镇上最出名的锁匠老白接了一单怪生意：镇长递来一把从没见过的锁，说是新型病毒变种的“锁芯”，钥匙只能从人体免疫系统里找——那就是抗体。抗体是一把 Y 形的钥匙，最前端有六段凸起的“齿纹”，医学上叫互补决定区（CDR）。齿纹的形状决定钥匙能不能插进锁芯、能不能开锁；而锁匠最头疼的是：就算用“外星金属”打出一把能开锁的钥匙，镇上的门卫（免疫系统）也可能把它当成危险品直接没收——这就是免疫原性。好消息是，老白从大城市买回一台“AI 智能配钥匙机”：它能瞬间生成几万种齿纹方案，还能自动预判哪种方案不会闹出警报。今天这篇文章，就带你跟着老白走一遍“智能配钥匙”的全流程：认识钥匙结构、设计齿纹、过门卫安检、打磨顺滑度、AI 批量出方案，最后送进工厂量产。
对 AI 从业者来说，这是生成式模型在生物产业中最成熟的落地场景：掌握抗体 CDR 设计与免疫原性评估的全流程，你就能把深度学习技能转化为药企最需要的候选分子，切入一个百亿美元级的赛道。
目录
可视化演示
分步展示抗体Y型结构与CDR环区定位、CDR序列突变设计优化结合亲和力，以及免疫原性评分与T细胞表位预测评估。
本节配有交互动效（进入视口后自动加载，约 3KB）。
步骤1：抗体结构与CDR定位 重链VH与轻链VL构成抗原结合面 CDR-H1/H2/H3环区决定特异性 Paratope = CDR-H1 + H2 + H3 + L1 + L2 + L3 六个CDR环构成互补决定区。
抗体结构与 CDR 区：认识钥匙的构造
老白把这把“怪锁”摆在灯下端详，又翻出工具箱里那串祖传的 Y 形钥匙坯。他告诉徒弟小陈：这就是人体免疫细胞生产的“智能钥匙”——抗体。每把 Y 形钥匙最前端都有六段凸起的齿纹，形状稍有不同，咬合的锁芯就完全不一样。想配钥匙，第一步必须把六段齿的位置、长短、粗细摸清楚。
抗体确实是 Y 形的蛋白质，由两条重链和两条轻链组成。在 Y 的两个臂尖，每条链上各有三段氨基酸序列高度多变的小环，合起来就是六个互补决定区（CDR）。它们像钥匙的齿：序列一变，空间形状就变，从而去适配不同的“锁芯”——抗原表面的表位（epitope）。锁匠看齿纹，科研人员看 CDR。
六个环分别叫 H1、H2、H3 和 L1、L2、L3，长度从五六个到二十多个氨基酸不等。其中 H3 由 VDJ 基因重组产生，长度与构象变异幅度最大，通常正好位于结合界面的中心，是名副其实的“主齿”。支撑这些齿的金属柄叫框架区（FR），它不直接接触抗原，却像夹具一样稳定着 CDR 的空间走向。要看清锁芯的立体结构，研究者用 X 射线晶体学、冷冻电镜等技术解析抗体-抗原复合物，相当于给锁拍高清 CT。
老白把钥匙坯翻来覆去地看，终于悟了：六段齿纹才是真正吃力的地方，金属柄只是保证它们不乱晃。配钥匙的第一步，就是量准每段齿的“三维坐标”；而这把钥匙能不能用，最终要看它和锁芯结合得有多牢。
- 结合自由能 $\Delta G_{\text{binding}}$抗体与抗原结合前后系统的能量差。负值越大，钥匙越愿意稳稳待在锁芯里，越不容易被晃动出来。
- 温度能量项 $RT$$R$ 是气体常数，$T$ 是绝对温度，代表环境中热运动的“背景抖动”。抖动越厉害，弱相互作用越容易被震散。
- 自然对数 $\ln$$\ln K_D$ 把浓度量纲转化为纯数字，让跨越好几个数量级的亲和力在能量标尺上变成线性的排序。
- 负号与 $K_D$负号保证 $\Delta G$ 与 $K_D$ 成反向关系——解离常数越小，亲和力越高；这正是老白判断“这把钥匙顺不顺滑”的定量尺子。
CDR 设计核心原理：齿纹的黄金比例
老白开始打磨第一版齿纹，很快发现一个反直觉的规律：同样高度的齿，装在金属杆不同位置，手感完全不同。因为齿的形状不只看它自己，还取决于旁边的齿和杆的弯曲程度。设计 CDR 也一样：氨基酸序列决定环的构象，构象决定它能否卡进锁芯。
