上海和加利福尼亚州拉古纳希尔斯2026年8月27日 -- 近日，首届国际AI抗体设计大赛AIntibody完整研究结果正式发表于《Nature Biotechnology》。

图1｜《Nature Biotechnology》论文截图

在这场由独立湿实验统一验证、行业公认最严格的盲测中，寻明生科（Aureka Biotechnologies）凭借自主研发的抗体设计模型AuraIDE（参赛及论文中名称为 AuraBind），获得Challenge 1（计算亲和力成熟，in-silico affinity maturation）冠军。

AuraIDE设计的冠军抗体经KinExA测得亲和力达到94.7pM，较亲本抗体提升约2,000倍；AuraIDE提交的另外两款抗体分别位列第二和第五，包揽Challenge 1前五名中的三席。此外，AuraIDE共设计出6 条亲和力低于10nM、且满足比赛可开发性标准的抗体。

AIntibody赛事：由独立湿实验盲测的AI抗体设计benchmark

图2｜官方发布AIntibody比赛结果

生成式AI已广泛应用于抗体发现与蛋白质设计，但如何客观评估不同模型的真实能力，始终是行业面临的关键问题。在蛋白质结构预测领域，CASP建立的经典盲测范式被视为评判AI模型真实能力的标杆。通过前瞻性盲测和统一评估标准，CASP让不同计算方法脱离各自的数据集和内部benchmark，在同一套标准下接受检验，并由此验证了AlphaFold2的突破性能力。

借鉴这一权威评测思路，AIntibody旨在直面行业两大核心问题：AI设计的抗体究竟到了什么水平？不同模型的设计能力是否经得起标准化、独立湿实验的检验？

首届AIntibody比赛选取的评测靶点为新冠病毒Spike蛋白的受体结合域（RBD）。RBD是全世界被研究得最充分的蛋白之一，已积累了大量公开的结构和序列数据，比赛同时向参赛者提供了较为丰富的实验筛选数据。因此，它也成为检验AI模型是否真正学到了抗体结合规律、而非单纯记忆训练数据的理想考场。

比赛共设置了三项任务，Challenge 1聚焦计算亲和力成熟：参赛者需要根据主办方提供的亲本抗体第一阶段亲和力成熟产生的NGS数据，直接设计亲和力更高、同时满足可开发性要求的新抗体。Challenge 2和Challenge 3则分别考察已有候选抗体的亲和力排序，以及筛选数据之外的新CDR组合设计。

对寻明生科而言，最重要的是Challenge 1。这是三项任务中唯一使用与常规抗体研发流程类似的experimental sequencing pipeline数据进行评测的任务，也是最直接对应真实lead optimization流程的一项挑战。《Nature Biotechnology》在Discussion部分进一步指出Challenge 1是本届比赛中目前AI应用价值最为清晰的场景。

参赛者需在题目发布后14天内完成提交，在Challenge 1中每支团队最多可以提交10条序列。所有提交的序列均由主办方统一表达全长IgG，首先通过SPR测量亲和力，再使用单点及标准KinExA对高亲和力候选进行进一步验证。

亲和力也不是唯一门槛。每款抗体还要接受HIC、BVP、AC-SINS、Tm和Tagg五项评价，分别考察疏水性、多反应性、自相互作用、热稳定性与聚集倾向。只有综合评分达到比赛设定标准的候选，才会被认定为具备开发性（developable）。比赛结束前，参赛者无法看到最终实验结果。

首届比赛吸引了29家机构参与，测试了511条AI设计或预测的抗体，参赛机构覆盖学术界、非营利组织、AI初创公司、生物技术公司、大型制药和科技公司。

在Technical report和预印本大量涌现的当下，AIntibody盲测的价值不言而喻：它不再依赖各模型在自有数据集上的回顾性自证，而是让不同团队的模型在完全一致的湿实验条件下同台竞技，尽可能减少实验变量和选择性报告带来的结果失真，让模型能力最终接受真实实验数据的检验。

AuraIDE夺冠：算力替代湿实验，高效赋能抗体亲和力成熟

图3｜Challenge 1亲和力成熟挑战示意图

寻明生科拿下冠军的Challenge 1，聚焦抗体研发中的一个关键环节：获得能够结合靶点的Hit后，如何在不改动分子框架、限定可变区范围的前提下，进一步提升亲和力，同时兼顾抗体成药性。

