? 从靶点到抗体：Antiverse AI 平台如何用生成式 AI 重构 GPCR 抗体研发范式
在生物医药领域，G 蛋白偶联受体（GPCR）作为最庞大的膜蛋白家族，参与了超过 30% 的生理过程调控，是目前 40% 以上临床药物的作用靶点。然而，这类靶点的抗体开发长期面临构象动态变化难捕捉、膜蛋白表达不稳定、筛选效率低下等技术瓶颈。传统方法从靶点识别到功能抗体验证往往需要 2-3 年，且成功率不足 5%。
2025 年，英国生物科技公司 Antiverse 推出的 AI 药物研发平台，通过生成式 AI 与湿实验闭环迭代，将 GPCR 抗体开发周期压缩至6 个月，并实现了 1/10,000 的预测成功率，这一突破正在改写行业规则。
? 技术内核：生成式 AI 如何破解 GPCR 抗体设计难题
1. 多模态数据驱动的智能设计引擎
Antiverse 平台整合了结构生物学数据（如 AlphaFold 预测的 GPCR 三维结构）、序列信息（抗体 CDR 区氨基酸排列）和功能数据（信号通路激活状态），构建了多模态深度学习模型。通过模拟抗体 - 抗原相互作用的分子动力学过程，平台能够预测抗体结合的关键表位和亲和力强度。
例如，在针对 CXCR7 受体的设计中，AI 模型不仅识别出传统方法难以捕捉的胞外第二环表位，还通过虚拟筛选从 10 万种候选序列中锁定了 7 种具有纳摩尔级亲和力的抗体克隆。这种精准预测能力，使 Antiverse 在 2024 年与 Nxera Pharma 的合作中，仅用 4 个月就完成了激动型 GPCR 抗体的初步设计。
2. 实验室自动化验证闭环
为解决传统筛选通量低的问题，Antiverse 建立了自动化细胞系工程平台。通过 CRISPR 技术构建稳定表达目标 GPCR 的 HEK293 细胞系，结合荧光激活细胞分选（FACS）和深度测序，平台能够在 72 小时内完成百万级抗体库的筛选。
2023 年，该平台在针对两种结构差异显著的 GPCR 靶点筛选中，成功识别出 8 种高活性抗体，其中 7 种被证实具有拮抗功能，阻断效率超过 90%。这种 “设计 - 筛选 - 验证” 的闭环流程，使 Antiverse 在 2024 年完成了 13 个靶点的临床前验证，其中 5 个项目进入与 Top 20 药企的合作阶段。
? 应用场景：从肿瘤到代谢疾病的广泛覆盖
1. 肿瘤免疫治疗
GPCR 在肿瘤微环境中扮演关键角色。Antiverse 与 GlobalBio 合作开发的抗 PD-1 抗体，不仅能够靶向人类 PD-1 受体，还可同时结合小鼠和犬类同源蛋白，这为临床前动物模型研究提供了极大便利。2025 年披露的实验数据显示，该抗体在黑色素瘤小鼠模型中，使肿瘤体积缩小了 65%，显著优于传统单克隆抗体。
2. 代谢疾病干预
针对 GLP-1 受体的激动型抗体开发中，Antiverse 平台通过构象动力学模拟，设计出能够稳定受体活性状态的抗体。在体外实验中，该抗体的 EC50 值达到32 pM，比天然配体 GLP-1 的激活效率提升了 15 倍。这一成果已吸引礼来等药企的合作意向。
3. 神经退行性疾病
在阿尔茨海默病相关靶点 BACE1 的研究中，Antiverse 的 AI 模型发现了一种跨膜区特异性抗体。该抗体通过阻断 BACE1 的膜内切割活性，使 Aβ42 的生成量减少了 78%，且在血脑屏障穿透性上优于现有小分子抑制剂。
? 行业价值：效率革命与成本重构
1. 研发周期压缩
传统 GPCR 抗体开发需经历靶点验证（6-12 个月）→ 抗体筛选（12-18 个月）→ 功能优化（12-24 个月）的漫长过程。而 Antiverse 平台通过AI 驱动的序列设计和自动化筛选，将全流程缩短至 6 个月，效率提升 4-6 倍。