这就是序列-结构关系。Chothia 等科学家通过大量抗体结构比对发现，CDR 环的骨架构象可以被划分为若干“规则构象类”（canonical structures），而决定分类的往往只有少数几个关键残基：环内特定位置的残基，以及框架区里像铰链一样托住环的锚点残基（anchor residues）。它们像门上的合页，合页型号定了，门打开的轨迹也就基本定了。
在 CDR 上，还有一类贡献了大部分结合自由能的“黄金残基”，叫热点残基（hotspot residues），典型代表是酪氨酸（Tyr）、色氨酸（Trp）和精氨酸（Arg）。它们像钥匙齿上最关键的凸起，承担了与抗原形成氢键、堆积和盐桥的主要任务。设计策略上分两条路线：一是基于模板改造成熟抗体（同源模建、CDR 嫁接），二是从头设计（de novo），后者又分为 Rosetta 这类物理能量计算法和深度学习生成法。
老白在笔记上写下心得：“齿纹设计不是单点削切，而是整体咬合的优化。”他需要一套能同时评估“贴合度、粘合力、水中环境”的打分公式，来指导每一次下刀的方向。
- 总能量 $E_{\text{tot}}$一个 CDR 设计方案的“总分”，越低越好，代表钥匙齿与锁芯的整体咬合最优。
- 范德华项 $E_{\text{vdW}}$原子间引力与近距离斥力的总和，代表齿面是否“严丝合缝”——太挤会顶死，太松会晃荡。
- 氢键项 $E_{\text{HB}}$抗体与抗原之间方向性很强的“魔术贴”，距离和角度对了才能牢牢粘住。
- 权重系数 $w$三项经验的权重，由大规模实验数据标定，相当于老白心算时给“齿深、齿距、齿形”各打几分。
免疫原性评估：门卫的安检清单
钥匙终于能插进锁芯了，可镇长派人传来话：这把钥匙用的“外星金属”让门卫异常警觉。门卫（T 细胞）把钥匙表面的陌生纹路拍下来贴到公告栏上，整个安保系统立刻进入戒备状态——药品还没起效，就先被免疫系统清除了。
这就是免疫原性（immunogenicity）。抗体药物本质是外源蛋白，进入人体后，免疫系统可能把它识别为“非我”，产生抗药抗体（ADA），中和药效甚至引发过敏。免疫原性的主要来源有两个：一是 CDR 区里新出现的序列片段，二是非人源的框架区（比如来自小鼠的序列）。前者像齿尖上奇特的花纹，后者像整把钥匙都长得不像“本地制式”。
工程上的应对分两步：预测与改造。预测环节把抗体可变区序列切成 9 至 15 个氨基酸的短肽（尤其是能结合 MHC II 的 9 肽），用机器学习模型预测每个肽段与 MHC 的结合强度（IC50），IC50 越小越危险。改造环节则通过人源化（humanization）把鼠源框架区换成人的框架区，再用去免疫化（deimmunization）点突变消除 CDR 中的高危表位——相当于把钥匙外表镀上本地金属，再把扎眼的刻痕磨平。
老白连夜赶工，把钥匙表面重新抛光，又磨圆了几个最扎眼的齿尖。门卫的警报器终于安静了——但他知道，安检这关不仅要过，还得记录在案，因为每一处改动都可能影响开锁的顺滑度。
- 候选肽段集合 $E$把抗体可变区切成所有可能的 9 肽后组成的“可疑分子名单”。
- 半抑制浓度 $IC_{50}(e)$某个肽段与 MHC II 结合测得的浓度指标，数值越小代表结合越强、越容易被“贴到门卫公告栏”。
- 呈递概率 $p_e$该肽段被蛋白酶加工并装载到 MHC 分子上的效率，反映它最终能被 T 细胞“看见”的可能性。
- 求和得 $R_{\text{epi}}$对全部可疑肽段的风险求和，数值越大，这把钥匙触发免疫警报的概率越高。
亲和力成熟：把钥匙打磨到丝般顺滑
钥匙能开了，但转动时明显发涩。老白开始“微调”：每次只改一个齿的高度，插进锁芯试一下，不顺就换下一个改法。这个过程十分漫长，但他想到一个捷径——利用自然界已经验证过的流程：免疫系统在感染时也会对抗体做“体细胞高频突变”，让好钥匙在挑选中胜出，这就是亲和力成熟。
亲和力成熟（affinity maturation）的核心是“突变-筛选”循环：先用易错 PCR 或定点饱和突变构建突变库，再用噬菌体展示、酵母展示把突变库“陈列”出来，让目标抗原去钓亲和力更高的变体，最后用富集比定量评价每个变体的表现。富集比大于 1 的变体就是这轮比赛的赢家，可以进入下一轮继续突变。
