抗體研究分為四個高度相互連接但又各具特色的領域：單克隆抗體（mAbs）、雙特異性抗體（bsAbs）、抗體藥物偶聯物（ADCs）和片段結晶物（FC）。第一種單克隆抗體於1975年生成，約十年後，FDA首次批准了Orthoclone OKT3®（muromonab-CD31），以幫助防止器官移植中的排斥反應。撰寫本文時，FDA已經批准了150多種mAbs，用於癌症、自身免疫疾病、傳染病、炎症及其他病症。

類似地，三十多年後的2017年，FDA批准了第一種嵌合抗原受體T細胞（CAR-T）療法，至今已有15種抗體藥物偶聯物（ADCs）獲得批准。新一代的bsAbs和多特異性抗體相較於mAbs，提供了顯著的優勢，如增強的靶向結合、多途徑抑制、個性化治療、組合療法的優化以及改進的安全性。

如今，市場及研究投資的重心顯示出顯著的變化：2022年，銷售額最高的藥物顯示小分子和大生物製劑之間的比例約為40:60。在2024年前的十年間，全球藥物發現的投資大約翻一倍，達到約710億美元，而單克隆抗體的投資則約增至300億美元。

此外，FDA的批准數量也在增加：從2000年至2010年，FDA批准了20種新抗體治療，每年平均兩項批准。在最近的十年間（2013-2023），FDA發出了99項批准，幾乎是之前的五倍，且數量仍在上升。
抗體研究的重點在非癌症治療方面，比例為57:42。大約40%的美國成年人一生中會被診斷出某種癌症，而癌症佔美國所有死亡的約18%。心臟病實際上是第一死因，佔20%。然而，在遺傳性血管水腫中，僅有lanadelumab獲得批准，garadacimab目前仍在審核中，且沒有其他心臟疾病的療法。

你看不見的就是你不知道的
在單克隆抗體的理論研究和隨後的發現之前，我們可以說我們並不知道或理解mAbs、bsAbs、ADCs和FC的存在。整個領域對我們來說就像一個未知的未知。曾經被認為無法開發和投資的疾病，如今已變得可治療且具有利潤潛力。

為了實現向新模式的知識轉變，並解決當前尚未可見的疾病領域，許多公司開始轉向AI。通過將AI與龐大的現有數據庫和大型語言模型（LLMs）結合，這種新型機器智能提供揭示全新藥物發現領域的潛力。

兩個AI的例子浮現在腦海中：AlphaFold和Firefly Bio，雖然它們基於相同的前提，但探索了非常不同的結果。

由Google DeepMind開發的AlphaFold，目前已進入第三代，能夠計算預測3D蛋白質結構。儘管結果並不總是準確，AlphaFold展示AI在選擇方面可能加速的潛力。AlphaFold已經發表超過兩億種蛋白質結構的預測，包括幾乎所有已編目蛋白質。

與Google的巨頭相比，Firefly Bio則代表新興公司，最近從潛行模式中走出，獲得了9400萬美元的資金。Firefly旨在基於抗體藥物偶聯物（ADCs）和蛋白質降解劑（PROTACS）的融合開發新的癌症療法，這一新合成稱為降解抗體偶聯物（DACs）。Firefly聲稱，DAC正是可以探索的新模式。通過使用LLM技術來吸收大量現有數據集，AI能夠在投入時間和資源進行實際開發和生產之前，對大量候選者進行篩選。Vertex Pharmaceuticals最近也宣布計劃利用Orum Therapeutics的雙精確靶向蛋白質降解（TPD²®）技術平台，發現用於基因編輯療法的靶向調理劑。

關於如何將機器智能與人類智能結合的迷人觀點來自於Jiye Shi博士，他的團隊創造了bimekizumab，這是第一種，也是迄今為止可能唯一一種計算設計的單克隆抗體：“對我來說，藥物發現的真正突破是不同的思想聚在一起，看到我們個別無法看到的東西。我所說的‘思想’是指人類和AI/ML。” bimekizumab不僅在治療斑塊型牛皮癬方面開辟了新天地，還針對了一個潛在的高利潤市場。

去年，Absci成為第一家使用零-shot生成AI創建和驗證新抗體的公司。零-shot AI涉及設計能夠結合特定靶標的抗體，而無需依賴已發現抗體的數據。這種藥物發現的方法有潛力將新療法抗體進入臨床的時間從最多6年縮短到約2年。憑藉其開發的高通量濕實驗室技術，Absci報告說他們每週可以測試和驗證近300萬種獨特的抗體設計。

其他公司也在緊隨其後。例如，Genentech也在利用AI和機器學習來識別、優化和設計新抗體。最近收購的Prescient Design使他們能夠整合一種多重取樣器，允許科學家對蛋白質序列進行改變，從而節省抗體設計的時間。Genentech希望AI和機器學習的優勢能夠使他們更快地將基於抗體的療法帶入臨床試驗，並認為這些方法的概念驗證階段即將結束，實際進展已經開始顯現。

生物技術研究和開發公司Evotec最近使用一種稱為生成對抗網絡的機器學習形式，生成抗體的噬菌體展示文庫。他們篩選該文庫，以識別具有治療性相關親和力和特異性的新的抗體，這些抗體能夠結合SARS-CoV-2棘突蛋白。Evotec的計算工程方法使抗體開發能夠偏向於具有理想屬性的抗體，例如適合常見的製造過程、高穩定性、低粘度以便注射以及長半衰期。

關鍵在於，為了使機器學習方法有效，我們需要大量高質量的數據集，並且需要能夠隨著發現的持續而更新這些數據集。被拒絕的候選者和被接受的候選者一樣重要。準確、信息豐富和完整的研究覆蓋將創造出機器學習和AI明顯所需的安全數據基礎。問題在於，太容易專注於可見數據，而發現卻往往存在於不可見的領域。想想冰山；近90%是看不見的，僅基於那10%做出的決策可能導致災難。就像負面臨床試驗結果提供的關鍵數據點一樣，卻常常被壓制，我們是否忽視或忽略了由被棄用化合物創造的數據寶藏？

我們從這裡該如何前進？
儘管AI在抗體藥物發現領域有著巨大的潛力，但目前它仍需要用於尋找候選藥物的化合物庫。這意味著它存在局限性——例如，如果尚無法結晶跨膜蛋白，它將不會被納入化合物

想了解更多Signals ChemDraw資訊:
按讚ChemDraw粉絲專頁 https://www.facebook.com/ChemDrawTWIRISTech

關於彩原科技
彩原科技專業代理2D、3D電腦輔助設計軟體Bricsys BricsCAD/ PTC Creo及Luxion KeyShot大中華區白金級代理商，為客戶提供產品開發應用解決方案及設計視覺化；Vuforia AR、KeyShot VR、工業物聯網IoT，虛實整合，打造企業數位轉型，以及智慧製造全方位解決方案。 彩原科技秉持客戶需求為優先的信念，提供專業CAD/PLM/IoT解決方案，協助客戶降低產品研發成本、縮短設計流程以及提高產品品質，協助客戶提升競爭力。

回最新動態