上图按主导决策引擎示意范式出现顺序（只标起点、各范式可并存）；下文各节与图中阶段一一对应（图中 1–6 对应正文阶段 0、1、2、3、4a、4b）。
说明：本文按主导决策引擎划分范式演进，梳理抗体亲和力相关技术路线。
范围：提升结合强度（(K_D) / 功能效价）及直接相关的测量、预测、生成；不展开单纯人源化。
时间口径：各阶段只标注出现时间（该范式首次形成可辨识方法学的大致起点），不写终止时间——后续范式出现后，前序范式仍可并存并用。
方法归属：按「最终决定提议哪些变体进入湿实验验证」的引擎归类；混合方法归决策侧，另一侧记为依赖/输入。
数字均为原文/作者口径，跨范式不可直接横比。文献与本地 PDF 见reference/（文中 ✅）。
〇、阅读指引
0.1 任务边界
| 类型 | 定义 | 典型输入 | 典型输出 |
|---|---|---|---|
| A · 亲和力成熟 | 在已有结合抗体上提升抗原结合强度 | 亲本序列 ± 结构 / 淘选数据 | 少数高亲和变体 |
| C · 从头 / 表位定制 | 无亲本或弱亲本下按抗原/表位生成新结合候选 | 抗原结构或序列约束 | 全新 CDR / 骨架 |
段末注释：(K_D)（equilibrium dissociation constant，平衡解离常数）越小通常表示亲和力越高。
0.2 范式总览（只标出现时间）
| 阶段 | 范式 | 出现时间 | 主导决策：下一轮变体由谁决定 |
|---|---|---|---|
| 0 | 体内成熟 | 1975 年起 | 动物体内 SHM + 克隆选择 |
| 1 | 实验驱动 | 1985 年起 | 人工建库 + 体外展示筛选的选择压力 |
| 2 | 物理模型驱动 | 约 2002 年起 | 结构 + 能量函数 / 对接 / 专家规则打分 |
| 3 | 定量测绘 | 2010 年起 | 不以淘出少数 winners 为终点，而以定量「突变→功能」景观为产物 |
| 4a | 数据驱动 · 预测 | 约 2015 年起（抗体工程案例密集于约 2019 年起） | 学习器对突变/组合打分、排序、缩库 |
| 4b | 数据驱动 · 生成 | 约 2022 年起 | 生成模型按条件直接采样新序列（±结构） |
范式迁移一句话：体内自然选择 → 体外库筛 → 物理模型缩空间 → 高通量定量景观 → 学习模型预测或生成。
使能桥梁（非独立亲和力范式）：结构预测（AlphaFold 系、IgFold、ImmuneBuilder 等，约 2021 年起）降低对晶体结构的依赖，同时服务阶段 2 与阶段 4；见文末附录。
0.3 各阶段统一体例
- 相较上一范式：核心范式转变 · 核心突破 · 主要收益
- 代表技术表：技术方案简介 · 方法特点与意义 · 发表时间 · 参考文献（原文超链接）
- 核心成果表：项目概述 · 场景情况 · 应用的范式技术 · 亲和力提升效果 · 新范式带来的主要优势 · 参考文章
技术表条目须为可落地方法/协议，不以综述充当技术行。
一、阶段 0 · 体内成熟
出现时间：1975 年起（以杂交瘤技术固定克隆为工程化标志；天然 SHM 成熟更早）。
1.1 相较上一方式：范式转变、突破与收益
| 维度 | 内容 |
|---|---|
| 核心范式转变 | 从「无标准化单克隆获取」到「免疫动物内经体细胞超突变（SHM）与克隆选择完成天然亲和力成熟，再经杂交瘤/B 细胞分选固定」 |
| 核心突破 | 可稳定获得单一特异性、经体内选择加压的抗体克隆；亲和力由免疫与选择压力共同塑造 |
| 主要收益 | 无需体外建库即可得到可用 mAb；后续转基因小鼠等可在体内路径上直接产出人源序列高亲和抗体 |
段末注释：SHM（somatic hypermutation，体细胞超突变）在生发中心引入点突变，经抗原选择富集高亲和 B 细胞。
1.2 代表技术
| 技术方案名称 | 技术方案简介 | 方法特点与意义 | 发表时间 | 参考文献 |
|---|---|---|---|---|
| 杂交瘤技术 | 免疫脾细胞与骨髓瘤细胞融合，筛选分泌单一抗体的杂交瘤并扩增 | 首次规模化、可重复地固定单克隆抗体，奠定治疗抗体原料来源 | 1975 | Köhler & Milstein, Nature: https://doi.org/10.1038/256495a0 |
| XenoMouse 等转基因小鼠 | 将人抗体基因座导入小鼠，免疫后经体内 SHM 成熟，再分离人源序列抗体 | 在体内成熟路径上直接获得人源可变区，减少后续人源化负担（本文仅从亲和力成熟角度收录） | 1997 | Mendez et al., Nat Genet: https://doi.org/10.1038/ng0297-146 |
| 转基因小鼠平台临床路径归纳 | 归纳 XenoMouse 等平台从发现到治疗抗体的路径与案例 | 说明体内成熟可支撑临床级高亲和人源 mAb | 2007 | Jakobovits et al., Nat Biotechnol: https://doi.org/10.1038/nbt1337 |
| 单 B 细胞克隆 / 重组表达 | 从免疫个体分选抗原特异性单 B 细胞，扩增可变区并重组表达 | 不依赖杂交瘤融合效率；可直接捕获体内成熟后的天然配对 VH–VL | 2008（方法学广泛采用） | Tiller et al., J Immunol Methods: https://doi.org/10.1016/j.jim.2007.09.017 |
1.3 核心成果
| 项目概述 | 场景情况 | 应用的范式技术 | 亲和力提升效果 | 新范式带来的主要优势 | 参考文章 |
|---|---|---|---|---|---|
| 杂交瘤单抗生产范式确立 | 基础免疫学 / 诊断与治疗原料 | 杂交瘤 | 获得可扩增的单一特异性抗体（亲和力由免疫决定） | 首次把「单一抗体」变为可工业化供应的生物试剂 | https://doi.org/10.1038/256495a0 |
