长期以来，药物研发一直以耗时、高成本和不确定性为特点。开发和优化一种治疗性抗体可能需要数年的迭代实验，研究人员需要测试无数种变体才能找到可行的候选药物。即使是现有药物的微小改进，通常也需要大量的实验室工作和专门的研发活动。但一项新实验表明，人工智能可能开始大幅压缩这一过程。
生物科技初创公司Converge Bio最近的一项测试展示了这一转变可能如何展开。该公司透露，其抗体设计平台ConvergeAB™仅使用单一提示且无需特定任务训练，便成功生成了广泛使用的癌症疗法西妥昔单抗(cetuximab)的改进版本。在八小时内，该系统产生了一种抗体序列，在实验室验证测试中展现出比原药强两倍以上的结合力。
西妥昔单抗通常用于治疗结直肠癌、头颈癌，通过靶向表皮生长因子受体(EGFR)——一种驱动肿瘤生长的蛋白质。药物的有效性很大程度上取决于它与该受体结合的紧密程度。更强的结合力可以转化为更有效地阻断促进癌症的信号。
在这种情况下，基于表面等离子共振(SPR)测试，Converge Bio的AI生成版本显示出平均结合亲和力比西妥昔单抗强约2.1倍，比竞争解决方案强4.4倍。该设计仅需对原始抗体序列进行六处有针对性的修改，这些修改分布在结构和功能区域。
使这一结果引人注目的是不仅在于改进本身，还在于它是如何实现的。该系统是在"零样本"设置下运行的，意味着它没有为此任务专门训练。相反，研究人员向模型提供了原始抗体和目标受体序列，系统生成了约10万个潜在候选者。从中，研究人员选择了一个小的子集进行实验室验证，最终仅测试了10个序列。
这些发现表明，人工智能不仅可以辅助药物发现，还能以最少的人工干预主动重新设计现有疗法。与依赖传统迭代方法（研究人员一次测试一种修改）不同，像ConvergeAB这样的模型可以同时探索庞大的设计空间，并更高效地收敛于高性能候选者。
Converge Bio的CEO兼联合创始人Dov Gertz表示："这项工作最初是一项内部实验，旨在了解我们的平台能达到什么程度，而我们的结果强化了通过AI在治疗开发中可能实现的事情。突出的是结果的质量以及我们达到这些结果的速度。仅仅八小时内，我们就从单一提示走向了一组展示出显著改进的候选者，这有力地证明了AI如何将传统上漫长而密集的过程压缩到更短的时间框架内。"
该公司已为AI设计的抗体序列申请了临时专利。
尽管这些结果仍处于早期阶段，仅限于临床前验证，但它们指向药物开发中正在进行的更广泛转变。公司开始将AI定位为核心分子设计引擎，能够在药物候选物进入实验室之前生成和优化它们，而不仅仅是将其视为分析生物数据的支持工具。
这种方法可能会显著降低与药物发现相关的成本和实验负担。在Converge Bio的实验中，只需要对少数候选者进行物理测试，而抗体优化通常需要更大规模的实验活动。
Converge Bio将其长期愿景描述为"计算实验室"，在这里假设在实验验证之前通过数字方式生成、测试和改进。如果能够规模化实现，这一模式可能会从根本上改变将新疗法推向市场的时间和经济成本。
【全文结束】