引言:当抗体设计遇上蛋白质语言模型
前阵子仔细读了一篇关于人类抗体高效进化的论文,标题就是“人类抗体从通用蛋白质语言模型的高效进化”。这名字乍一听有点绕,但里面装的东西可太有意思了——用大模型来做抗体工程,而且不是那种“辅助一下”的用法,是直接让模型在序列空间里做定向进化。我第一时间就把代码扒下来跑了一遍,又在自己的数据集上复现了一些结论,今天想把这篇论文的来龙去脉、核心思路、还有我自己实操中遇到的那些坑,都一次性说清楚。
如果你手头正在做抗体设计、酶工程、蛋白质稳定性改造,或者单纯好奇“大模型在生物领域到底能干嘛”,这篇内容都值得你花十分钟看看。我先说结论:这篇文章最大的价值不在于某个精确数字的SOTA提升,而在于它展示了一种相当聪明的思路——把通用蛋白质语言模型当作“智能突变提议器”,用少量实验轮次就能高效筛选出优化后的抗体序列。这套逻辑可以迁移到很多蛋白质工程任务上,不限于抗体。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
1. 内容整体设计与思路拆解,为什么要用语言模型做抗体进化
1.1 抗体工程的传统痛点
抗体的功能优化说白了就是一个“序列-功能”搜索问题。你想让抗体的亲和力更高、稳定性更好、免疫原性更低,本质上都是在庞大的序列空间里找符合目标的突变组合。但问题在于,这个空间大得离谱——一个典型抗体可变区大概有220个氨基酸,每个位置有19种替换可能,光是考虑单点突变就有四千多种,双突变更是百万量级。传统做法要么走定向进化(用易错PCR随机突变然后一轮轮筛),要么靠结构信息做理性设计,要么结合深度突变扫描数据训练监督模型。
定向进化的问题在于“随机”二字。它不考虑蛋白内部的序列-结构约束,纯粹靠实验筛选压力来引导方向,意味着每一轮都要做大量实验。理性设计又太依赖高质量的结构信息,而很多抗体根本没有可用的晶体结构,AlphaFold预测出来的精度对于精细的抗原-抗体界面分析也常常不够用。
所以我一直觉得,这个领域缺的不是更好的筛选方法,而是更好的“提建议”的机制——得有个什么东西,能在突变之前先告诉你:“这几个位点可以动,这几个位点千万别碰”。
1.2 通用蛋白质语言模型的入场逻辑
蛋白质语言模型这两年是真的火。它做的事情,本质上跟ChatGPT学习人类语言一样——在大规模蛋白质序列语料上做自监督训练,学到的是“蛋白质序列的语法”。也就是说,模型知道在一个特定的序列上下文里,哪个氨基酸更自然、哪个氨基酸出现的概率高。这个“自然度”本身就是极其宝贵的生物学信息,因为它隐含了进化保守性、结构约束、功能位点特征等等因素。
这篇论文的核心思路,就是把这种规则学习能力直接挪到抗体进化上。预设的逻辑很直接:在同一套通用模型下,一个合理突变更容易保持在较高的概率区域内。如果某个突变在一段上下文里被模型打的分特别低,那大概率它在真实蛋白质里也容易破坏折叠或其他功能。反过来,模型给分高的突变,就值得进实验室测一测。
这里有个关键选择:用的不是专门在抗体上finetune过的模型,而是通用的蛋白质语言模型。这是个刻意的设计取舍。专一模型虽然对已知抗体序列的拟合度更高,但泛化能力有限,容易在探索未知空间时被带偏。通用模型看到的序列多样性足够大,它对突变后果的“常识”更扎实。
1.3 方法与定向进化框架的结合
光有语言模型还不够,得把它嵌进一个可迭代的工作流里。这篇论文做了一个我认为很漂亮的闭环:语言模型打分 → 选择候选突变 → 实验验证 → 将结果反馈回模型 → 下一轮提议。这就是把传统定向进化中的“随机突变”替换成了“模型引导的智能突变”。
他们用的是类似贝叶斯优化的框架来做这种引导。每一轮实验得到的数据反馈回来后,会用来更新一个“替代模型”,这个模型负责预测哪些新序列最有可能同时满足两个条件——功能表现好,同时保持抗体的整体可折叠性和特异性。然后语言模型和这个代理模型协同工作,共同产出下一轮的候选序列池。
这就把整个抗体优化过程从“大海捞针”变成“定向寻的”。我测下来最直观的感受是:它并不追求一轮就给到最优答案,而是强调“每一轮实验的信息产出比最大化”。对做湿实验的人来说,这太重要了——毕竟任
