本报讯（记者　任娜）抗体药物被誉为对抗癌症、自身免疫性疾病等重大疾病的“精准武器”，能够识别特定靶点，引导人体免疫系统攻击病变细胞。然而，一款真正具备临床转化潜力的抗体，不仅需要“找得准”，还必须能够在复杂的体内环境中“用得好”。近日，西北工业大学科研团队创新性提出一种全新语言模型框架DualGPT-AB，成功破解抗体“识别准、应用优”的行业难题。

　　据了解，西工大计算机学院科学智能交叉研究中心联合北京大学、天津大学在国际期刊发表其研究成果，该研究提出的一种新的蛋白质语言模型框架DualGPT-AB，让AI在设计抗体序列时，不仅关注靶点识别能力，还能同时兼顾黏度、清除率、免疫原性等可开发性在内的多种成药相关属性。该成果是人工智能与生物医药交叉融合的标志性突破。

　　抗体药物的诞生并非偶然。在传统研发流程中，科研人员往往面临巨大的不确定性：首先需要构建庞大的候选抗体库，随后经历多轮筛选、表达、纯化和实验验证，从成千上万甚至更多候选分子中寻找少数可能有效的抗体。这一过程如同“大海捞针”，候选序列数量庞大，真正有望成为药物的却寥寥无几，实验步骤烦琐，每一步都可能淘汰大量分子，研发周期漫长、成本居高不下。更棘手的是，部分早期筛选中表现优异的抗体，到后续开发阶段也可能暴露出新问题。因此，传统抗体研发的一大难点，并非完全找不到候选抗体，而是难以快速找到真正值得继续开发的高质量候选抗体。在海量数据中去伪存真、打破低效试错循环，已成为当前抗体药物研发亟待解决的核心问题。

　　为解决抗体研发的现存难题，团队打造出蛋白质语言模型框架DualGPT-AB。该模型采用两步研发思路，先学习抗体序列生成规律并产出候选样本，再结合抗原识别、免疫风险等要求优化升级，实现靶向、高效的抗体设计。团队以乳腺癌细胞为实验对象开展验证，选取9款AI设计的候选抗体，与临床常用药物赫赛汀进行对比。实验结果显示，两款候选抗体可精准识别癌细胞靶点并发挥杀伤作用，其中一款药效更胜目前临床使用的药物。

　　该技术把成药核心要求前置到设计阶段，精简研发流程、提升效率，为抗体药物研发提供了全新方案。团队相关负责人介绍，未来，随着更多高质量实验数据、更准确的属性预测模型和验证体系不断完善，DualGPT-AB的模块化思路有望在治疗性抗体、新型蛋白药物和复杂生物分子设计中发挥更大作用。