外，現階段 AI 仍無法評估抗體的穩定性、可製備性或臨床安全性。後續若要發展成為藥物，仍需經過多項驗證與臨床評估等重重關卡。