| XenoMouse 人源抗体发现 | 体内成熟 · 人源序列 | 转基因小鼠 + 体内 SHM | 可产出亚纳摩级亲和力人源 mAb（平台口径） | 成熟与「人源序列」在同一体内路径完成 | https://doi.org/10.1038/ng0297-146 |
| Panitumumab 等 | 抗 EGFR · 临床抗体 | 转基因小鼠体内路径 | 治疗级亲和力与临床可用分子（工业/临床叙事） | 体内路线可直接通向上市分子，无需体外展示主路径 | https://doi.org/10.1038/nbt1337 |
| 单 B 细胞抗体发现 | 感染/免疫后记忆 B 或浆细胞 | 单细胞分选 + 重组表达 | 直接获得体内成熟、天然配对的高亲和克隆（案例依赖具体研究） | 绕开杂交瘤融合瓶颈，保留天然轻—重链配对 | https://doi.org/10.1016/j.jim.2007.09.017 |
二、阶段 1 · 实验驱动
出现时间：1985 年起（噬菌体展示实现基因型—表型偶联；抗体库淘选约 1990 年起成型）。
2.1 相较上一范式：范式转变、突破与收益
| 维度 | 内容 |
|---|---|
| 核心范式转变 | 从依赖动物体内选择，到体外「突变建库 → 展示 → 淘选/分选 → 富集」可迭代循环；下一变体由选择压力 + 库多样性决定 |
| 核心突破 | 亲和力成熟工程化：随机/重组/聚焦突变与多种展示平台结合，可在试管中模拟进化 |
| 主要收益 | 成熟过程可重复、可放大库容；相对纯体内路径，周期与条件更可控；仍是今日工业主路径之一 |
2.2 代表技术
| 技术方案名称 | 技术方案简介 | 方法特点与意义 | 发表时间 | 参考文献 |
|---|---|---|---|---|
| 噬菌体肽展示 | 外源肽融合至外壳蛋白展示；淘选后回收 DNA，实现基因型—表型偶联 | 体外定向进化的底层机制 | 1985 | Smith, Science: https://doi.org/10.1126/science.2983420 |
| 抗体噬菌体展示库 | scFv/Fab 基因库克隆入噬菌粒，多轮抗原淘选—洗脱—扩增 | 抗体体外发现与成熟的工业奠基技术 | 1990 | McCafferty et al., Nature: https://doi.org/10.1038/348552a0 |
| 链置换（chain shuffling） | 固定一链、用另一链库重配后再淘选 | 在保持部分结合界面的同时扩展序列空间，抬升亲和力 | 1991 | Clackson et al., Nature: https://doi.org/10.1038/352624a0 |
| DNA family shuffling | DNase 切割同源基因后 PCR 重装，形成嵌合突变库再筛选 | 高效重组突变策略，加速体外进化 | 1994 | Stemmer, Nature: https://doi.org/10.1038/370389a0 |
| 酵母表面展示 + FACS | Aga2p 等锚定展示；抗原滴定 + 流式按亲和力分箱 | 真核折叠；可定量分选，精细亲和力成熟 | 1997 | Boder & Wittrup, Nat Biotechnol: https://doi.org/10.1038/nbt0697-553 |
| 核糖体展示 | 无终止密码子稳定 mRNA–核糖体–多肽复合物；淘选后 RT-PCR 回收 | 无转化瓶颈；轮次间可引入突变，「边筛边进化」 | 1997 | Hanes & Plückthun, PNAS: https://doi.org/10.1073/pnas.94.10.4937 |
| 核糖体展示体外成熟协议 | 免疫库多轮核糖体淘选 + 低保真 PCR 引入突变 | 展示平台上的完整亲和力成熟工作流 | 1998 | Hanes et al., PNAS: https://doi.org/10.1073/pnas.95.24.14130 |
| CDR walking | 对单个 CDR 做饱和突变库，逐 CDR 迭代淘选/测定 | 聚焦合成变体空间，降低全随机库的无效负担 | 1998 | Wu et al., PNAS: https://doi.org/10.1073/pnas.95.11.6037 |
| 哺乳动物细胞展示 | 在 HEK 等细胞表面展示抗体片段并分选 | 翻译后修饰更接近治疗分子，亲和力选择环境更「天然」 | 2006 | Ho et al., PNAS: https://doi.org/10.1073/pnas.0603653103 |
| 易错 PCR（error-prone PCR） | 降低聚合酶保真度，在扩增中引入随机点突变以构建多样性库 | 体外随机突变的基础造库手段，常与展示淘选联用 | 1992（方法定型） | Cadwell & Joyce, PCR Methods Appl: https://doi.org/10.1101/gr.2.1.28 |
| 细菌表面展示 | 将抗体片段锚定于细菌外膜/菌毛等表面，经淘选回收基因 | 库构建与筛选成本相对较低的原核展示路径 | 1993 起 | Francisco et al., PNAS: https://doi.org/10.1073/pnas.90.22.10444 |
| mRNA / cDNA 展示 | 基因型与表型经共价或稳定连接偶联，体外翻译后淘选 | 无细胞、库容潜力大；适合肽/抗体片段体外进化 | 1997 | Roberts & Szostak, PNAS: https://doi.org/10.1073/pnas.94.23.12297 |
2.3 核心成果
| 项目概述 | 场景情况 | 应用的范式技术 | 亲和力提升效果 | 新范式带来的主要优势 | 参考文章 |
|---|---|---|---|---|---|