在这个循环里，计算工具能大幅减少湿实验轮次。Rosetta 的界面能量和 FoldX 突变扫描可以预测单个突变的结合自由能变化（ΔΔG）；深度学习模型则用大量抗体-抗原复合物数据训练端到端的亲和力预测器，将候选突变按预测得分排序。多轮迭代后，多个有利的单点突变被组合在一起，就像把一次微小的打磨逐步叠加成彻底的顺滑。
老白在笔记本上画了一张表，记录每轮微调后钥匙的“顺滑度”。他发现：单独看每个改动都很小，但三五轮下来，开锁手感已经判若两钥——这正是“多轮迭代”的魔力。
- 初始占比 $n_i^{\text{before}}/N^{\text{before}}$突变体 $i$ 在淘选前占突变库全部序列的比例，相当于它出场的“起跑线位置”。
- 筛选后占比 $n_i^{\text{after}}/N^{\text{after}}$一轮“开锁比赛”后，$i$ 在胜利者中占的比例。
- 富集比 $f_i$两个占比相除。$f_i > 1$ 说明这个变体更受抗原青睐，$f_i < 1$ 说明它在实战中被淘汰了。
- 判读标准富集比同样适用于免疫原性反向筛选——比如把“结合 MHC 变弱”做成指标，就能同时优化亲和力与安全性。
AI 生成式设计：智能配钥匙机
手工微调让老白熬了几个通宵。他咬咬牙，从大城市买回一台“AI 智能配钥匙机”。这台机器神奇得很：你告诉它锁芯的结构，它就哗啦啦地“拉”出几万种齿纹方案，有的方案老锁匠做梦都想不到。
这台机器背后是三类生成模型。变分自编码器（VAE）把大量已知抗体序列压缩成一个“潜空间”，在这个空间里采样、解码，就能得到新的 CDR 序列；生成对抗网络（GAN）让生成器和判别器互相博弈，逼着生成器造出“以假乱真”的抗体；扩散模型则从一片噪声出发，像显影一样一步步还原出符合结构约束的 CDR 骨架与序列，代表工具如 RFdiffusion。
扩散模型是当前蛋白质设计的明星方法。训练时，模型不断学习“从加噪结构还原出干净结构”；生成时，只要把目标表位、结合位点等条件喂进去，它就能从随机噪声中“雕”出候选结构。生成结果还要经过“质检员”把关——AlphaFold 复合物模型或几何深度学习打分器预测结合能，不合格的打回重做，形成“生成-筛选-再生成”的闭环。整个流程还能同时优化多个目标：亲和力要高、免疫原性要低、表达要好、结构要稳。
老白感叹，这台机器不仅会“拉面式”生成方案，还内置了“门卫模拟器”，每出一版钥匙先自己过一遍安检。他只需要坐在电脑前，把质量最差的方案揉成团扔掉，再点一下“再来一轮”。
- 高斯噪声 $\varepsilon$训练时人为加到真实结构上的随机扰动，相当于给完美图纸泼上的墨点。
- 带噪样本 $\mathbf{x}_t$被污染到 $t$ 程度的中间状态，$t$ 越大墨点越多、原图越模糊。
- 去噪网络 $\varepsilon_\theta$AI 学到的“橡皮擦”，输入带噪样本和时间步 $t$，输出对墨点形状的预测。
- 均方误差期望 $\mathcal{L}$$\left\|\varepsilon - \varepsilon_\theta(\mathbf{x}_t, t)\right\|^2$ 衡量预测墨点与真实墨点的差距；对所有时间步和噪声求期望后，数值越小代表“擦得越准”，生成质量越高。
成药性与应用展望：从样板到量产
老白把钥匙精心打磨到完美，送到镇上的钥匙厂，结果老师傅一句话把他打回现实：“齿太尖、金属太软，量产必断。”实验室里的完美样板和工厂里的合格产品之间，还隔着一道天堑——成药性（developability）。
成药性评估关注抗体能否被稳定、廉价、大规模地生产。核心指标包括：热稳定性（T_m），代表钥匙在高温下不变形；溶解度和胶体稳定性，代表钥匙不会在水里粘成一团；聚集倾向，指抗体分子互相勾连成“钥匙串”的风险；表达滴度，即工厂每升培养基能产出多少把合格钥匙；此外还有黏度、化学降解（氧化、脱酰胺）等风险位点。
