物理方法与AI驱动方法在抗体-抗原柔性识别中的基准对比

蛋白质柔性长期被视为分子识别的核心变量：在诱导拟合之外，构象选择模型提出各种构象预先存在、配体择优结合后使构象系综发生群体移动，两种机制往往先后接力 ^[1]；流量分析进一步表明，两条路径的相对贡献取决于流量而非速率常数，并可随配体浓度在构象选择与诱导拟合之间切换 ^[4]。在蛋白-蛋白层面，结合所伴随的结构变化常与游离态的内在运动相关，支持预存平衡机制 ^[3]；抗体也可借助预先存在的多种结合位点构象去结合不同抗原，以构象多样性扩大有效库容 ^[2]。但卡点也很清楚：AlphaFold 类工具虽能高精度预测单一静态结构，构象柔性的可靠预测仍未实现，训练数据稀缺是主要瓶颈 ^[5]，柔性依赖的亲和力能否被现有物理与 AI 方法准确给出，一直缺乏系统答案。

新研究把这一问题放进一个经典体系：Hy10 抗体谱系结合不同柔性的溶菌酶——该组合早在 1998 年就经均相溶液动力学方法对野生型与表位突变溶菌酶完成过动力学表位作图 ^[6]。与经典模型相反，亲和力成熟的 Hy104X 抗体是通过主动去稳定自身 CDRH1 环来赢得高亲和力，以“熵缓冲”式的构象选择捕获可动的抗原变体。这种结构可塑性让标准计算流程受挫：作者发现蛋白柔性越大、极化效应越强；基准测试显示 MM/PBSA 与 AI 结构预测器在更柔性的体系中起初都无法正确排列亲和力，原因分别是采样受限与结构预测不准；而在 2024 年 10 月发布的分子相互作用预测模型 Chai-1 ^[7]中引入结构模板后，这些限制被有效缓解，与实验亲和力的相关性随之提升。

推进之处在于，此前关于构象选择与抗体构象多样性的认识多停留在结合机制与库容层面 ^[1][2][3]，本研究则展示了一个反直觉的成熟策略——不加固结合位点，反而放松自身环区，为高柔性抗原的构象熵埋单——并系统量化了物理方法与 AI 方法在柔性体系中的失效条件与补救手段。这也与 CDR 柔性预测尚属难题的判断 ^[5] 相互印证：柔性仍是 AI 预测的短板，但模板信息可以部分弥补。

局限同样明确：无模板条件下柔性体系的结构与亲和力预测、以及物理采样的充分性，仍是未解问题；作者也只将结论定位为一条潜在路径，即以 AI 快速筛选耦合稳健的物理评估，去 in silico 工程化针对蛋白质组中最善变形靶点的治疗性抗体。对更广的计算抗体设计领域，近期亦有盲法、前瞻性基准研究强调，须经实验验证的前瞻检验才能区分实质进展与炒作 ^[8]。