| 抗 phOx 抗体库淘选 | 半抗原 · 体外进化范式验证 | 噬菌体展示 + 链置换 | 富集至 (K_D \approx 10^{-8}) M 量级高亲和克隆 | 证明体外库筛可替代/补充体内成熟获得高亲和克隆 | https://doi.org/10.1038/352624a0 |
| Vitaxin（抗 αvβ3）体外成熟 | 抗血管生成 / 肿瘤相关 | CDR walking | Fab >90× | 用聚焦库在可控合成规模（2,592 变体）下达到大幅提亲和 | https://doi.org/10.1073/pnas.95.11.6037 |
| 抗 GCN4 肽 scFv | 免疫库 · 边筛边进化 | 核糖体展示 + PCR 突变 | 相对祖系约 65×；溶液 (K_d) 约 (4\times10^{-11}) M | 无细胞展示突破转化瓶颈，缩短进化循环 | https://doi.org/10.1073/pnas.95.24.14130 |
| Adalimumab（Humira）路径 | TNF-α · 治疗抗体 | 噬菌体展示等体外发现/优化 | 治疗级亲和力（工业史口径） | 展示路线可支撑重磅治疗分子（不宜简化为单一协议） | 奠基技术见 https://doi.org/10.1038/348552a0 |
三、阶段 2 · 物理模型驱动
出现时间：约 2002 年起（计算丙氨酸扫描等能量热点定位成形；治疗抗体静电定点成熟经典案例如 Lippow 2007）。
3.1 相较上一范式：范式转变、突破与收益
| 维度 | 内容 |
|---|---|
| 核心范式转变 | 从「库容 + 选择压力」决定胜者，转向在复合物结构上用物理/半经验能量函数与对接打分，决定测哪些定点突变 |
| 核心突破 | 可在极少变体上实现可解释的亲和力提升；后期可借用 DMS 图谱缩位点，但仍由能量函数组合决策（如 AbLIFT） |
| 主要收益 | 湿实验规模从 (10^{6})–(10^{9}) 库降到少量设计点；对结构精度与能量函数偏差敏感 |
3.2 代表技术
| 技术方案名称 | 技术方案简介 | 方法特点与意义 | 发表时间 | 参考文献 |
|---|---|---|---|---|
| 计算丙氨酸扫描（能量热点定位） | 用物理能量函数对界面残基做计算 Ala 扫描，识别结合热点 | 把「该改哪里」从经验猜测变为可计算的热点图 | 2002 | Kortemme & Baker, PNAS: https://doi.org/10.1073/pnas.202485799 |
| 静电优化定点亲和力成熟 | 分解并优化静电压献；筛选有利单点再组合；SPR 验证 | 证明物理模型可直接驱动治疗抗体级亲和力成熟 | 2007 | Lippow et al., Nat Biotechnol: https://doi.org/10.1038/nbt1336｜PMC: https://pmc.ncbi.nlm.nih.gov/articles/PMC2803018/ |
| RosettaAntibody（Fv 同源建模） | 框架/CDR 模板嫁接 → 侧链优化；高分辨协议处理 CDR-H3 与 VL–VH 取向 | 为无晶体或低分辨场景提供可对接/可设计的 Fv 模型 | 2009 | Sircar et al., Nucleic Acids Res: https://doi.org/10.1093/nar/gkp387 |
| 抗体 Fv 高分辨建模 + 对接 | 高分辨模型用于抗体—抗原对接与设计前置 | 把建模与对接串成结构理性设计流水线 | 2009 | Sivasubramanian et al., Proteins: https://doi.org/10.1002/prot.22309 |
| 无共晶结构的计算突变扫描 | 同源建模复合物 → 对接/能量评估 → 计算扫描单点 → 湿实验确认 | 在缺少共晶时仍可用结构—物理流程定位增亲和突变 | 2019 | Cannon et al., PLoS Comput Biol: https://doi.org/10.1371/journal.pcbi.1006980｜✅ PDF |
| AbLIFT | DMS 定位增益突变（输入）→ Rosetta 能量组合多点 → 少量 SPR/稳定性验证 | 决策引擎仍是物理能量；定量测绘仅作位点收缩输入 | 2019 | Warszawski et al., PLoS Comput Biol: https://doi.org/10.1371/journal.pcbi.1007207｜✅ PDF |
| FoldX（经验力场 (\Delta\Delta G)） | RepairPDB → BuildModel → AnalyseComplex，由结构估计突变对稳定性/界面能的影响 | 经验力场驱动的快速 (\Delta\Delta G)/界面能估计；属物理模型打分，非学习器（本文仅在此收录） | 2005 | Schymkowitz et al., Nucleic Acids Res: https://doi.org/10.1093/nar/gki387 |
| SnugDock（抗体—抗原柔性对接） | 在对接中同时优化 Ab–Ag 刚体位姿、VL–VH 取向与 CDR（模拟诱导契合） | 缓解同源建模误差导致的刚性对接失败，服务无共晶场景的复合物建模 | 2010 | Sircar & Gray, PLoS Comput Biol: https://doi.org/10.1371/journal.pcbi.1000644 |
| PRODIGY（复合物亲和力估计） | 基于界面接触等结构描述符快速估计蛋白—蛋白结合亲和力 | 对整体复合物结合强度做快速评估（偏 (\Delta G/K_D) 估计，非突变扫描主力） | 2016 | Xue et al., Bioinformatics: https://doi.org/10.1093/bioinformatics/btw514 |