计算预测在这一步也大显身手：工具如 TAP（Therapeutic Antibody Profiler）会扫描 CDR 表面的疏水性补丁、正电荷分布等物理化学特征，提前标记高风险序列。典型抗体开发管线是：计算设计 → 体外筛选 → 人源化 → 亲和力成熟 → 成药性优化 → 临床前测试。案例方面，新冠中和抗体（如礼来的 bamlanivimab）从发现到进入临床只用了几个月；双特异性抗体与纳米抗体（VHH）则在拓展新的治疗边界。未来趋势是端到端生成式设计、AI 与湿实验自动闭环的“自适应实验室”。
老白的钥匙终于从图纸变成工厂里一排排闪亮的成品，送进了医院，救下了第一批病人。他坐在操作台前看着那台智能配钥匙机，想起十年前跟师傅手工锉钥匙的日子——效率相差何止百倍。他知道，下一个更难缠的“锁”已经在路上了。
- 稳定性 $S_{\text{stab}}$热变性温度等指标，代表钥匙在高温、酸碱环境下不变形的“抗造分”。
- 溶解度 $S_{\text{sol}}$抗体在高浓度下不析出、不粘壁的倾向，保证注射液不会变成“粥”。
- 表达量 $S_{\text{expr}}$工厂里每升培养液收获的合格抗体数量，直接决定生产成本。
- 聚集风险 $R_{\text{agg}}$疏水补丁或电荷分布不合理导致抗体抱团的概率。减号表示风险越高、扣分越多，让总分如实反映量产难度。
AI 应用场景
新发传染病的快速中和抗体开发
阶段：数据准备与生成设计
解决的问题：传统从康复者血浆中筛选中和抗体需要数月，而新发传染病以周为单位传播。AI 生成模型可以在拿到抗原结构后，几天内产出成千上万个 CDR 候选序列，再用结合能预测器和免疫原性评分器批量过滤，把“配钥匙”从手工细活变成流水线作业。
具体案例：新冠疫情期间，多家 AI 制药公司在数周内完成了针对刺突蛋白 RBD 表位的抗体设计，候选分子进入实验验证，显著缩短了从序列到临床候选的时间。
难成药靶点的抗体从头设计
阶段：结构预测与生成设计
解决的问题：GPCR 这类跨膜蛋白难以结晶，传统杂交瘤方法很难制备高亲和力抗体。借助 AlphaFold 预测靶点结构，再用扩散模型在目标表位周围“生成”CDR 骨架与序列，可以绕过漫长的湿实验试错。
具体案例：某生物技术公司使用 RFdiffusion 针对特定 GPCR 表位设计 CDR，再结合噬菌体展示验证，候选抗体命中率较传统随机突变库提升了近一个数量级。
双特异性抗体的可开发性优化
阶段：筛选与多目标优化
解决的问题：双特异性抗体有两个结合臂，存在表达链错配、聚集倾向和免疫原性叠加的难题。设计阶段就用 TAP 工具扫描两个 CDR 面的疏水性与电荷分布，同时叠加去免疫化打分器，在序列定稿前就剔除高风险候选。
具体案例：某双抗管线在计算成药性评估后，将候选分子在 CHO 细胞中的表达滴度提高了三倍，同时消除了一个已知的高危 T 细胞表位，顺利推进到临床前毒理阶段。
Python 演示
import sys class CDRDesigner(object): HP = {'A': 1.8, 'V': 4.2, 'L': 3.8, 'I': 4.5, 'F': 2.8, 'W': -0.9, 'M': 1.9, 'G': -0.4, 'S': -0.8, 'T': -0.7, 'Y': -1.3, 'C': 2.5, 'P': -1.6, 'D': -3.5, 'E': -3.5, 'N': -3.5, 'Q': -3.5, 'H': -3.2, 'K': -3.9, 'R': -4.5} def __init__(self, cdr_seq, epitope): self.cdr_seq = cdr_seq.upper() self.epitope = epitope.upper() def binding_score(self, seq): score = 0.0 for aa, ep in zip(seq, self.epitope): hp_aa = self.HP.get(aa, 0.0) hp_ep = self.HP.get(ep, 0.0) compatible = (hp_aa < -2.0 and hp_ep < -2.0) or (hp_aa > 1.0 and hp_ep > 1.0) if compatible: score += 2.0 if abs(hp_aa - hp_ep) < 0.5: score += 1.0 return score def immunogenicity_risk(self, seq): risk = 0 for i in range(len(seq) - 8): win = seq[i:i + 9] aromatic = win.count('W') + win.count('Y') charged = win.count('R') + win.count('K') if aromatic >= 2 and charged >= 2: risk += 1 return risk def generate_mutants(self, letters): mutants = [] for i in range(len(self.cdr_seq)): for aa in letters: if aa != self.cdr_seq[i]: mutants.append(self.cdr_seq[:i] + aa + self.cdr_seq[i + 1:]) return mutants def pick_best(self, candidates, top_k): ranked = sorted(candidates, key=lambda s: (self.binding_score(s), -self.immunogenicity_risk(s)), reverse=True) return ranked[:top_k] def run_maturation(self, letters, rounds, top_k): pool = [self.cdr_seq] history = [] for _ in range(rounds): kids = set() for p in pool: kids.update(self.generate_mutants(letters)) pool = self.pick_best(kids, top_k) best = pool[0] history.append((best, self.binding_score(best), self.immunogenicity_risk(best))) return history def main(): designer = CDRDesigner('YNWSDY', 'WVLRDK') print('initial aff=', designer.binding_score(designer.cdr_seq), 'risk=', designer.immunogenicity_risk(designer.cdr_seq)) hist = designer.run_maturation('AWYFKRDT', rounds=4, top_k=3) for r, (seq, aff, risk) in enumerate(hist, 1): print('round', r, seq, 'aff=', aff, 'risk=', risk) if __name__ == '__main__': main()
