课后补充--靶蛋白抗体设计思路

原创

追风少年i

发布于 2026-09-25 09:31:25

410

作者，Evil Genius

只要大家坚持不下桌，轮也该轮到我们了。

今天我们来补充靶蛋白抗体设计的一些内容。

如果靶蛋白三维结构已经知道，设计能够特异性结合它的抗体，本质上就是一个：

“先找靶点表面合适的表位（epitope）→ 再设计能够互补识别该表位的抗体结合面（paratope）→ 通过结构建模、序列设计和实验筛选不断优化”

可以把整个过程理解成下面这条路线：

一、总体设计思路

阶段	核心问题	常用方法/工具
1. 靶蛋白结构分析	靶蛋白哪里适合抗体结合？	PDB、PyMOL、ChimeraX
2. 表位发现	找到特异性表位	Epitope prediction、结构分析
3. 表位筛选	哪个表位最值得设计？	保守性、表面暴露、特异性分析
4. 抗体骨架选择	用什么 antibody scaffold？	VH/VL、scFv、Fab、nanobody
5. CDR设计	如何让抗体识别表位？	CDR grafting、Rosetta、RFdiffusion等
6. 分子对接	抗体能否正确结合？	HADDOCK、RosettaDock、ClusPro
7. 结构优化	如何提高结合稳定性？	Rosetta/FoldX/MD
8. 序列优化	哪些突变提高亲和力和特异性？	ProteinMPNN、Rosetta等
9. 实验筛选	计算结果是否真实？	ELISA、SPR、BLI
10. 亲和力成熟	从 nM 做到更高亲和力	定向突变+筛选

二、第一步不是设计抗体，而是先找“表位”

这是整个过程最重要的一步。

假设靶蛋白：

Target protein
             ┌─────────────────┐
            /                   \
           /      Surface        \
          |                       |
          |       ★ Epitope       |
           \                     /
            └─────────────────────┘
                       ↑
                antibody binding

抗体并不是随机结合整个蛋白，而是识别蛋白表面的一个区域。

理想表位通常具有：

表面暴露
有一定面积
具有独特的三维形状
与其他同源蛋白存在差异
不被糖基化等因素严重遮挡
能形成较好的氢键、疏水作用、盐桥等相互作用

三、特别重要：如果目标是“特异性”，首先分析同源蛋白

例如要设计：

抗 EGFR 突变体抗体

不能只看 EGFR 的结构。

应该同时拿：

Target protein
      ↓
Target mutant
      ↓
Wild type
      ↓
Homologous proteins
      ↓
结构比对
      ↓
寻找 target-specific surface

例如：

WT protein

AAAAA----BBBBB----CCCCC
              ↑
           conserved

Mutant protein

AAAAA----BBXBB----CCCCC
              ↑
          mutation

                    ★
              ideal epitope

如果希望抗体只识别突变蛋白而不识别 WT，那么最有价值的表位往往是：

包含突变位点，并且突变造成局部表面性质明显变化的区域。

这比单纯寻找“结合能最低”的位置更加重要。

四、第二步：确定抗体采用什么形式

常见设计形式：

抗体形式	特点
IgG	完整抗体，实验和治疗常用
Fab	保留抗原结合能力，结构研究常用
scFv	VH + VL，通过 linker 连接
VHH / Nanobody	单域抗体，体积小
Fv	VH + VL
双特异性抗体	同时识别两个靶点

如果主要是做计算设计，通常可以先从：

VH + VL / scFv / nanobody

开始。

五、真正决定“识别谁”的是 CDR

抗体结构大致可以理解成：

Antigen
        ┌───────────────┐
        │               │
        │    EPITOPE    │
        │       ★       │
        └───────┬───────┘
                │
          CDR-H3 ★★★★★
             /   \
       CDR-H2     CDR-H1
          \       /
           \     /
          VH   VL
           \   /
           CDR-L

其中尤其重要的是：

CDR-H3

它通常对抗原识别贡献非常大。

所以结构抗体设计的核心其实可以进一步简化成：

设计一个 CDR 区域，使其三维形状和化学性质与表位互补。

六、可以把抗体设计理解成“锁和钥匙”

例如靶蛋白表面：

Target surface

       O
   ────────
  /        \
 |  +   H   |     ← 表位
 |     O    |
  \________/

       ↓

Antibody CDR

      \   /
       \_/
      O   +

希望形成：

Shape complementarity
        +
Electrostatic complementarity
        +
Hydrogen bonds
        +
Hydrophobic interactions
        +
Van der Waals interactions

所以不是简单地：

“找一个 docking score 最低的抗体”

而是：

表位 → CDR三维形状 → 界面互补 → 序列优化 → 亲和力/特异性验证

七、现在比较重要的一条路线：De novo antibody design

如果没有现成抗体，可以采用：

Target structure
      ↓
Epitope identification
      ↓
Define antibody binding site
      ↓
Generate antibody backbone
      ↓
Generate CDR sequences
      ↓
Structure prediction
      ↓
Antibody-antigen docking
      ↓
Interface optimization
      ↓
Sequence optimization
      ↓
Experimental validation