| MM-GBSA / MM-PBSA（旁注） | 在分子动力学轨迹上用隐式溶剂计算结合自由能差 | 物理采样更充分但吞吐低，多用于少量候选精排 | 方法学长期使用 | 协议依力场/软件而异（Amber/GROMACS 等） |
3.3 核心成果
| 项目概述 | 场景情况 | 应用的范式技术 | 亲和力提升效果 | 新范式带来的主要优势 | 参考文章 |
|---|---|---|---|---|---|
| Cetuximab（抗 EGFR）变体 | 结直肠癌治疗抗体 · 计算成熟 | 静电优化定点 | 约 10×（→ ~52 pM） | 少量单点/组合即可提亲和；单点成功率报道 >60% | https://doi.org/10.1038/nbt1336 |
| D44.1（抗溶菌酶） | 方法学验证 | 同上 | 约 140×（→ ~30 pM） | 证明物理模型在模型抗体上可达两个数量级 | 同上 |
| AB1（抗 muCCL20） | 杂交瘤来源 · 无共晶 | 同源建模 + 对接 + 计算扫描 | 鉴定 2 个增亲和单点 | 降低对共晶结构的硬性依赖 | https://doi.org/10.1371/journal.pcbi.1006980 |
| AbLIFT · D44.1 | 亲和力 + 稳定性联合 | DMS 输入 + Rosetta 组合 | 约 10×，稳定性显著提升 | 用测绘缩空间后，能量组合兼顾多目标 | https://doi.org/10.1371/journal.pcbi.1007207 |
| AbLIFT · G6（抗 VEGF） | 治疗性抗体模型 | AbLIFT | 约 5×（SPR (K_D)）；表达/稳定性改善 | 少量设计即验证，贴近工程多约束 | 同上 |
四、阶段 3 · 定量测绘
出现时间：2010 年起（深度突变扫描方法学发表；抗体场景的 Tite-Seq / FACS–NGS 随后展开）。
4.1 相较上一范式：范式转变、突破与收益
| 维度 | 内容 |
|---|---|
| 核心范式转变 | 从「淘选出少数高亲和克隆」或「物理模型猜点」，转向系统测量大规模突变的功能效应，产物是定量景观/标签而非单个 winners |
| 核心突破 | 一次实验可读出 (10^3)–(10^4) 量级（乃至更高）变体的相对或绝对亲和力相关量；可不依赖高精度结构即可定位增益/有害突变 |
| 主要收益 | 为物理模型（缩位点）与数据驱动预测（训练集）提供可学习的「突变→功能」数据；本身仍是测量范式，不自动外推未测空间 |
4.2 代表技术
| 技术方案名称 | 技术方案简介 | 方法特点与意义 | 发表时间 | 参考文献 |
|---|---|---|---|---|
| 深度突变扫描（DMS） | 大规模突变展示库 → 中等强度选择 → NGS 比较选择前后丰度，得富集/适应度分数 | 定义并行定量突变效应的标准工作流 | 2010 | Fowler et al., Nat Methods: https://doi.org/10.1038/nmeth.1492｜PMC: https://pmc.ncbi.nlm.nih.gov/articles/PMC2938879/ |
| Tite-Seq | 酵母展示 + 多浓度抗原滴定 + FACS 分箱 + NGS，拟合变体绝对 (K_D) | 把「相对富集」提升为并行绝对亲和力读出 | 2016 | Adams et al., eLife: https://doi.org/10.7554/eLife.23156 |
| 酵母展示 + FACS + NGS 亲和力测绘 | 多参数 FACS 分选后 NGS 计算富集比，输出亲和力/表达等景观 | 面向抗体工程的高通量功能测绘平台范式 | 2018 | Mason et al., Nucleic Acids Res: https://doi.org/10.1093/nar/gky550 |
| 淘选深度测序（selection NGS） | 对噬菌体/酵母等多轮淘选库做深度测序，用富集轨迹推断结合优势克隆 | 把传统淘选的「只出 winners」扩展为全库频率动力学读出 | 2010s 起广泛采用 | 方法学框架见 Fowler & Fields 综述（旁注）: https://doi.org/10.1016/j.tibs.2014.06.006 |
| AB-Bind 等亲和力突变基准集 | 汇编抗体—抗原复合物突变的实验亲和力变化，供计算方法训练/评测 | 为后续 (\Delta\Delta G)/亲和力学习器提供标准标签资源（服务阶段 4a） | 2016 | Sirin et al., Protein Sci: https://doi.org/10.1002/pro.2829 |
4.3 核心成果
| 项目概述 | 场景情况 | 应用的范式技术 | 亲和力提升效果 | 新范式带来的主要优势 | 参考文章 |
|---|---|---|---|---|---|
| 抗 fluorescein scFv（4-4-20 系） | 方法学 · 并行绝对亲和力 | Tite-Seq | 一次读出数千变体绝对 (K_D)（测量范式，非单点「提升倍数」） | 用一张定量图替代逐个 SPR 盲测 | https://doi.org/10.7554/eLife.23156 |
| D44.1 位点饱和/DMS 图谱 | 抗溶菌酶 · 为设计供数 | DMS | 鉴定可组合增益突变，支撑后续约 10× 能量组合设计 | 测绘直接降低物理设计的搜索空间 | 见 AbLIFT: https://doi.org/10.1371/journal.pcbi.1007207 |
| 治疗性抗体高通量工程测绘 | 工业/学术多靶点 | 酵母展示 + FACS + NGS | 系统化亲和力/稳定性/表达图谱（平台级） | 把筛选数据沉淀为可复用景观，而非一次性 winners 列表 | https://doi.org/10.1093/nar/gky550 |
