捕捉抗体-抗原识别中的增强柔性：物理与AI驱动方法的关键评估

蛋白质的构象动态长期被认为是决定识别机制与功能的关键。在经典的诱导契合之外，构象选择范式提出各种构象预先存在、配体挑选其中最有利者，结合后引发系综的种群偏移，这一机制已在蛋白-蛋白等多种相互作用中被观察到 ^[1]。然而，柔性能在多大程度上左右计算预测，一直缺乏系统答案。物理一侧，MM/PBSA 等终点自由能方法因比对接打分函数更准确、比炼金自由能方法更省算力而被广泛用于蛋白-蛋白结合预测 ^[3]；AI 一侧，从让 AlphaFold2 走向普及的 ColabFold ^[2]，到显著提升抗体-抗原复合物预测精度的 AlphaFold 3 ^[4]，再到支持以实验约束作为提示输入的 Chai-1 ^[5]，结构预测能力突飞猛进。但当抗体和抗原本身高度柔性时，这些工具是否依然可靠，仍是悬而未决的问题。

新研究选择 HyHEL10（Hy10）抗体谱系结合一系列柔性不同的溶菌酶作为试金石。与传统的亲和力成熟图景相反，成熟的 Hy104X 抗体是通过主动去稳定其 CDRH1 环来获得高亲和力的，使抗体能以“熵缓冲”的构象选择方式捕获高移动性的抗原变体，为构象选择范式 ^[1] 增添了来自抗体成熟方向的实例。物理分析还显示，极化效应随蛋白柔性的升高而增强。基准测试的结果颇具警示性：MM/PBSA 与 AI 结构预测器在柔性更强的体系中起初都无法准确排列亲和力高低，主要归因于采样限制与结构预测不准；而在 Chai-1 中引入结构模板后，这些限制被有效缓解，预测与实验亲和力的相关性随之提升。

这项工作的推进之处在于，它把“柔性依赖的物理化学性质能否被计算”变成了一个明确的基准，划出了现有方法的能力边界：体系越柔性，采样与结构预测的短板暴露得越充分。模板提示能够带来改善，这与 Chai-1 以约束提示提升性能的设计思路相呼应 ^[5]。作者据此展望，将 AI 的快速筛选与稳健的物理评估 ^[3] 相耦合，可能是针对蛋白组中最难捉摸的“变形”靶点开展治疗性抗体硅上工程的一条路径。

当然，采样限制与结构预测精度这两大瓶颈并未因此消失，混合流程目前也只是论文提出的潜在方向；相关结论能否外推到 Hy10-溶菌酶体系之外，还有待更多体系的检验。