上海和加利福尼亚州拉古纳希尔斯2026年8月27日/美通社/ -- 近日，首届国际AI抗体设计大赛AIntibody完整研究结果正式发表于《Nature Biotechnology》。

图1｜《Nature Biotechnology》论文截图

在这场由独立湿实验统一验证、行业公认最严格的盲测中，寻明生科（Aureka Biotechnologies）凭借自主研发的抗体设计模型AuraIDE（参赛及论文中名称为 AuraBind），获得Challenge 1（计算亲和力成熟，in-silico affinity maturation）冠军。

AuraIDE设计的冠军抗体经KinExA测得亲和力达到94.7pM，较亲本抗体提升约2,000倍；AuraIDE提交的另外两款抗体分别位列第二和第五，包揽Challenge 1前五名中的三席。此外，AuraIDE共设计出6 条亲和力低于10nM、且满足比赛可开发性标准的抗体。

AIntibody赛事：由独立湿实验盲测的AI抗体设计benchmark

图2｜官方发布AIntibody比赛结果

生成式AI已广泛应用于抗体发现与蛋白质设计，但如何客观评估不同模型的真实能力，始终是行业面临的关键问题。在蛋白质结构预测领域，CASP建立的经典盲测范式被视为评判AI模型真实能力的标杆。通过前瞻性盲测和统一评估标准，CASP让不同计算方法脱离各自的数据集和内部benchmark，在同一套标准下接受检验，并由此验证了AlphaFold2的突破性能力。

借鉴这一权威评测思路，AIntibody旨在直面行业两大核心问题：AI设计的抗体究竟到了什么水平？不同模型的设计能力是否经得起标准化、独立湿实验的检验？

首届AIntibody比赛选取的评测靶点为新冠病毒Spike蛋白的受体结合域（RBD）。RBD是全世界被研究得最充分的蛋白之一，已积累了大量公开的结构和序列数据，比赛同时向参赛者提供了较为丰富的实验筛选数据。因此，它也成为检验AI模型是否真正学到了抗体结合规律、而非单纯记忆训练数据的理想考场。

比赛共设置了三项任务，Challenge 1聚焦计算亲和力成熟：参赛者需要根据主办方提供的亲本抗体第一阶段亲和力成熟产生的NGS数据，直接设计亲和力更高、同时满足可开发性要求的新抗体。Challenge 2和Challenge 3则分别考察已有候选抗体的亲和力排序，以及筛选数据之外的新CDR组合设计。

对寻明生科而言，最重要的是Challenge 1。这是三项任务中唯一使用与常规抗体研发流程类似的experimental sequencing pipeline数据进行评测的任务，也是最直接对应真实lead optimization流程的一项挑战。《Nature Biotechnology》在Discussion部分进一步指出Challenge 1是本届比赛中目前AI应用价值最为清晰的场景。

参赛者需在题目发布后14天内完成提交，在Challenge 1中每支团队最多可以提交10条序列。所有提交的序列均由主办方统一表达全长IgG，首先通过SPR测量亲和力，再使用单点及标准KinExA对高亲和力候选进行进一步验证。

亲和力也不是唯一门槛。每款抗体还要接受HIC、BVP、AC-SINS、Tm和Tagg五项评价，分别考察疏水性、多反应性、自相互作用、热稳定性与聚集倾向。只有综合评分达到比赛设定标准的候选，才会被认定为具备开发性（developable）。比赛结束前，参赛者无法看到最终实验结果。

首届比赛吸引了29家机构参与，测试了511条AI设计或预测的抗体，参赛机构覆盖学术界、非营利组织、AI初创公司、生物技术公司、大型制药和科技公司。

在Technical report和预印本大量涌现的当下，AIntibody盲测的价值不言而喻：它不再依赖各模型在自有数据集上的回顾性自证，而是让不同团队的模型在完全一致的湿实验条件下同台竞技，尽可能减少实验变量和选择性报告带来的结果失真，让模型能力最终接受真实实验数据的检验。

AuraIDE夺冠：算力替代湿实验，高效赋能抗体亲和力成熟

图3｜Challenge 1亲和力成熟挑战示意图

寻明生科拿下冠军的Challenge 1，聚焦抗体研发中的一个关键环节：获得能够结合靶点的Hit后，如何在不改动分子框架、限定可变区范围的前提下，进一步提升亲和力，同时兼顾抗体成药性。

比赛提供的原始数据源自亲本抗体第一阶段亲和力成熟的NGS测序结果。实验分别针对HCDR1、HCDR2、LCDR1、LCDR2和LCDR3构建并筛选酵母展示文库，HCDR3与Framework 则保持不变。参赛模型能够看到的，只有这一阶段产生的测序数据。

但在传统实验流程中，这只是第一步。

完成第一阶段筛选后，研发人员通常还需要将不同CDR文库中表现优异的突变重新组合，构建combinatorial library，再经过新一轮湿实验筛选，才有可能从大量组合中找到亲和力进一步提升的优选克隆。

而这一轮组合筛选的数据，对所有参赛模型完全屏蔽。

换句话说，模型只能看到第一轮实验产生的NGS数据，却需要直接回答一个在传统流程中往往还需要继续建库、筛选并反复实验才能解决的问题：

哪些突变组合，能够真正产生亲和力更高、同时具备可开发性的抗体？

Challenge 1最终共有25家机构提交了165条抗体设计。所有提交序列随后在统一条件下接受真实湿实验验证。

这也让Challenge 1与一般意义上的retrospective prediction有了本质区别：模型不是复现一个已经存在的实验答案，而是在最终实验结果未知的情况下，直接提出下一轮最值得被验证的抗体序列。

94.7 pM：AI 设计超越实验最优