五、阶段 4 · 数据驱动
出现时间：约 2015 年起（学习器开始系统用于蛋白/抗体工程决策；下分预测与生成两个方向）。
读文献框架（非技术条目）：Makowski et al. 2023 区分无监督 intrinsic vs 有监督 extrinsic— https://doi.org/10.1016/j.cels.2023.04.009。
本阶段共用前提：用数据（淘选/DMS 标签、或海量无标签序列预训练）训练模型，由模型输出决定测哪些序列。与阶段 3 的界限：阶段 3 停在测量图谱；阶段 4 用模型外推未测或生成新序列。
5.1 方向 4a · 预测
出现时间：约 2015 年起（抗体工程密集案例约 2019 年起）。
5.1.1 相较上一范式：范式转变、突破与收益
| 维度 | 内容 |
|---|---|
| 核心范式转变 | 从「测完再挑」或「能量函数打分」，转向用学习器对突变/组合/CDR 变体预测排序并缩库，再做少量湿实验 |
| 核心突破 | 可在训练分布内外推未测突变；PLM 进一步降低对大规模亲和力标签的依赖，实现少样本引导成熟 |
| 主要收益 | 试错轮次与实测变体数下降；泛化受训练分布约束，通常仍在亲本邻域优化（任务 A） |
5.1.2 代表技术
收录口径：本方向「预测」同时覆盖两类工程常用手段——
(A) 序列/库引导：用学习器设计下一轮库或少样本提议突变；
(B) 亲和力 / (\Delta\Delta G) 学习打分：对候选突变体做结合自由能变化或亲和力回归，用于缩库排序（经验力场类打分归阶段 2，不在此重复）。
本项目流水线中的结构深度学习 / 序列亲和力 scorer 以 GearBind、DLP-Affinity 为代表。
（A）序列 / 库引导类
| 技术方案名称 | 技术方案简介 | 方法特点与意义 | 发表时间 | 参考文献 |
|---|---|---|---|---|
| ML 引导组合突变库进化 | 模型在组合突变空间打分/采样，设计下一轮固定位点组合库并迭代验证 | 把「下一轮库怎么建」交给学习器，范式可迁抗体 | 2019 | Wu, Kan et al., PNAS: https://doi.org/10.1073/pnas.1901979116 |
| 高容量 ML 设计/排序 CDR | 以序列特征训练高容量模型，生成或排序 CDR 变体后再抽样验证 | 直接在 CDR 空间用学习器缩候选 | 2020（bioRxiv 2019） | Liu et al.: https://doi.org/10.1101/682880｜✅ PDF |
| 哺乳动物展示 + CNN/LSTM 特异性预测 | 构建突变库并筛选 → 深度测序训练网络 → 对超大计算库预测结合子集 | 展示标签 + 深度学习预测，把 (10^8) 级空间压到可合成子集 | 2021 | Mason et al., Nat Biomed Eng: https://doi.org/10.1038/s41551-021-00699-9 |
| ESM（掩码语言模型） | Transformer 在大规模蛋白序列上 MLM 预训练，表征序列「进化合理性」 | 通用蛋白先验，为突变评分提供无监督基础 | 2021 | Rives et al., PNAS: https://doi.org/10.1073/pnas.2016239118 |
| ESM-1v 零样本突变评分 | 用伪似然/掩码概率差零样本排序突变效应 | 无需任务微调即可建议优先突变 | 2021 | Meier et al., NeurIPS: https://openreview.net/forum?id=uXc42E9ZPFs｜✅ PDF |
| AntiBERTy | 在 OAS ~5.58 亿抗体序列上 MLM 预训练的抗体编码器 | 抗体专用序列表征（注意与 AntiBERTa 不同） | 2021/2022 | Ruffolo et al.: https://arxiv.org/abs/2112.07782 |
| AntiBERTa | ~5700 万 BCR 预训练；可微调残基/副表位级预测 | 抗体 LM + 下游有监督预测 | 2022 | Leem et al., Patterns: https://doi.org/10.1016/j.patter.2022.100513 |
| AbLang / AbLang2 | 分链抗体 LM；AbLang2 修正 germline 频率偏差 | 面向工程的抗体序列嵌入与评分 | 2022 / 2024 | https://doi.org/10.1093/bioadv/vbac046；https://doi.org/10.1093/bioinformatics/btae618 |
| 通用 PLM 少样本亲和力成熟协议 | ESM 等对突变打自然度分 → 每轮 ≤20 变体测定 → 组合迭代 | 少样本、可不依赖抗原结构的预测引导成熟 | 2024 | Hie & Kim, Nat Biotechnol: https://doi.org/10.1038/s41587-023-01763-2｜✅ PDF |
| UniRep 等序列嵌入 + 监督回归 | 无监督序列模型得到固定维嵌入，再以少量功能标签训练回归/分类头 | 早期「通用序列表征 → 下游适应度预测」范式，可迁移至亲和力标签 | 2019 | Alley et al., Nat Methods: https://doi.org/10.1038/s41592-019-0598-0 |
（B）亲和力 / (\Delta\Delta G) 预测打分类（结构或序列）
| 技术方案名称 | 技术方案简介 | 方法特点与意义 | 发表时间 | 参考文献 |
|---|---|---|---|---|
