自AlphaFold颠覆蛋白质结构预测以来，AI抗体设计一直是生物医药行业最火热的风口。大量论文、商业宣传持续渲染一个终极愿景：AI可以脱离繁琐的噬菌体、酵母展示筛选实验，在虚拟环境中直接设计出高亲和力、可落地的治疗性抗体，彻底重构药物研发流程、大幅压缩研发周期。
资本与行业的乐观情绪拉满，仿佛AI替代传统湿实验、实现“一键造抗体”的革命已然落地。但2026年8月26日发表于《Nature Biotechnology》的AIntibody Challenge（AI抗体盲法前瞻性挑战赛），用一套无滤镜、全实测、盲法前瞻的硬核数据，撕下了行业泡沫，精准划定了当下AI抗体设计的能力边界。
这场集结29家顶尖机构、产出511条AI抗体序列、全部完成湿实验验证的“全真大考”给出了最务实的结论：AI确实能超越传统实验，在特定场景实现降本增效，但绝非万能神器，距离脱离实验、工业化独立造药，仍隔着巨大的生物现实鸿沟。
01 全真大考：完全复刻工业药物研发真实场景
过往绝大多数AI抗体研究，均基于回顾性数据集测试，依托已有实验结果优化模型，极易产生“算法虚高”的光环效应，无法真实落地产业场景。本次AIntibody挑战赛效仿蛋白质结构预测顶级竞赛CASP，采用盲法、前瞻性、全合成实测规则，最大程度规避数据偏差，结果极具产业参考价值。
赛事以研究体系成熟的SARS‑CoV‑2 RBD为抗原，设置三大贴合工业抗体药物管线的核心任务，覆盖抗体研发全流程场景：
任务一：计算机亲和力成熟。基于已有亲本抗体与NGS测序数据，仅优化局部CDR区域，在保留可开发性的前提下提升亲和力，对应工业界后期抗体优化核心环节。
任务二：HCDR3簇内亲和力排序。从海量测序序列簇中，精准筛选出亲和力最优、成药性达标的候选抗体，对应高通量筛选后的优质候选扩增流程。
任务三：库外全新CDR设计。跳出原有测序数据库，自主生成全新CDR组合，实现从零到一的原创抗体设计，也是行业最期待的AI核心能力。
不同于只看亲和力的单一评价标准，本次赛事引入工业级可开发性体系，五大核心指标全覆盖：热稳定性、聚集温度、疏水性、多特异性、自相互作用。只有综合打分≤3的序列，才算具备药物开发潜力，彻底杜绝“纸面亲和力爆表、实际无法成药”的无效分子。所有AI设计序列全部合成全长IgG，通过SPR、KinExA完成真实亲和力检测，数据真实可溯源。
02 成绩单出炉：有高光突破，更有致命短板
三大任务的实测结果，清晰拆分出AI的“优势赛道”与“能力盲区”，彻底打破了市场对AI抗体的神化认知。
AI唯一封神赛道：已有抗体的亲和力成熟
这是本次挑战赛中AI唯一全面碾压传统实验的场景。在具备充足测序数据、已有成熟亲本抗体的基础上，AI可以精准完成局部序列优化，产出媲美顶级实验的优质分子。
赛事中，Aureka结构感知模型设计出95 pM超高亲和力抗体，较亲本抗体亲和力提升2000倍，与传统实验筛选的最优113 pM抗体几乎无统计学差异。即便是无深度学习的简单统计共识算法，也能斩获540 pM的优异成绩，超越多数主流AI模型。
整体数据显示，该任务下63%的AI设计序列可稳定结合抗原且成药性达标，3%实现亚纳摩尔亲和力，0.6%突破100 pM超高亲和力。在该场景下，AI可直接替代2-3周的传统实验流程，工业落地价值确凿。但短板同样突出：不同模型差距悬殊，部分参赛团队无一条合格可开发序列，算法稳定性参差不齐。
最颠覆认知：多数AI干不过随机筛选
簇内亲和力排序任务，狠狠戳破了AI的预测神话。赛事基线数据显示，从海量序列簇中随机挑选克隆，就有39%的概率优于对照高丰度抗体。但绝大多数AI模型的表现远低于该随机基线，仅9.8%-13.8%的AI序列能超越对照样本。
26支参赛队伍中，仅有华盛顿大学一支团队实现了对随机基线的超越。更关键的是，AI模型无跨场景泛化能力：同一套算法在A序列簇夺冠，换到B、C簇就表现平庸，无法适配不同序列体系。
这暴露了行业核心痛点：当下AI无法精准建立“抗体序列-真实亲和力”的对应关系，即便拥有测序数据与部分亲和力标签，也难以精准筛选优质候选。同时，模型无法预判HCDR3序列带来的成药性风险，同一算法在不同序列簇中，会出现聚集、多特异性等完全不同的缺陷，稳定性极差。
原创设计陷阱：能造超高亲和力分子，却大多无法成药
全新CDR设计是AI最具想象空间的能力，也是本次测试短板最明显的赛道。赛事中，Xencor蛋白语言模型产出2.9 pM的极致高亲和力抗体，拿下赛道冠军，但该分子存在致命药化缺陷，疏水性不达标，无法通过色谱洗脱，在真实药物研发中会被直接淘汰，仅因赛事计分规则可单项容错才得以登顶。
全局数据更为理性：168条全新设计序列中，30.4%完全无法结合抗原；能够结合的序列里，高亲和力分子普遍伴随聚集、多特异性等成药性缺陷。且绝大多数优质设计并非真正的从零原创，只是在已有序列基础上做保守微调，AI当前更擅长优化改良，而非颠覆性创造。
03 核心结论：没有万能模型，只有适配场景
本次挑战赛覆盖统计基线、传统机器学习、蛋白语言模型、结构感知算法四大主流技术路线，最终得出一个极具产业指导意义的结论：不存在通杀所有场景的AI万能模型，算法效果高度依赖研发场景。
亲和力成熟场景，结构感知模型与蛋白语言模型组合最优，简单统计算法也可高效落地；簇内筛选场景，无固定最优技术，不同序列簇适配的算法完全不同，无技术可以稳定胜出；全新序列设计场景，蛋白语言模型相对占优，但缺陷依旧显著。
同一团队的同一套算法，普遍存在“一优一劣、忽强忽弱”的问题，跨任务、跨场景泛化能力极差，无法直接套用于工业全流程研发。同时赛事证实了另一个关键事实：AI无法预判成药性风险，计算打分无法替代热稳定性、疏水性、多特异性等五项湿实验金标准，大量AI筛选的“高分分子”，实测均存在致命药化缺陷。
基于实测结果，研究团队给出了适配工业管线的务实策略，彻底摒弃“AI替代实验”的激进思路：
    