HP = {...}氨基酸疏水刻度表，相当于钥匙材质的“软硬参数表”。compatible = (hp_aa < -2.0 and hp_ep < -2.0) or (hp_aa > 1.0 and hp_ep > 1.0)模拟“齿纹互补”：极性配极性、疏水配疏水才加分。win = seq[i:i + 9]以 9 个氨基酸为窗口滑动扫描，对应 T 细胞表位预测的肽段切分。if aromatic >= 2 and charged >= 2:若窗口内芳香族和带电残基过多，就判为“高危花纹”。mutants.append(self.cdr_seq[:i] + aa + self.cdr_seq[i + 1:])逐位替换生成单点突变库，模拟定向进化的“下刀”。key=lambda s: (self.binding_score(s), -self.immunogenicity_risk(s))多目标排序：亲和力高的排前，免疫原性风险低者减分小，综合排出本轮赢家。kids.update(self.generate_mutants(letters))子代突变合并为新的候选池，对应下一代突变库构建。history.append((best, self.binding_score(best), self.immunogenicity_risk(best)))记录每轮最优序列，方便复盘整个成熟过程。
常见误区
误区CDR-H3 是亲和力关键，那它越长，接触面就越大，结合自然更牢。我一开始设计 CDR 就拼命把环拉长，觉得越长越能“抱住”抗原。
正解环越长，构象熵惩罚越大——柔性太大，结合时要损失大量自由度，反而降低亲和力；长环也更容易暴露免疫原性表位，还给生产稳定性埋雷。真正关键的是热点残基与表位形成精确的互补，而不是齿的数量。老白会告诉你：齿太多、太杂的钥匙反而插不进锁芯。
为何常见：“接触面大 → 结合强”来自日常物理直觉，忽略了蛋白质世界的熵效应与空间位阻，初学者很容易把长度当作第一设计变量。
误区把鼠源框架区换成人的框架区，整把钥匙就是“本地制式”了，免疫系统不会再有意见，可以高枕无忧。
正解人源化能显著降低框架区的免疫原性，但 CDR 中的序列片段如果在人的生殖系抗体库里极少出现，仍可能被 T 细胞识别为外源；此外糖基化修饰、聚集体本身就是免疫原性来源。所以人源化之后还要做去免疫化点突变，并用预测模型重新扫描。
为何常见：“鼠源换人源”是写进教科书的主流手段，容易让人把它当成万无一失的终局操作，忽略了 CDR 自身序列带来的残余风险。
误区扩散模型生成的 CDR 序列看起来结构漂亮、打分很高，直接交给工厂生产、打进病人体内就能成药。
正解AI 输出只是候选方案，必须经过表达、纯化、亲和力实验（SPR/BLI）、稳定性测试、动物毒理等湿实验验证。生成模型学的是数据分布，天然存在假阳性；计算指标再漂亮，也无法保证真实世界的表达产量和体内安全性。行业标准是“计算设计 + 湿实验验证”的闭环。
为何常见：媒体常渲染 AI 制药“几天找到新药”，让小白误以为生成即成功，忽略了从序列到药品之间漫长的工程验证链条。
误区筛选抗体时只盯着结合自由能，谁负得多就选谁，反正能量越低结合越强。
正解亲和力只是第一关，候选还要通过免疫原性、表达量、稳定性、溶解度的综合考察。更微妙的是，某些超高亲和力变体解离太慢，在体内无法快速释放和循环利用，反而影响药效；有的变体亲和力高但溶解度差，根本无法制成注射剂。锁匠比喻：能开锁不等于能量产，更不等于门卫会放行。
为何常见：教材把 ΔG 讲成“结合强度的唯一标准”，容易形成思维定式，忽略了药物开发是典型的多目标优化问题。
面试题
Q1. 抗体的互补决定区（CDR）一共有多少个高变环？
- A.3 个，全部位于重链上
- B.6 个，重链和轻链各 3 个← 正确答案
- C.4 个，重链轻链各 2 个
- D.9 个，重链 5 个轻链 4 个
答案：B。抗体六个 CDR 环分别来自重链 VH 的 CDR1-3 和轻链 VL 的 CDR1-3。就像一把钥匙分两排齿，每排各三颗，缺一排就打不开锁。A 漏掉了轻链，C、D 数量错误。
Q2. 解离常数 K_D 与抗体亲和力的关系是？
- A.K_D 越小，结合越弱
- B.K_D 越小，亲和力越高← 正确答案
- C.K_D 与亲和力完全无关
- D.K_D 越大，结合越稳定
答案：B。由 $\Delta G = -RT\ln K_D$ 可知，K_D 越小，负的对数值越大，结合自由能释放越多，亲和力越高。K_D 衡量“钥匙从锁芯里跑出来的倾向”，数值越小表示越难脱开，结合自然越牢。