| GearBind | 几何图神经网络预测蛋白—蛋白结合 (\Delta\Delta G_{\mathrm{bind}})；可在大规模结构上对比学习预训练，再用于抗体体外亲和力成熟候选排序 | 面向 Ab–Ag / PPI 的结构 (\Delta\Delta G) 深度学习；可与其他方法集成（本项目结构层 scorer 之一） | 2024 | Cai, Zhang et al., Nat Commun: https://doi.org/10.1038/s41467-024-51563-8 |
| DLP-Affinity（dual-level protein representation） | 序列输入的抗体—抗原亲和力回归：残基—残基局部界面表征 + 全局随机投影嵌入，并微调蛋白语言模型 | 无需结构的 Ab–Ag 亲和力预测；在 AB-Bind 等基准上降低误差（本项目序列层可选 scorer） | 2026 | Wang et al., Bioinformatics: https://doi.org/10.1093/bioinformatics/btag109｜代码: https://github.com/Zy-Wang-bit/DLP_Affinity |
| 结构预测前置（服务于打分） | ColabFold / AlphaFold 等先得到 Ab–Ag 或单体结构，再交给结构层 (\Delta\Delta G) 学习器（如 GearBind） | 非亲和力模型本身，但是学习型 (\Delta\Delta G) 打分流水线的结构使能步骤 | 2021 起 | AF2: https://doi.org/10.1038/s41586-021-03819-2；详见附录 A |
| mCSM-AB / mCSM-AB2 | 基于图签名（及进化/能量特征）预测抗体—抗原突变引起的亲和力变化 | 抗体专用 (\Delta\Delta G) Web 工具，理性突变设计中常用对照/基线 | 2016 / 2019 | mCSM-AB: https://doi.org/10.1093/nar/gkw265；mCSM-AB2: https://doi.org/10.1093/bioinformatics/btz779 |
| mmCSM-AB | 面向多点突变的抗体—抗原亲和力变化预测与设计模式扫描 | 更贴近组合突变缩库场景 | 2020 | Myung et al., Nucleic Acids Res: https://doi.org/10.1093/nar/gkaa389 |
| BindProfX | 用蛋白—蛋白界面结构剖面（含伪计数）估计突变 (\Delta\Delta G) | 剖面统计方法；可与物理势能线性组合提升相关 | 2017 | Xiong et al., J Mol Biol: https://doi.org/10.1016/j.jmb.2016.11.022 |
| SSIPe | 界面结构/序列进化剖面 + 物理能量函数（EvoEF）联合估计 (\Delta\Delta G_{\mathrm{bind}}) | 物理—进化混合打分，SKEMPI 系常用强基线 | 2020 | Huang et al., Bioinformatics: https://doi.org/10.1093/bioinformatics/btz926 |
| GeoPPI | 自监督几何编码器学习复合物表征，再用梯度提升树预测突变 (\Delta\Delta G) | 结构深度学习 (\Delta\Delta G) 代表之一，常与 GearBind 等同台比较 | 2021 | Liu et al., PLoS Comput Biol: https://doi.org/10.1371/journal.pcbi.1009284 |
| TopNetTree | 位点/元素特异持续同调特征 + CNN/树模型预测 PPI 突变 (\Delta\Delta G) | 拓扑描述符路线；在 AB-Bind / SKEMPI 等上有代表性结果 | 2020 | Wang, Cang & Wei, Nat Mach Intell: https://doi.org/10.1038/s42256-020-0149-6 |
旁注（蛋白—配体向，一般不直接用于 Ab–Ag）：Pafnucy、OnionNet、KdNet 等以蛋白—小分子复合物为主，可用于配体亲和力场景；与抗体—抗原 (\Delta\Delta G) 任务分布不同，本文不展开为抗体主技术条目。
旁注（主动学习引导进化）：Gaussian process / Bayesian optimization 引导变体测试（如 GFP 荧光进化等）与 Wu/Kan 同属「模型决定下一实验」，实现不同，可作扩展阅读。
5.1.3 核心成果
| 项目概述 | 场景情况 | 应用的范式技术 | 亲和力提升效果 | 新范式带来的主要优势 | 参考文章 |
|---|---|---|---|---|---|
| ML 引导组合库（GB1 等） | 跨蛋白范式验证（可迁抗体） | ML 建议组合库 | 高于常规定向进化的适应度变体（作者） | 2 轮、固定约 7 位点即可超越盲进化基线 | https://doi.org/10.1073/pnas.1901979116 |
| 高容量 ML 设计 CDR | 多靶点计算抗体设计 | ML 生成/排序 CDR | 提升命中率与序列多样性（作者口径） | 以计算排序为主，降低实测规模 | https://doi.org/10.1101/682880 |
| trastuzumab HCDR 优化 | HER2 特异性保留下的序列探索 | 哺乳动物展示标签 + CNN/LSTM | 预测库随机抽 30 个变体均保留 HER2 特异性（作者） | 从约 (10^8) 计算空间缩到约 (10^6) 可操作子集 | https://doi.org/10.1038/s41551-021-00699-9 |
| PLM 引导 · 未成熟抗体 | 模型抗体成熟 | 通用 PLM 少样本协议 | 最高约 160× | 每轮 ≤20 变体 × 2 轮，样本效率极高 | https://doi.org/10.1038/s41587-023-01763-2 |