其中可以使用一些现代生成式蛋白设计方法。

例如：

RFdiffusion
ProteinMPNN
Rosetta
AlphaFold/AlphaFold-Multimer 等结构预测方法
HADDOCK
ClusPro

这些方法承担的任务并不完全相同。

八、一个比较现代的“AI抗体设计”框架

可以把它画成：

Target protein
                      │
                      ↓
             ┌────────────────┐
             │ Epitope mining │
             └───────┬────────┘
                     ↓
              Target epitope
                     │
                     ↓
          ┌────────────────────┐
          │ Backbone generation│
          └─────────┬──────────┘
                    ↓
             Antibody backbone
                    │
                    ↓
          ┌────────────────────┐
          │   CDR generation   │
          └─────────┬──────────┘
                    ↓
             Candidate antibody
                    │
                    ↓
            Antigen-antibody
                 docking
                    │
                    ↓
          Interface optimization
                    │
                    ↓
             Sequence design
                    │
                    ↓
             Structure prediction
                    │
                    ↓
               MD / scoring
                    │
                    ↓
             Candidate ranking
                    │
                    ↓
             Experimental test

九、如果已经有一个抗体，就更容易

如果不是从零开始，而是：

已经有一个能够结合靶蛋白的抗体，希望提高亲和力/特异性

路线会变成：

Existing antibody
       ↓
Antigen-antibody complex
       ↓
Identify interface
       ↓
Identify CDR residues
       ↓
Virtual mutation
       ↓
Docking / Rosetta
       ↓
ΔΔG calculation
       ↓
MD
       ↓
Select mutations
       ↓
Experimental validation

这种属于：

Affinity maturation / antibody optimization

比完全 de novo 设计简单很多。

十、如果只有靶蛋白，没有抗体，推荐如下计算路线

Step 1：靶蛋白准备

PDB
 ↓
remove unwanted molecules
 ↓
add H
 ↓
check missing residues
 ↓
minimize
 ↓
Target structure

Step 2：表位分析

Target
 ↓
surface mapping
 ↓
solvent accessibility
 ↓
conservation
 ↓
hotspot analysis
 ↓
candidate epitopes

Step 3：抗体生成

Candidate epitope
       ↓
Antibody scaffold
       ↓
CDR-H3 design
       ↓
CDR-H1/H2
       ↓
CDR-L1/L2/L3

Step 4：抗原-抗体对接

可以尝试：

HADDOCK / ClusPro / RosettaDock

得到：

Antigen
   +
Antibody
   ↓
multiple docking poses

然后重点分析：

interface area
shape complementarity
H-bonds
salt bridges
hydrophobic contacts
buried surface area
interface ΔG
hotspot residues

十一、然后 Rosetta 优化

例如：

Antigen
                   │
                   │
             antibody
                   │
              CDR-H3
             /       \
         residue1   residue2
             │         │
          mutation   mutation
             ↓         ↓
         Rosetta relax
               ↓
          interface ΔG
               ↓
             MD
               ↓
       candidate selection

可以对 CDR 的部分残基进行计算突变扫描。

例如：

CDR-H3

W  A  G  Y  F  D  Y
      ↑
     mutate

A → F
A → Y
A → W
A → L
A → V
...

然后比较不同突变对结合界面的影响。

十二、但这里有一个非常关键的区别

如果目标是：

“让抗体结合这个蛋白”

那么主要优化：

binding affinity

但如果目标是：

“让抗体只结合这个蛋白，而不结合类似蛋白”

那么必须同时优化：

Affinity + Specificity

例如：

Target
               ★
              / \
             /   \
        Antibody
             │
             │
             ↓
        strong binding

             Homolog
               ★
             /   \
            /     \
        Antibody
             ×
        weak/no binding

因此需要做：

positive design + negative design

也就是：

Target
  ↓
maximize binding

Off-target proteins
  ↓
minimize binding

这其实是特异性抗体设计最核心的计算思想之一。

十三、最终可以形成一个完整的“结构驱动抗体设计”体系

Target protein structure
                       │
                       ↓
                ┌────────────┐
                │ Epitope    │
                │ prediction │
                └─────┬──────┘
                      ↓
              Candidate epitopes
                      │
          ┌───────────┴───────────┐
          ↓                       ↓
     Target-specific         Off-target
        analysis               analysis
          │                       │
          └───────────┬───────────┘
                      ↓
                Antibody scaffold
                      ↓
                  CDR design
                      ↓
              Antigen-antibody
                   docking
                      ↓
              Interface analysis
                      ↓
             Rosetta optimization
                      ↓
              Sequence design
                      ↓
                 MD simulation
                      ↓
          ┌───────────┴───────────┐
          ↓                       ↓
       Affinity                Specificity
          │                       │
          └───────────┬───────────┘
                      ↓
              Candidate antibodies
                      ↓
              Experimental validation
                      ↓
               Affinity maturation

生活很好，有你更好。

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

数据分析

#分子对接

#分子动力学

#数据分析