2. 成本显著降低
以某心血管疾病靶点为例，传统方法需投入约 2000 万美元，而 Antiverse 的 AI 平台将成本控制在300 万美元以内。这种成本优势使其在 2024 年获得 Innospark、Kadmos Capital 等机构的 460 万美元追加投资，用于扩大实验室规模。
3. 数据资产积累
截至 2025 年，Antiverse 已建立包含2.78 亿条抗体序列和10 万 + GPCR 结构模型的数据库。这些数据资产不仅支撑了平台自身的预测能力，还通过 API 接口为药企提供定制化训练服务，形成新的盈利增长点。
⚠️ 挑战与应对：技术落地的现实考量
1. 模型泛化能力
尽管 Antiverse 在已知靶点上表现出色，但针对孤儿 GPCR（缺乏已知配体的受体）的设计仍存在困难。为此，平台引入了进化模拟算法，通过模拟自然选择过程，设计出具有全新结合模式的抗体。2025 年 Science 报道的 CXCR7 激动剂抗体，正是通过这种方法生成的。
2. 临床转化风险
AI 设计的抗体在体内的稳定性和安全性仍需验证。Antiverse 与卡迪夫大学合作开发的多组学毒性预测模型，通过整合基因表达、代谢组和蛋白质组数据，提前识别潜在毒性风险。在某炎症靶点的案例中，该模型将候选抗体的体内淘汰率从 60% 降至 25%。
3. 知识产权壁垒
生成式 AI 的应用引发了抗体序列专利归属的争议。Antiverse 通过联合研发协议和数据共享机制，与药企明确知识产权分配。例如，在与 Nxera Pharma 的合作中，Antiverse 保留算法专利，而药企获得抗体实体的全球开发权。
? 行业生态：从单点突破到系统重构
1. 合作伙伴网络
Antiverse 已与3 家 Top 20 药企建立联合实验室，并与 Twist Bioscience 等公司合作实现DNA 合成 - 抗体表达的全链条整合。2025 年，其与墨西哥 UDIBI-IPN 的合作协议，将推动抗 PD-1 抗体在新兴市场的本地化生产。
2. 技术输出模式
除自有项目外，Antiverse 还通过AI 增强型服务为药企提供抗体优化。例如，某药企的现有抗体亲和力为 10 nM，经平台优化后提升至 0.8 nM，且成药性指标（如热稳定性）同步改善。
3. 伦理与合规
针对 AI 生成抗体的潜在风险，Antiverse 建立了生物安全审查机制，屏蔽病毒相关蛋白生成能力，并通过美国生物伦理委员会认证。其平台生成的所有抗体序列均经过专利冲突检索，确保商业化路径合规。
? 未来展望：生成式 AI 如何重塑抗体研发版图
1. 技术迭代方向
Antiverse 正在开发多智能体协作系统，将结构预测、序列设计和实验验证模块无缝衔接。预计 2026 年推出的新版本，将实现从靶点序列到临床候选分子的全自动设计，进一步缩短研发周期。
2. 治疗领域拓展
除 GPCR 外，平台正在向离子通道和转运蛋白等 “难成药” 靶点延伸。2025 年启动的钠离子通道 Nav1.7 项目，目标是开发出比现有药物更安全的镇痛抗体。
3. 行业标准建立
随着生成式 AI 的普及，Antiverse 正联合行业协会制定AI 设计抗体的评价标准，涵盖预测准确性、可解释性和临床转化潜力等维度。这一标准有望成为未来监管审批的重要参考。
在生成式 AI 的驱动下，GPCR 抗体研发正从经验驱动的试错模式转向数据驱动的精准设计。Antiverse 的实践表明，AI 不仅是效率工具，更是推动药物发现范式变革的核心引擎。随着技术的进一步成熟，我们有理由期待，更多 “不可成药” 靶点将被攻克，人类离精准医疗的目标又近了一步。
该文章由dudu123.com嘟嘟 AI 导航整理，嘟嘟 AI 导航汇集全网优质网址资源和最新优质 AI 工具。