近年来，纳米抗体凭借其分子量小、穿透力强、稳定性高和易于人源化等优势，在肿瘤治疗、体外诊断和自身免疫疾病等领域大放异彩。然而，传统的纳米抗体开发高度依赖动物（如羊驼）免疫与噬菌体展示技术，不仅周期长、成本高，且如同“开盲盒”，极具不确定性。

随着AI时代的到来，计算生物学正在彻底改写这一进程。近期，科晶生物基于生成式大模型IgGM与前沿计算生物学工具，成功交付了一项高亲和力纳米抗体设计项目。该项目展示了一条从“从头设计”到“三维高精度验证”的完整干实验（Dry Lab）闭环，为抗体药物的降本增效提供了一套硬核的解决方案。

核心引擎：揭秘生成式抗体大模型 IgGM

在抗体发现领域，最大的难题不是“找到”抗体，而是“设计”出符合特定表位的完美抗体。这正是IgGM算法展现其统治力的地方。

作为一种专为抗体和纳米抗体设计的生成模型，IgGM不仅是一个序列生成器，更是全能的“分子设计师”。在此次科晶生物的技术实践中，IgGM展现了以下几项核心底层能力：

1. De novo（从头设计）与逆向设计： 在没有已知抗体结构的情况下，仅依靠靶标蛋白（抗原）或特定表位，即可反向生成能与之高亲和力结合的全新序列。
2. 亲和力定向进化： 可以对现有抗体序列进行优化，精准提升其与特定抗原的结合能力。
3. 精准人源化改造： 能够将非人源（如小鼠/羊驼）抗体的序列修改得更契合人体免疫系统，在保留活性的同时大幅降低免疫原性，这是成药路上的关键一步。

技术工作流：四步走，锁定“完美分子”

在科晶生物的技术服务框架中，AI并不仅仅是单一工具，而是一套严密的“流水线”。本次揭秘的订单全流程，清晰地展示了高亲和力抗体是如何被“算”出来的：

第一步：精准定位，锁定“靶心”

如同导弹需要精确制导，团队首先提取了诱饵靶标蛋白的关键残基片段，确立了明确的结合位点。明确的表位定义是后续一切计算的基础。

第二步：IgGM 高通量序列生成

确定对接位点后，指令被输入IgGM大模型。系统在短时间内高通量生成了 500个 具有多样性的候选纳米抗体序列。这在传统湿实验中，相当于筛选了庞大的抗体文库，但在AI加持下，耗时被极大地压缩。

第三步：HDOCK 分子对接与初步精筛

生成序列后，如何判断它们能否与靶标紧密结合？团队引入了HDOCK——一种结合了模板匹配与自由对接算法的高效蛋白互作对接工具。

• 评判标准： 根据HDOCK的置信度公式，对接分数在 -200 以下时，理论置信度分值 > 0.7，意味着两个蛋白分子结合的可能性极大。
• 这 500 个候选抗体在此阶段进行了严密的“虚拟对抗”，筛选出亲和力强、构象稳定的优胜者。

第四步：AlphaFold3 终极审判（高精度复合物建模）

为了进一步探究空间结构并降低假阳性，团队将HDOCK初筛出的 Top 30 序列导入目前结构生物学的终极利器——AlphaFold3。
通过计算 pTM（预测整体结构准确度） 和 ipTM（预测相互作用界面准确度） 两个核心指标，不仅验证了抗体自身折叠的正确性，更深入确认了抗原-抗体复合体接触界面的真实性。

结果印证：当代码转化为高亲和力分子

这套“IgGM设计+HDOCK筛选+AF3精细验证”的组合拳，最终交出了令人惊艳的答卷。

在项目交付的最终结果中：

• 由IgGM生成的500个纳米抗体，在虚拟对接中全部达到了HDOCK <-200（高置信度）的结合阈值。
• 结构分析显示，结合位点区域形成了大量相互交织的氢键网络，构象表现出极高的稳定性。
• 结合AlphaFold3的ipTM和pTM双高分印证，科晶生物成功锁定了多条无脱靶风险、对接评分极其优异的纳米抗体序列。这部分序列被直接标记为“优先湿实验验证级”，大幅缩减了客户下游验证的试错成本。

科晶生物纳米抗体设计及表达纯化交付结果

参考文献：

1.IgGM: A Generative Model for Functional Antibody and Nanobody Design.

2.Wang, R., Wu, F., Shi, J., Song, Y., Kong, Y., Ma, J., He, B., Yan, Q., Ying, T., Zhao, P., Gao, X., & Yao, J. (2025). A Generative Foundation Model for Antibody Design. bioRxiv.

3.Cohen, Tomer et al. “NanoNet: Rapid and accurate end-to-end nanobody modeling by deep learning.” Frontiers in immunology vol. 13 958584. 12 Aug. 2022.

4.Baek, M., DiMaio, F., Anishchenko, I., Dauparas, J., Ovchinnikov, S., Lee, G. R., ... & Jumper, J. (2021). Accurate prediction of protein structures and interactions using a three-track neural network. Science, 373(6557), 871-876.

5.Lin, Z., Rigden, D. J., & McGuffin, L. J. (2023). Language models of protein sequences at the scale of evolution enable accurate structure prediction. Science, 379(6631), 1123-1130.

6.Yan Y , Tao H , He J ,et al.The HDOCK server for integrated protein–protein docking[J].Nature Protocols, 2020, 15(Suppl 25):1-24.

7.Abramson, J., Adler, J., Dunger, J. et al. Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature 630, 493–500 (2024).