比赛提供的原始数据源自亲本抗体第一阶段亲和力成熟的NGS测序结果。实验分别针对HCDR1、HCDR2、LCDR1、LCDR2和LCDR3构建并筛选酵母展示文库，HCDR3与Framework 则保持不变。参赛模型能够看到的，只有这一阶段产生的测序数据。

但在传统实验流程中，这只是第一步。

完成第一阶段筛选后，研发人员通常还需要将不同CDR文库中表现优异的突变重新组合，构建combinatorial library，再经过新一轮湿实验筛选，才有可能从大量组合中找到亲和力进一步提升的优选克隆。

而这一轮组合筛选的数据，对所有参赛模型完全屏蔽。

换句话说，模型只能看到第一轮实验产生的NGS数据，却需要直接回答一个在传统流程中往往还需要继续建库、筛选并反复实验才能解决的问题：

哪些突变组合，能够真正产生亲和力更高、同时具备可开发性的抗体？

Challenge 1最终共有25家机构提交了165条抗体设计。所有提交序列随后在统一条件下接受真实湿实验验证。

这也让Challenge 1与一般意义上的retrospective prediction有了本质区别：模型不是复现一个已经存在的实验答案，而是在最终实验结果未知的情况下，直接提出下一轮最值得被验证的抗体序列。

94.7 pM：AI 设计超越实验最优

图4｜Challenge 1亲和力成熟挑战完整结果。

最终结果显示，寻明生科自研基座大模型AuraIDE设计的冠军抗体，经KinExA测得的亲和力（KD 值）为94.7pM，相比亲本抗体实现了约 2,000 倍亲和力提升；

作为对照，经过第二轮combinatorial library构建和湿实验筛选得到的最佳实验抗体，KinExA KD为113pM。

也就是说， AuraIDE在不到一周时间里设计出来的AI抗体序列，其KD数值优于噬菌体成熟实验三个月获得最优克隆的抗体序列。在本届比赛中，寻明生科也是唯一实现这一结果的团队。

AuraIDE设计的候选序列位于最终榜单第 1、第2和第5 位，三条候选全部跻身前五。进一步看整体输出，寻明生科共设计出6条亲和力低于10nM、同时满足比赛可开发性标准的抗体。在盲测且提交数量严格受限的条件下，多条候选稳定排名靠前，比单一top hit更能体现模型在抗体序列优化中的稳定性和可靠性。

《Nature Biotechnology》在Discussion部分中进一步指出，Challenge 1是目前AI在抗体研发中应用价值最为清晰的场景。其现实意义在于：AI不再只是帮助研发人员判断哪些候选更值得进入实验，而是开始参与原本依赖多轮建库、筛选和试错才能完成的抗体优化过程。值得一提的是，Aureka在Challenge 2和3上面也名列前茅，分别取得了第三名和第九名的成绩，也是所有参赛队伍中唯一一个在三个挑战都稳定进入前10的队伍。

从已有数据出发，探索更广阔的序列空间

本次夺冠序列并非简单照搬实验中的高频突变组合。

经全长CDR拼接序列Levenshtein距离计算，冠军抗体与原始亲本抗体存在19个氨基酸位点差异；即便与实验数据集中相似度最高的序列相比，仍存在至少12个氨基酸差异。相比之下，其他排名靠前的设计整体上更加接近已有实验序列。

这意味着，AuraIDE并不是简单从已有NGS数据中寻找或拼接最常见的突变组合，而是从第一轮实验数据中学习能够指导亲和力优化的信息，进一步探索现有筛选数据尚未覆盖的序列空间，并生成能够经受独立湿实验检验的高亲和力抗体。

从第一轮NGS数据到94.7pM的冠军抗体；从单一top hit，到多条高亲和力、具备可开发性的候选序列，AIntibody的前瞻性湿实验盲测，为AuraIDE的抗体优化能力提供了一次独立而直接的验证。

而对于寻明生科而言，这次夺冠的意义也不止于一个benchmark上的第一名。

当算力开始替代一部分原本依赖反复建库、筛选和试错的湿实验过程，AI对药物发现的价值，也开始从"预测得更准"走向"研发得更快"。

图5｜寻明生科此次比赛的实现流程

论文链接：https://www.nature.com/articles/s41587-026-03238-6
DOI：https://doi.org/10.1038/s41587-026-03238-6