| PLM 引导 · 临床相关抗体 | 抗病毒等再优化 | 同上 | 最高约 7×；可伴稳定性/中和改善 | 不提供抗原结构即可引导 | 同上 |
| GearBind 体外亲和力成熟 | CR3022–SARS-CoV-2；5T4 UdAb 等 | GearBind（及集成）(\Delta\Delta G) 排序后少量合成 | ELISA EC50 最高约 17×；(K_D) 最高约 6.1×（作者；不同分子口径不一） | 结构 (\Delta\Delta G) 深度学习直接服务抗体成熟缩库 | https://doi.org/10.1038/s41467-024-51563-8 |
| DLP-Affinity 基准评测 | AB-Bind / sdAb-DB 等亲和力回归 | DLP-Affinity 序列亲和力预测 | AB-Bind 上 MAE 相对基线最高约降低 20.9%（作者） | 无结构条件下做 Ab–Ag 亲和力打分，便于高通量序列筛 | https://doi.org/10.1093/bioinformatics/btag109 |
5.2 方向 4b · 生成
出现时间：约 2022 年起（扩散/等变图等条件生成抗体序列与结构的方法密集出现）。
5.2.1 相较上一范式（含 4a）：范式转变、突破与收益
| 维度 | 内容 |
|---|---|
| 核心范式转变 | 从「在亲本邻域预测/排序突变」，转向按抗原（常含 3D）等条件直接生成新 CDR/抗体候选，再闭环湿实验验证 |
| 核心突破 | 可覆盖任务 C（从头/表位定制）；设计—验证循环在部分平台被压缩到周级（作者口径） |
| 主要收益 | 候选来自生成分布而非仅亲本局部；依赖闭环数据与验证定义，须区分「生成发现」与「生成优化」 |
5.2.2 代表技术
| 技术方案名称 | 技术方案简介 | 方法特点与意义 | 发表时间 | 参考文献 |
|---|---|---|---|---|
| DiffAb | 抗原结构条件扩散；EGNN 联合去噪生成 CDR 序列与结构 | 早期代表性「结构条件 CDR 联合生成」方案 | 2022 | Luo et al.: https://doi.org/10.1101/2022.07.10.499510｜✅ PDF |
| IgLM | 自回归生成式抗体 LM，按条件生成可变区序列 | 序列侧生成式抗体模型（与编码器型 LM 区分） | 2022 | Ruffolo et al.: https://doi.org/10.1101/2022.11.14.516543 |
| ProteinMPNN | 给定骨架坐标解码氨基酸序列；常与扩散骨干联用 | 固定骨架上的序列生成组件 | 2022 | Dauparas et al., Science: https://doi.org/10.1126/science.add2187 |
| RFdiffusion | RoseTTAFold 上结构扩散去噪生成骨干，可约束结合位点 | 通用蛋白骨干生成，可接序列设计用于结合分子 | 2023 | Watson et al., Nature: https://doi.org/10.1038/s41586-023-06415-8｜✅ PDF |
| dyMEAN | 表位 + 不完整序列输入；等变图网络迭代更新序列与全原子结构 | 表位条件下端到端全原子抗体设计 | 2023 | Kong et al.: https://arxiv.org/abs/2302.00203｜✅ PDF |
| AbDiffuser | 物理约束等变扩散，联合生成全原子结构与序列（Martinkus et al.） | 全原子级抗体序列—结构联合生成 | 2023 | https://arxiv.org/abs/2308.05027｜OpenReview: https://openreview.net/forum?id=7GyYpomkEa |
| Chroma | 可编程扩散生成完整蛋白，约束采样后实验验证 | 平台级可编程生成框架 | 2023 | Ingraham et al., Nature: https://doi.org/10.1038/s41586-023-06728-8｜✅ PDF |
| Absci 零样本设计—筛选闭环 | 生成模型提出候选 → 大规模库筛 + SPR | 工业闭环：生成 + 高通量验证 | 2023 | Absci: https://doi.org/10.1101/2023.01.08.523187｜✅ PDF |
| Chai-2 零样本设计协议 | 多模态按抗原条件生成 → 小规模表达结合验证 | 作者报道周级设计—验证闭环 | 2025 | Chai: https://doi.org/10.1101/2025.07.05.663018｜✅ PDF |
| MEAN（多通道等变注意力网络） | 将抗原与轻/重链上下文条件下的 CDR 序列—结构共设计建模为等变图翻译 | dyMEAN 之前的代表性等变 CDR 共设计模型 | 2023（ICLR） | Kong et al.: https://arxiv.org/abs/2208.06073｜OpenReview: https://openreview.net/forum?id=LFHFQbjxIiP |
| RFantibody（RFdiffusion 抗体微调管线） | 抗体微调 RFdiffusion 生成骨架 → ProteinMPNN 设计序列 → 抗体微调 RF2 过滤；可接酵母展示与亲和力成熟 | 表位指定的从头 VHH/scFv/抗体设计主流开源管线之一 | 2025（Nature；预印本 2024） | Bennett et al., Nature: https://doi.org/10.1038/s41586-025-09721-5｜代码: https://github.com/RosettaCommons/rfantibody |
