抗体可以通过多种策略合成，第一代的动物免疫中制备的多克隆抗体，第二代通过杂交瘤，噬菌体，单B细胞等不同的筛选平台制备的单克隆抗体。再到现在的第三代的重组抗体技术，它通过从杂交瘤中克隆抗体基因，抗体质谱测序后通过重组DNA技术获得重组抗体。重组抗体具有批间差异一致性，可持续生产，市售价格低，无动物伦理问题等优势。除此之外随着机器学习和人工智能的发展，研究人员还可以各种AI模型预测抗体的潜在序列和结构，提高了抗体的发现率和成功率。

（数据来源 Gray A. et al. Nat Biotechnol. 2020）

抗体测序驱动的重组抗体表达

随着抗体工程的不断发展，抗体质谱测序，单细胞测序，杂交瘤细胞测序等的广泛应用，为抗体的研究和应用提供了更多的手段和途径。通过直接从末端获取有效抗体的序列信息大大缩短了开发周期，并且后期还可对其序列进一步改造来提升性能，它彻底改变了诊断抗体的开发，进而改变了治疗性抗体的开发。

（数据来源 Snapkov l,et al. Trends Biotechnol. 2022）

人工智能助力抗体开发

通过深度机器学习和AI算法能够从零开始设计抗体，这大大提高了抗体发现的速度和精确度。2024年10月9日，2024年诺贝尔化学奖一半授予David Baker，以表彰其在计算蛋白质设计方面的贡献；另一半则共同授予Demis Hassabis和John M. Jumper，以表彰其在蛋白质结构预测方面的贡献。

2020年，Demis Hassabis和John Jumper推出了一个名为AlphaFold2的AI模型。在它的帮助下，他们已经能够预测研究人员已经鉴定出的几乎所有2亿种蛋白质的结构。通过这种AI模型研究人员现在可以更好地了解抗生素耐药性，并创建可以分解塑料的酶的图像。

David Baker利用计算机软件从头开发设计了一种全新的蛋白质，他开发的Rosetta平台可以预测蛋白质的三维结构，还支持从头设计自然界中不存在的新蛋白质，括可用作药物、疫苗、纳米材料和微型传感器的蛋白质。

（数据来源：https://www.nobelprize.org/prizes/chemistry/2024/summary/）

通过机器深度学习可以改造，优化抗体/蛋白序列和结构，从而获得更多格式的抗体，给抗体开发带来更多机会。

抗体序列优化：利用深度学习模型，研究人员可以预测抗体变异对其亲和力和特异性的影响，从而指导更有效的抗体序列设计。

结构预测：AI模型能够根据已知的蛋白质序列预测其三维结构，这对于理解抗体如何与其特定抗原结合至关重要。

亲和力改进：通过分析大量的抗体-抗原互作数据，神经网络可以发现提高抗体亲和力的设计原则。

抗体属性预测：除了结合特异性和亲和力外，可开发性对新型抗体治疗药物的开发至关重要。可开发性属性影响抗体候选药物在适当效力的情况下能否进入临床使用的可能性。可开发性的几个主要属性包括：固有免疫原性、聚集/不溶性、粘度和半衰期。

目前已经发布了一些抗体序列、结构及其属性的数据库，这些数据库使得后续计算方法的开发成为可能。

（数据来源Kim J, et al. Trends Pharmacol Sci. 2023）

重组抗体表达平台服务特色

武汉迈思生物科技有限公司拥有多年重组抗体工程改造及重组表达经验，依托哺乳动物细胞表达平台，结合数据库分析和分子构建设计，可生产制备低成本、高产量的工程改造重组抗体。