AI 與世界的難題 · 生物工程與合成生物學 · Nature (computational biology) · 2026-10-26
透過大型語言模型與強化學習進行序列編輯，實現治療性抗體的多特性最佳化
原標題: Multiproperty optimization of therapeutic antibodies through sequence editing via large language model and reinforcement learning
設計能同時改善多項特性的治療性抗體相當困難，原因在於序列空間極為龐大、特性標註稀疏，且各項特性之間往往相互權衡取捨。作者提出 AbOptimizer，這是一個強化學習框架，可選擇編輯位點與動作（保留、替換，以及可選的插入或刪除），並藉由蛋白質語言模型推薦突變。在三種治療性抗體上的測試中，它在電腦模擬中對所最佳化特性的改善優於基準方法，且所選變體在 emibetuzumab 上展現親和力與特異性的共同最佳化，在 siltuximab 上改善了親和力與特異性並大致維持熱穩定性，在 trastuzumab 上則達成包含插入缺失的親和力最佳化。