511件提交、29個組織同場受檢：AIntibody盲測劃出的AI抗體設計界線

2026年10月10日，APPI News刊登張饒輝（Lightman Chang）的長文，整理AIntibody盲測研究的結果。這場競賽讓29個組織提交共511件抗體設計或預測，在共同的實驗框架下測量結合與可開發性。核心結論可以用一句話框住：模型在既有抗體的親和力最佳化這一題較能做出可測量成果，候選排序與全新序列設計的表現則不一致。

這則消息的重點不在「AI能不能設計抗體」這個總稱式問題，而在它第一次把不同團隊的提交放到同一把實驗尺標下，讓外界看清楚模型在哪個研發環節可用、在哪個環節還不能交棒。

競賽設計：先固定題目，再收卷

AIntibody不是讓模型自由作答的考試。研究者先設定資料與任務，收取參與團隊的序列或排序結果，之後實際製造抗體並測量。這種前瞻、盲測的設計，減少了只在既有資料集上回頭評分的偏差。

三項任務各不相同。第一項是親和力成熟：研究提供既有抗體與第一階段篩選資料，團隊設計變體讓抗體更緊密結合目標。第二項是候選排序：在HCDR3（重鏈互補決定區3，抗體辨識目標的關鍵區段）相近的候選羣中，預測哪些結合較強。第三項要求設計未出現在指定選集中的CDR序列。

標的只有一個：SARS-CoV-2刺突蛋白受體結合區。這意味著結論的適用範圍受到明確限制，推廣到其他病原或腫瘤標的之前，需要另行驗證。

兩個判準，兩本帳

親和力（affinity）與可開發性（developability）回答不同的問題。前者問抗體與目標分子結合多強，研究以表面電漿共振（SPR）及KinExA等方法測量。後者問這個分子是否具備進一步開發的性質，包括穩定性、聚集傾向、非特異性黏附與熱穩定性。

這個區分對成本結構的影響直接。親和力提升只是縮小候選範圍的線索；可開發性檢測、細胞功能實驗、動物研究、安全性評估，每一關都是獨立的支出關卡。FDA對治療性蛋白產品採取以風險為基礎、依個案評估免疫反應的指引，本身就說明單一結合數值無法涵蓋整體安全與開發問題。序列上的一處改動，可能同時影響溶解度、聚集風險或對其他分子的非預期結合。

研究摘要對自身結果的界定相當節制：「AI可以在明確、具生物學根據的條件下最佳化抗體」，且成功沒有穩定轉移至不同任務（Erasmus等人，AIntibody研究，2026）。511件提交是511個待檢候選，並非511種已完成藥物；29個組織參賽，也不能解讀成方法普遍有效。

為何最佳化這一題較容易得分

既有抗體最佳化有明確的序列起點與相關篩選資料，模型的搜尋範圍比從零生成一個能結合目標的序列更受限制。研究摘要指出，親和力成熟任務中有數個團隊做出具可開發性、結合力達高水準的抗體。

這與其他領域的觀察一致：AI工具先動的是有既有基準可比較的那一欄成本。這與我們先前分析的AI寫程式省下的工時轉成驗證與審查成本是同一條邏輯，生成端看似壓低了候選產出成本，但判讀與驗證的帳並沒有消失，只是移到了下遊。可開發性檢測、重複實驗與後續關卡，就是抗體研發版本的那本驗證帳。

候選排序與新序列設計的難度更高。排序必須辨別相似候選間的細微差別，並勝過隨機挑選；新序列設計則要把既有規律延伸到未見過的序列空間。這兩題沒有已知抗體當錨點，模型表現不一致的結果並不意外。

影響推演：誰受惠、誰承壓

受惠端是已經握有抗體資產與篩選資料的中大型藥廠與生物技術公司。對這類業者，AI最佳化等於在既有管線上增加一層低成本的變體產生器，搭配內部實驗能力可以把值得測試的變體比例提高。受惠的還有提供濕實驗驗證服務的委託研究機構，候選產出加速，驗證需求同步放大。

承壓端是以「全新序列設計」為主要賣點的平臺型公司。盲測結果顯示這項能力尚未穩定，商業敘事與可交付成果之間的落差，將在下一輪融資與授權談判中被重新定價。投資人若只看親和力提升倍數，而不問起始抗體、測量方法與可開發性結果，等於拿不可比較的數字做估值。

對整條研發流程，傳導機制是候選前置成本下降、後段驗證成本不變。新藥研發的總成本結構中，臨牀階段仍是大宗，AI改變的是進入臨牀前的篩選效率，而非臨牀成功率本身。

收束判斷

AIntibody的價值在於劃界。它證明了在親和力最佳化這種有起點、有基準的任務上，AI能協助提出值得實驗的候選；它同時證明了候選排序與全新序列設計還不能穩定交付。對新藥研發而言，模型交出的每一個序列，距離治療效果的證明之間，仍隔著可開發性、細胞功能、動物研究、安全性與臨牀效益的多道實驗關卡。這些關卡的預算，不會因為生成端變快而刪減。