首页 > 随笔 > 课后补充--靶蛋白抗体设计思路

课后补充--靶蛋白抗体设计思路

简书 2026-09-28 05:09 11 阅读 查看原文
抗体设计 靶蛋白 生物技术

作者，Evil Genius

只要大家坚持不下桌，轮也该轮到我们了。

今天我们来补充靶蛋白抗体设计的一些内容。

如果靶蛋白三维结构已经知道，设计能够特异性结合它的抗体，本质上就是一个：

“先找靶点表面合适的表位（epitope）→ 再设计能够互补识别该表位的抗体结合面（paratope）→ 通过结构建模、序列设计和实验筛选不断优化”

可以把整个过程理解成下面这条路线：

一、总体设计思路

阶段 核心问题 常用方法/工具
1. 靶蛋白结构分析 靶蛋白哪里适合抗体结合？ PDB、PyMOL、ChimeraX
2. 表位发现 找到特异性表位 Epitope prediction、结构分析
3. 表位筛选 哪个表位最值得设计？ 保守性、表面暴露、特异性分析
4. 抗体骨架选择 用什么 antibody scaffold？ VH/VL、scFv、Fab、nanobody
5. CDR设计 如何让抗体识别表位？ CDR grafting、Rosetta、RFdiffusion等
6. 分子对接 抗体能否正确结合？ HADDOCK、RosettaDock、ClusPro
7. 结构优化 如何提高结合稳定性？ Rosetta/FoldX/MD
8. 序列优化 哪些突变提高亲和力和特异性？ ProteinMPNN、Rosetta等
9. 实验筛选 计算结果是否真实？ ELISA、SPR、BLI
10. 亲和力成熟 从 nM 做到更高亲和力 定向突变+筛选

二、第一步不是设计抗体，而是先找“表位”

这是整个过程最重要的一步。



假设靶蛋白：

 Target protein ┌─────────────────┐ / \ / Surface \ | | | ★ Epitope | \ / └─────────────────────┘ ↑ antibody binding

抗体并不是随机结合整个蛋白，而是识别蛋白表面的一个区域。

理想表位通常具有：

  • 表面暴露

  • 有一定面积

  • 具有独特的三维形状

  • 与其他同源蛋白存在差异

  • 不被糖基化等因素严重遮挡

  • 能形成较好的氢键、疏水作用、盐桥等相互作用

三、特别重要：如果目标是“特异性”，首先分析同源蛋白

例如要设计：

抗 EGFR 突变体抗体

不能只看 EGFR 的结构。

应该同时拿：

Target protein ↓ Target mutant ↓ Wild type ↓ Homologous proteins ↓ 结构比对 ↓ 寻找 target-specific surface

例如：

WT protein AAAAA----BBBBB----CCCCC ↑ conserved Mutant protein AAAAA----BBXBB----CCCCC ↑ mutation ★ ideal epitope

如果希望抗体只识别突变蛋白而不识别 WT，那么最有价值的表位往往是：

包含突变位点，并且突变造成局部表面性质明显变化的区域。

这比单纯寻找“结合能最低”的位置更加重要。

四、第二步：确定抗体采用什么形式

常见设计形式：

抗体形式 特点
IgG 完整抗体，实验和治疗常用
Fab 保留抗原结合能力，结构研究常用
scFv VH + VL，通过 linker 连接
VHH / Nanobody 单域抗体，体积小
Fv VH + VL
双特异性抗体 同时识别两个靶点

如果主要是做计算设计，通常可以先从：

VH + VL / scFv / nanobody

开始。

五、真正决定“识别谁”的是 CDR



抗体结构大致可以理解成：

 Antigen ┌───────────────┐ │ │ │ EPITOPE │ │ ★ │ └───────┬───────┘ │ CDR-H3 ★★★★★ / \ CDR-H2 CDR-H1 \ / \ / VH VL \ / CDR-L

其中尤其重要的是：

CDR-H3

它通常对抗原识别贡献非常大。

所以结构抗体设计的核心其实可以进一步简化成：

设计一个 CDR 区域，使其三维形状和化学性质与表位互补。


六、可以把抗体设计理解成“锁和钥匙”

例如靶蛋白表面：

Target surface O ──────── / \ | + H | ← 表位 | O | \________/ ↓ Antibody CDR \ / \_/ O +

希望形成：

Shape complementarity + Electrostatic complementarity + Hydrogen bonds + Hydrophobic interactions + Van der Waals interactions

所以不是简单地：

“找一个 docking score 最低的抗体”