Q3. 下列哪个 CDR 环长度变异范围最大、对抗原识别起最关键作用？
- A.CDR-H1
- B.CDR-H2
- C.CDR-H3← 正确答案
- D.CDR-L2
答案：C。CDR-H3 由 VDJ 基因重组产生，长度从几到二十多个氨基酸不等，变异最大，且通常位于抗体-抗原结合界面正中心，是名副其实的“主齿”。其余环长度与构象相对保守。
Q4. CDR 移植（grafting）进行人源化的核心操作是？
- A.将人的 CDR 嫁接到鼠源框架区上
- B.将鼠源 CDR 嫁接到人源框架区上← 正确答案
- C.删除抗体中全部鼠源氨基酸
- D.对整条 C 区序列做随机突变
答案：B。CDR 决定结合特异性，框架区决定背景免疫原性。人源化的思路是把鼠源 CDR 这排“专用齿”移植到人的“标准钥匙柄”上，既保留开锁能力又降低门卫警觉。A 方向恰好反了，C、D 过于极端且不准确。
Q5. T 细胞表位预测通常需要关注哪些要素？
- A.9 肽片段与 MHC II 的结合能力← 正确答案
- B.肽段整体的疏水性大小
- C.肽段能否被加工呈递到细胞表面← 正确答案
- D.表达载体中抗生素筛选标记
答案：AC。T 细胞表位风险由“MHC 结合强度”和“加工呈递效率”共同决定，对应公式中的 IC50 与呈递概率。疏水性只是间接影响因子，抗生素标记属于表达载体范畴，与免疫原性无关。
Q6. 亲和力成熟筛选中富集比 f>1 表示什么？
- A.该变体筛选后占比升高，值得保留← 正确答案
- B.该变体筛选后占比下降
- C.该变体表达量一定最高
- D.该变体免疫原性一定最低
答案：A。富集比是变体在淘选后与淘选前的占比之比，大于 1 说明“开锁比赛”后它的出场率上升了——这是亲和力更高的实战证据。它只反映筛选结果，不能直接推断表达量或免疫原性。
Q7. 人源化之后为什么仍需要去免疫化（deimmunization）？
- A.因为疫苗都会引起严重副作用
- B.因为 CDR 中仍可能含有高危 T 细胞表位← 正确答案
- C.因为框架区完全不起作用
- D.因为 T 细胞不识别肽段
答案：B。人源化主要解决框架区问题，但 CDR 序列中若存在人的种系库中罕见的 9 肽模式，仍会被 T 细胞视为异物。去免疫化通过点突变破坏这些高危表位，相当于把齿尖上残留的“外星刻痕”也磨平。
Q8. 关于 CDR 热点残基（如 Tyr/Trp/Arg），下列说法正确的有？
- A.它们贡献了大部分结合自由能← 正确答案
- B.它们通常处于 CDR 与抗原的接触面上← 正确答案
- C.它们只能通过随机突变获得
- D.它们常作为设计时优先保留的残基← 正确答案
答案：ABD。热点残基是结合界面的“黄金齿”，贡献主要能量，设计时通常刻意保留。它们既可能通过随机突变出现，也可以由计算设计主动引入，因此 C 错误。理解这一点有助于区分“自然进化”与“理性设计”两条路线。
Q9. 扩散模型用于 CDR 设计时，其训练目标可以概括为？
- A.学习从序列到表达量的回归映射
- B.学会从加噪样本中预测噪声并还原结构← 正确答案
- C.学习将抗原表位编码为指纹向量
- D.学会生成完全随机的蛋白质序列
答案：B。扩散模型的损失函数是 $\|\varepsilon - \varepsilon_\theta(\mathbf{x}_t, t)\|^2$——网络学习的是“擦掉墨点”的能力。生成时从纯噪声出发逐步去噪得到 CDR 结构。A 是回归任务，C 是表征学习，D 丢失了条件信息，都不符合扩散模型的训练范式。
Q10. 抗体成药性（developability）评估通常包含哪些维度？
- A.热稳定性与溶解度← 正确答案
- B.聚集倾向与表达滴度← 正确答案
- C.抗原表位氨基酸数目
- D.化学降解位点风险← 正确答案
答案：ABD。成药性关注“能不能量产、能不能打针、会不会变质”，包括稳定性、溶解度、聚集风险、表达量、氧化脱酰胺位点等。抗原表位的氨基酸数目属于靶点特征而非候选分子属性，因此 C 不属于成药性评估维度。