A Turing-Style Test for In-Silico Antibodies: How Sampling Mode Makes WGAN-GP Beat VAE in the Wet Lab
本研究表明，尽管 Wasserstein GAN 在生成具有实验可行性的从头抗体方面优于变分自编码器（99% 对 5% 的成功率），但这种差异主要是由采样策略——无条件生成与利用已知抗体进行潜空间播种——而非架构本身的优越性所驱动的。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
抗体是人体专门的保安人员，它们是Y型的蛋白质，在血液中巡逻，以识别并中和病毒和细菌等入侵者。几十年来，寻找对抗疾病的新抗体一直是一个缓慢且昂贵的过程，高度依赖于生物实验室。科学家通常会对动物进行免疫，采集其免疫细胞，并筛选数千个候选分子，以寻找一个足以成为药物的优秀分子。这条传统路径充满了不确定性：许多有前景的候选者在后期会失败，因为它们难以大规模生产、容易发生聚集，或者仅仅是因为稳定性不足，无法进行储存和运输。
近年来，计算机科学家开始尝试完全在机器内部设计这些抗体，利用人工智能来预测哪些构建模块的序列能够形成功能性蛋白质。这种方法有望加速药物研发，但它面临着一个关键障碍：仅仅因为计算机生成了一个在数学上看起来正确的序列，并不意味着它在试管中确实有效。任何新药候选物的最终测试标准不在于它在计算机屏幕上的得分有多高，而在于它是否能在真实的实验室中被成功制造、纯化并进行研究。这种数字设计与物理现实之间的差距，正是最新研究切入的地方，研究人员提出了一个简单而深刻的问题：计算机程序能否发明出一种人类科学家可以真正握在手中的新抗体？
Moderna的研究人员通过让两种不同类型的人工智能进行一场高风险实验，试图回答这个问题。他们利用海量的天然人类抗体序列对这两个系统进行了训练，教会它们构建这些蛋白质的规则。其中一个系统被称为“变分自编码器”（Variational Autoencoder），它的工作原理是提取一个已知抗体，将其压缩成简化的数字摘要，然后通过对该摘要进行微调来生成新的变体。另一个系统是“生成对抗网络”（Generative Adversarial Network），它的工作方式更像是一个伪造者与一位艺术专家之间进行的持续猫鼠游戏。伪造者试图从纯粹的随机性中创造出一个虚假的抗体，而专家则试图分辨出假货与真货之间的区别。随着时间的推移，伪造者变得如此擅长模仿现实，以至于专家再也无法分辨彼此。
团队从这两个系统中生成了数千种新的抗体设计，并将其送往湿实验室进行严格的现实检验。他们尝试在细胞中将每个设计表达为完整的蛋白质，纯化结果，并将其通过由九项标准测试组成的检测程序，以观察其是否稳定、可溶且无危险聚集。结果显示出性能上的显著差异。由对抗网络设计的抗体表现得异常成功；在测试的九十三个候选物中，有九十二个在实验室中被成功生产并进行了表征，成功率接近百分之九十九。这些数字化的创造物表现得就像获批的药物一样，轻松通过了所有物理测试。
相比之下，由基于调整（adjustment-based）的系统生成的抗体表现不佳。当研究人员测试该组中的四十个候选物时，只有两个能被成功生产和研究。绝大多数未能表达为蛋白质，甚至在测试之前就已坍塌。研究人员发现，这种失败并不一定是因为底层的计算机架构存在缺陷，而是因为系统被要求生成新想法的方式有问题。这种基于调整的系统需要一个“种子”作为起点才能工作。当团队尝试使用不属于原始训练数据的种子来测试系统的泛化能力时，生成的序列便漂移到了不稳定区域，产生了无法发挥功能的退化序列。然而，对抗系统不需要种子；它使用随机噪声从头开始创建每一个新抗体，这使其能够探索更广泛、更多样化的可能性，而不会陷入不稳定的模式中。
研究还探讨了计算机的内部评分系统是否可以预测哪些设计会在实验室中取得成功。研究人员开发了一套复杂的数字指标，旨在衡量抗体的“类药性”，综合考虑了其形状、电荷以及自我粘附的倾向。他们希望这些分数能起到过滤器的作用，在候选物到达实验室之前就标记出最佳方案。然而，数据表明，这些数字评分对现实世界成功的预测能力很弱。设计在计算机上的得分与在试管中的实际表现之间几乎没有相关性。这一发现表明，尽管计算机在生成多样化序列方面正变得越来越好，但我们仍然不能完全信任它们的内部计算来告诉我们哪些设计是有效的。要了解一个新抗体是否可行，唯一可靠的方法仍然是物理实验。
最终，这篇论文证明了人工智能确实可以设计出面向现实世界的抗体，但生成方法至关重要。对抗式方法被证明是创建多样化、高质量候选库的强大工具，这些候选物能够顺利完成从屏幕到实验台的过渡。研究强调，药物研发的未来路径不是用计算机取代实验室，而是将两者结合起来。通过利用强大的AI生成广泛且多样化的可能性，并依靠严谨的实验测试来进行验证，科学家可以更有效地在复杂的蛋白质设计领域中航行。计算机可以提出候选建议，但必须由实验室来确认其价值。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。