1. 库内抗体优化：统计共识算法+AI模型并行使用，高效降本；
    
2. 海量序列筛选：不迷信AI预测，保留随机筛选作为核心基线，规避算法偏差；
    
3. 全新分子设计：优先蛋白语言模型生成候选，所有序列必须全维度湿实验验证。
04 行业启示：AI是高效工具，不是颠覆神话
AIntibody挑战赛最大的价值，是终结了行业的认知混乱，厘清了AI抗体设计的真实定位。过往论文中亮眼的“封神效果”，大多源于回顾性数据集的滤镜，脱离真实研发场景；一旦切换为盲法、前瞻、全实测的严苛标准，算法性能会大幅缩水。
现阶段的AI抗体技术，早已拿到产业入场券，但远未达到革命级别。它的核心价值不是替代湿实验、替代研发人员，而是高效候选生成器：快速产出大量优质序列，缩短研发周期、降低筛选成本，最终仍需依靠标准化实验验证亲和力与成药性。
05 未来迭代方向：贴近真实药物研发
本次初代挑战赛仅为行业基准开篇，团队已公布全部原始数据与开源代码，供全球科研团队迭代优化算法。下一代赛事将进一步贴近真实早期研发场景：取消大量预设亲和力标签、仅保留原始测序数据；增设成药性“一票否决”机制，杜绝高亲和力掩盖药化缺陷的漏洞；拓展多类抗原靶点，验证模型跨靶点泛化能力。
结语：AI正处在拐点，革命尚未落地
AI抗体设计的时代已然到来，但神话尚未成真。
它可以在局部优化场景超越传统实验，实现降本增效，为生物医药研发赋能；但在原创设计、精准筛选、成药性预判等核心环节，仍存在无法逾越的技术短板。
这场无滤镜的大考最终证明：生成生物学的终极金标准，永远是盲法前瞻设计与真实湿实验验证。AI不是颠覆行业的终结者，而是重塑研发效率的新工具。认清其能力边界、适配场景化落地，才是AI抗体研发最理性的产业路径。