基于深度生成模型和表位图谱的计算纳米抗体设计新策略

为解决传统纳米抗体发现方法耗时耗力的问题，研究人员开发了整合深度生成模型（AiCDR）与结构表位分析的计算设计框架，成功构建了包含5,194个高置信度模型的纳米抗体库，并在SARS-CoV-2 Omicron刺突蛋白中筛选出具有中和活性的候选抗体，为早期治疗性纳米抗体发现提供了高效策略。

　　

纳米抗体因其体积小（仅为传统抗体的十分之一）、组织穿透性强等优势，在肿瘤、自身免疫病和病毒感染治疗中展现出巨大潜力。然而，传统纳米抗体开发依赖动物免疫和文库筛选，不仅周期长、成本高，且难以应对快速变异的病原体或复杂疾病靶点。尤其面对COVID-19大流行等突发公共卫生事件，亟需建立高效的计算设计方法加速纳米抗体发现。

针对这一挑战，复旦大学复杂表型遗传与发育国家重点实验室的研究团队在《Computational and Structural Biotechnology Journal》发表研究，提出了一种整合深度生成建模与结构表位分析的计算框架。该研究通过构建双引导器增强的生成对抗网络（AiCDR-GAN），生成具有天然特性的互补决定区3（CDR3）序列，结合AlphaFold2结构预测和分子对接技术，建立了包含5,194个高置信度模型的纳米抗体库，并系统分析了其对六类疾病靶点的表位识别特征。

关键技术包括：1）基于170万天然CDR3序列训练的双引导器生成模型AiCDR；2）将生成序列嫁接至人源化支架（Caplacizumab）并利用AlphaFold2预测结构；3）通过HDOCK和Rosetta对六种靶蛋白（含SARS-CoV-2 Omicron S）进行全局表位分析；4）针对Omicron RBD的假病毒中和实验验证。

2.1 神经网络架构
开发了包含判别器、生成器和两个引导器（基于多头注意力与GRU）的AiCDR模型。引导器通过区分天然CDR3与随机序列/多肽，显著提升生成序列的自然性与多样性。

2.2 AiCDR训练
采用α=0.6/β=0.3/γ=0.1的奖励函数权重时，生成序列与训练集的相似性峰值达284条（epoch 198），优于传统LeakGAN和PepGAN变体。

2.3 生成序列特征
9,984条生成CDR3的长度分布（16-20氨基酸为主）、氨基酸组成（Ala/Ser/Thr富集）及9种理化性质与天然序列高度一致，且95.69%为新序列，聚类形成1,308个独特簇。

2.4 人源化纳米抗体库
将CDR3嫁接至Caplacizumab支架后，通过AlphaFold2预测获得5,194个pLDDT>65的高质量结构，CDR3区域平均置信度达68。

2.5 表位鉴定
针对TNFα、EGFR等六种靶点的表位分析显示，高频结合位点（接触频率>19.2%）与已知功能域重叠率达80-100%（TNFα）至1.8%（Omicron S），聚焦RBD后提升至88%。

2.6-2.8 Omicron靶向验证
从2,783个靶向RBD的纳米抗体中筛选出10个候选，其中Nb9469和Nb3022在假病毒实验中显示剂量依赖性中和（最高抑制率58%），其CDR3分别通过氢键结合RBD的Ser¹⁴⁵/Ala¹⁴⁸和Glu⁴⁶/Lys²⁴⁰，形成非ACE2竞争性表位。

该研究创新性地将生成式人工智能与结构生物学相结合，突破了传统纳米抗体开发的瓶颈。所构建的CDR3中心设计策略不仅证实了单区域驱动抗原识别的可行性，其表位富集特征更为靶向复杂蛋白界面（如多聚体病毒刺突蛋白）提供了新思路。尽管当前中和活性有待优化，该框架为快速响应新兴病原体变异和难治性肿瘤靶点提供了可扩展的计算平台，标志着抗体工程向"AI优先"模式的范式转变。