5.2.3 核心成果
| 项目概述 | 场景情况 | 应用的范式技术 | 亲和力提升效果 | 新范式带来的主要优势 | 参考文章 |
|---|---|---|---|---|---|
| AbDiffuser · HER2 | 生成结合子 + 体外验证 | AbDiffuser | 设计筛选中 57.1% 为紧密结合物（作者）；多个高表达分子 | 直接生成而非亲本局部枚举 | https://arxiv.org/abs/2308.05027 |
| Absci 零样本抗 HER2 | 相对 trastuzumab 的生成式发现 | 生成式平台 + 大规模筛选 | 3 个 SPR 强于 trastuzumab（作者） | 单轮筛 40 万+、421 个 SPR，生成—验证一体化 | https://doi.org/10.1101/2023.01.08.523187 |
| Chai-2 多靶点零样本 | 24-well 级从头设计 | Chai-2 | 零样本结合命中率约 16%（作者对比旧法 <0.1%） | 全流程 <2 周（作者口径） | https://doi.org/10.1101/2025.07.05.663018 |
| Chroma 平台验证 | 可编程蛋白生成 | Chroma | 以结构/功能验证为主，非单一 (K_D) 倍数 | 约束可编程，扩展设计空间 | https://doi.org/10.1038/s41586-023-06728-8 |
| ABS-101 / GB-0895（临床叙事） | IBD · TL1A；哮喘等 · TSLP | 公司生成式/平台叙事 | 临床前高亲和等口径；须核对原文与 AI 贡献边界 | 生成式叙事进入临床管线（≠可复核的零样本整分子证明） | 本地 13_Absci_ABS101_phase1.md；12_Generate_GB0895_phase3.md |
| RFantibody 表位指定设计 | 流感 HA、TcdB 等 · VHH/scFv 从头设计 | RFdiffusion 抗体微调 + 酵母展示 ± OrthoRep 成熟 | 初始常为数十–数百 nM；成熟后可达个位数 nM（作者）；cryo-EM 验证表位/CDR 精度 | 开源管线实现「指定表位 → 原子级精度设计」闭环 | https://doi.org/10.1038/s41586-025-09721-5 |
附录 A · 结构预测使能桥梁（约 2021 年起）
非独立「亲和力决策」范式：提供结构输入，服务阶段 2 与阶段 4。
| 技术方案名称 | 技术方案简介 | 方法特点与意义 | 发表时间 | 参考文献 |
|---|---|---|---|---|
| AlphaFold2 | MSA + Evoformer 预测单体坐标与置信度 | 通用高精度结构预测 | 2021 | Jumper et al., Nature: https://doi.org/10.1038/s41586-021-03819-2 |
| AlphaFold-Multimer | 多链复合物预测（Ab–Ag 精度仍有限） | 尝试直接给界面，设计前需谨慎 | 2021 | Evans et al.: https://doi.org/10.1101/2021.10.04.463034 |
| IgFold | AntiBERTy 嵌入 → 图网络回归抗体骨架 | 秒级抗体结构，可规模化预计算 | 2023 | Ruffolo et al., Nat Commun: https://doi.org/10.1038/s41467-023-38063-x |
| ImmuneBuilder（ABodyBuilder2 等） | 无 MSA 深度学习预测抗体/纳米抗体/TCR 结构 | 专用、快速，含残基误差估计 | 2023 | Abanades et al., Commun Biol: https://doi.org/10.1038/s42003-023-04927-7 |
| AlphaFold 3 | 扩散式结构模块，支持蛋白—配体/核酸/抗体等复合物联合预测 | 新一代通用复合物结构预测，可作 Ab–Ag 结构前置（精度仍需个案验证） | 2024 | Abramson et al., Nature: https://doi.org/10.1038/s41586-024-07487-w |
| Boltz-1（开源 AF3 类） | 开源扩散结构预测模型，面向生物分子复合物 | 提供可本地部署的新一代结构前置选项 | 2024 | Wohlwend et al., bioRxiv: https://doi.org/10.1101/2024.11.19.624167 |
评测旁注：Yin & Pierce 2024 对 AF 系 Ab–Ag 近原生成功率有限（约 20–30%+，版本相关）— https://doi.org/10.1002/pro.4865。
附录 B · 与旧版时间轴文档的关系
| 本文件范式 | 旧文件 抗体亲和力改造技术路线发展趋势.md 大致对应 |
|---|---|
| 0 体内成熟 | 原 §2.2（升为主阶段） |
| 1 实验驱动 | 原 §3.1 |
| 2 物理模型驱动 | 原 §3.2 + Cannon；AbLIFT 归本阶段 |
| 3 定量测绘 | 原 §3.3 |
| 4a 预测 | 原 §3.4 + §3.5 |
| 4b 生成 | 原 §3.6 |
| 结构桥梁 | 原 §3.5b |
旧文件保留细粒度技术年表与指标口径长表，可与本文对照阅读。
附录 C · 主要本地文献指针
详见 reference/00_参考文献清单.md。常用 PDF：S2_AbLIFT、S4_Cannon、S4_Liu、03_Hie、S5_ESM1v、S6_DiffAb、S6_RFdiffusion、01_Absci、02_Chai2、08_Chroma。