如果把一款候选抗体比作一辆准备量产的汽车，它不仅要“跑得快”——能精准结合靶点，还要“造得出、稳得住”——能大规模生产、不抱团、不散架。长期以来，这些问题往往要靠一轮轮湿实验去试。如今，AI正在改变这一局面。

记者从和铂医药获悉，其全资子公司诺纳生物已于上月成功开发全球首个基于全人源仅重链抗体（HCAbs）训练的语言模型——HCAbLM。该模型基于73只独立免疫的HCAb转基因小鼠、共计3180万条全人源HCAb序列构建。相关研究论文已发表于bioRxiv平台。

“和铂小鼠让我们能够产生全球稀缺的全人源仅重链抗体，而HCAbLM让AI开始真正读懂这些抗体的‘语言’。”诺纳生物首席人工智能官苗洪江博士表示，这不仅是企业将专有数据资产转化为AI能力的关键一步，更意味着抗体开发正从“大海捞针”式的筛选，走向可预测、可设计的智能研发新阶段。

抗体序列，也是一种“语言”

“大家平时用豆包、ChatGPT，背后都是大语言模型，靠大量自然语料训练出来。HCAbLM原理类似，只不过它‘读’的不是文字，而是全人源仅重链抗体序列。”苗洪江用一个通俗的比喻，把这个听起来高深的模型拉到了日常。

他认为，抗体的序列本质上也是一种“语言”：英文由26个字母组成，抗体序列则由20种常见氨基酸按一定顺序排列而成，一条抗体序列就像由一百多个“氨基酸字母”组成的一句话。“20的100多次方，几乎是天文数字。但在这个巨大的序列空间里，真正能单独折叠、稳定存在、还能成药的，只是非常小的一部分。”HCAbLM要做的，就是从海量真实抗体序列中把这些隐藏规律“读”出来。

训练方式也很像人做“完形填空”，把序列中一部分氨基酸遮住，让模型根据前后环境猜这里原来是什么。“HCAbLM就像一个读过三千多万条抗体序列的AI分子工程师。”苗洪江笑着说。

“序列语法”，决定AI会不会“拼字”

“我今天去北京”是一句正常的中文，但把相同的字随机排成“北京今天我去的”，每个字都没错，组合起来却不自然。苗洪江用这个例子解释抗体的“序列语法”：每个位置的氨基酸应该是什么、前后怎么搭配、不同区域如何配合，背后都存在大量隐藏规则。

对HCAb来说，这套语法尤其关键。传统抗体大多由重链和轻链共同组成，相当于两个人一起完成工作；而全人源仅重链抗体不需要轻链，就能独立折叠并完成抗原识别，必须形成独特的序列适应规律。这些序列并非随机排列，而是经过真实免疫系统“自然筛选”的结果。

“AI设计抗体最大的风险之一，就是‘看起来像抗体，但实际上不是一个可成药的抗体’。”苗洪江说，生成新的氨基酸序列并不难，难的是它能不能稳定折叠、能不能表达、会不会聚集。“HCAbLM的价值，就是让AI不只是会‘拼字’，而是逐渐真正学会HCAb的‘语法’，再去生成可成药的HCAb序列。”

“专才”胜过“通才”，数据质量比参数更重要

HCAbLM的训练数据全部来自全人源HCAb序列。为何这个数据来源如此关键？苗洪江解释，通用蛋白质大模型可能看过数亿甚至数十亿条蛋白序列，知识面很广，是个“通才”；但全人源HCAb是诺纳独有的技术平台，这类序列在公共数据库中几乎不存在，通用蛋白质模型几乎没有见过。

“如果问的是一个高度专业的问题——什么样的HCAb更稳定、更适合成药，那么专门研究HCAb的‘专才’要比‘通才’更合适。”苗洪江说。测试结果也印证了这一点：3.66亿参数的HCAbLM在SEC纯度（量产可行性）和HIC行为（聚集风险）两项核心指标上，超越了60亿参数的通用大模型。

这也意味着，在生物制药领域，数据质量比模型规模更重要。“能真正形成壁垒的，往往不是‘我有没有AI’，而是‘我有没有别人没有的数据，能不能把这些数据训练成独有的‘专才型’AI模型’。”苗洪江说。

把风险筛在实验之前

SEC、HIC、热稳定性这些指标，对一款抗体药物能否成药意味着什么？苗洪江继续用汽车打比方：SEC检测抗体会不会“抱团”；HIC看抗体表面是不是“太疏水”；热稳定性则看抗体结构“扛不扛得住”高温。“没有任何一个指标能够单独决定一款抗体‘能不能成药’。真正的候选药物要同时考虑亲和力、功能、特异性、表达、稳定性、聚集、黏度、药代动力学、安全性等很多维度。”

传统抗体研发像一个巨大的漏斗：通过小鼠免疫最初可能获得数百上千个候选分子，传统方式往往需要对大量分子进行合成表达和实验检测，然后发现很多分子难以成药。如今，HCAbLM让研发人员能在做湿实验之前先进行计算分析，判断哪些分子更符合HCAb序列规律、哪些稳定性风险较小、哪些聚集风险较低。

“AI并不是替代湿实验，而是让科学家把最宝贵的实验资源集中到最有希望的候选分子上。”苗洪江说，长期来看，湿实验正从筛选工具变为验证工具，让抗体开发更精准、更高效。

从“理解”走向“设计”

“HCAbLM是诺纳生物AI布局的基座模型之一。”苗洪江介绍，我们正在建设一套覆盖从Idea到IND的AI原生研发体系：

第一层是“理解抗体”，HCAbLM是核心；第二层是让AI从“理解”走向“设计”，针对特定靶点、特定表位直接设计具有优秀可成药属性的全人源HCAb；第三层是让AI同时优化多个可成药属性。把依赖经验、逐个突变试错的抗体工程，转变为可预测、可量化的多目标优化过程；第四层是让复杂 AI 模型真正变成科学家的日常工具，比如科学家只需输入抗体序列就能获得成药性指标；第五层则是药物研发的 AI 智能体系统，把过去需要分别操作多个软件的复杂工作流连成一条完整的全自动化流程。

这背后是诺纳生物正在推进的A³战略——抗体工程×AI×自动化。苗洪江解释，缺了哪一个都不行：抗体工程告诉AI什么才是“好抗体”；AI在人类无法穷举的巨大序列空间中快速寻找规律；自动化不仅提高实验速度，更保证持续产生高质量、标准化、机器可学习的数据，反哺模型优化。“通过A³战略，我们不仅实现了AI计算到湿实验验证的干湿闭环，更在推动AI-native抗体研发真正落地，交付经湿实验验证的‘好抗体’。”

从读懂“语言”到学会“设计”，AI与抗体工程的深度融合，正在为下一代生物治疗药物的开发打开新的想象空间。过去，一款好药的出现往往依赖经验、运气与大量试错；如今，数据、模型与实验闭环正让这一过程变得可预测、可优化、可复用。当AI真正读懂抗体的“语言”，它读懂的不只是序列规律，更是生物医药走向精准设计时代的新可能。