而是：

表位 → CDR三维形状 → 界面互补 → 序列优化 → 亲和力/特异性验证

七、现在比较重要的一条路线：De novo antibody design


如果没有现成抗体，可以采用：

Target structure ↓ Epitope identification ↓ Define antibody binding site ↓ Generate antibody backbone ↓ Generate CDR sequences ↓ Structure prediction ↓ Antibody-antigen docking ↓ Interface optimization ↓ Sequence optimization ↓ Experimental validation

其中可以使用一些现代生成式蛋白设计方法。

例如：

  • RFdiffusion

  • ProteinMPNN

  • Rosetta

  • AlphaFold/AlphaFold-Multimer 等结构预测方法

  • HADDOCK

  • ClusPro

这些方法承担的任务并不完全相同。

八、一个比较现代的“AI抗体设计”框架

可以把它画成：

 Target protein │ ↓ ┌────────────────┐ │ Epitope mining │ └───────┬────────┘ ↓ Target epitope │ ↓ ┌────────────────────┐ │ Backbone generation│ └─────────┬──────────┘ ↓ Antibody backbone │ ↓ ┌────────────────────┐ │ CDR generation │ └─────────┬──────────┘ ↓ Candidate antibody │ ↓ Antigen-antibody docking │ ↓ Interface optimization │ ↓ Sequence design │ ↓ Structure prediction │ ↓ MD / scoring │ ↓ Candidate ranking │ ↓ Experimental test

九、如果已经有一个抗体，就更容易

如果不是从零开始，而是：

已经有一个能够结合靶蛋白的抗体，希望提高亲和力/特异性

路线会变成：

Existing antibody ↓ Antigen-antibody complex ↓ Identify interface ↓ Identify CDR residues ↓ Virtual mutation ↓ Docking / Rosetta ↓ ΔΔG calculation ↓ MD ↓ Select mutations ↓ Experimental validation

这种属于：

Affinity maturation / antibody optimization

比完全 de novo 设计简单很多。

十、如果只有靶蛋白，没有抗体，推荐如下计算路线

Step 1：靶蛋白准备

PDB ↓ remove unwanted molecules ↓ add H ↓ check missing residues ↓ minimize ↓ Target structure

Step 2：表位分析

Target ↓ surface mapping ↓ solvent accessibility ↓ conservation ↓ hotspot analysis ↓ candidate epitopes

Step 3：抗体生成

Candidate epitope ↓ Antibody scaffold ↓ CDR-H3 design ↓ CDR-H1/H2 ↓ CDR-L1/L2/L3

Step 4：抗原-抗体对接

可以尝试：

HADDOCK / ClusPro / RosettaDock

得到：

Antigen + Antibody ↓ multiple docking poses

然后重点分析：

  • interface area

  • shape complementarity

  • H-bonds

  • salt bridges

  • hydrophobic contacts

  • buried surface area

  • interface ΔG

  • hotspot residues

十一、然后 Rosetta 优化

例如：

 Antigen │ │ antibody │ CDR-H3 / \ residue1 residue2 │ │ mutation mutation ↓ ↓ Rosetta relax ↓ interface ΔG ↓ MD ↓ candidate selection

可以对 CDR 的部分残基进行计算突变扫描。

例如：

CDR-H3 W A G Y F D Y ↑ mutate A → F A → Y A → W A → L A → V ...

然后比较不同突变对结合界面的影响。

十二、但这里有一个非常关键的区别

如果目标是：

“让抗体结合这个蛋白”

那么主要优化：

binding affinity

但如果目标是：

“让抗体只结合这个蛋白，而不结合类似蛋白”

那么必须同时优化：

Affinity + Specificity

例如：

 Target ★ / \ / \ Antibody │ │ ↓ strong binding Homolog ★ / \ / \ Antibody × weak/no binding

因此需要做：

positive design + negative design

也就是：

Target ↓ maximize binding Off-target proteins ↓ minimize binding

这其实是特异性抗体设计最核心的计算思想之一。

十三、最终可以形成一个完整的“结构驱动抗体设计”体系

 Target protein structure │ ↓ ┌────────────┐ │ Epitope │ │ prediction │ └─────┬──────┘ ↓ Candidate epitopes │ ┌───────────┴───────────┐ ↓ ↓ Target-specific Off-target analysis analysis │ │ └───────────┬───────────┘ ↓ Antibody scaffold ↓ CDR design ↓ Antigen-antibody docking ↓ Interface analysis ↓ Rosetta optimization ↓ Sequence design ↓ MD simulation ↓ ┌───────────┴───────────┐ ↓ ↓ Affinity Specificity │ │ └───────────┬───────────┘ ↓ Candidate antibodies ↓ Experimental validation ↓ Affinity maturation

生活很好，有你更好。

相关推荐