综述：利用人工智能开发抗体-药物偶联物：从靶点识别到肿瘤学临床转化

本综述系统阐述了人工智能（AI）在抗体-药物偶联物（ADC）全链条开发中的前沿应用与变革潜力。文章详述了AI如何赋能靶点发现（如多组学整合、图学习）、抗体工程（如结构预测、亲和力优化）、 linker-payload设计（如生成模型、多目标优化）、ADMET（吸收、分布、代谢、排泄和毒性）建模（如深度学习、Transformer框架）及临床开发（如患者分层、数字孪生模型）等关键环节，旨在推动ADC疗法向更理性、可扩展和个性化的方向发展。

引言：ADC疗法的新范式

抗体-药物偶联物（Antibody-Drug Conjugate, ADC）是一类通过单克隆抗体将高效细胞毒性药物特异性递送至肿瘤细胞的精准疗法，其核心结构包括靶向肿瘤相关抗原（Tumor-Associated Antigen, TAA）的抗体、化学连接子（linker）和细胞毒性载荷（payload）。尽管已有十余款ADC获批上市（如T-DXd、T-DM1），其开发仍面临靶点稀缺、连接子稳定性与释放效率平衡、脱靶毒性、耐药性以及生产工艺复杂等多重挑战。人工智能（AI）的兴起，特别是大型语言模型（Large Language Model, LLM）、图神经网络（Graph Neural Network, GNN）和多模态架构的发展，为系统性优化ADC的“三方优化难题”（即同时优化抗体、连接子和载荷）提供了强大工具，推动ADC开发从经验试错向数据驱动的“设计-构建-测试-学习”（Design-Build-Test-Learn, DBTL）闭环范式转变。

AI赋能ADC靶点识别

靶点识别是ADC开发的基石。理想靶点需具备高肿瘤选择性、高效内化能力及低正常组织表达。AI平台通过整合多组学数据、单细胞RNA测序（scRNA-seq）和空间转录组学数据，结合无监督聚类和深度学习模型，可深入解析肿瘤异质性，识别具有空间靶向潜力的抗原亚群。例如，Lantern Pharma的RADR^* AI平台和Insilico Medicine的PandaOmics平台已成功挖掘出包括HER2、NECTIN4、B7-H4等在内的新型候选靶点。此外，基于卷积神经网络（Convolutional Neural Network, CNN）的高内涵成像分析能够定量评估抗体-抗原内化动力学，而自然语言处理（Natural Language Processing, NLP）工具（如BioGPT、PubMedBERT）可挖掘真实世界数据（Real-World Data, RWD）和文献，关联抗原与疾病的临床相关性，为靶点验证提供多层次证据。

AI在抗体工程中的革新

抗体是ADC的导航系统。AI技术已深度融入抗体工程的各个环节（详见表2）。在结构预测方面，AlphaFold2、RoseTTAFold2和IgFold等工具能够高精度建模抗体结构，尤其是互补决定区（Complementarity-Determining Region, CDR），指导结合界面设计和位点特异性偶联。亲和力优化工具（如DeepAb）可通过预测CDR突变显著提升抗体结合力。在双特异性抗体工程中，AI可优化链配对、连接子长度和结合几何构型。Fc工程方面，AI模型能预测Fc突变对Fcγ受体（FcγR）和新生儿Fc受体（FcRn）结合的影响，从而调控半衰期和效应功能（如采用LALA-PG突变沉默Fc功能）。可开发性评估中，蛋白质语言模型（Protein Language Model, PLM）（如ESM、ProtT5）可预测偶联后的溶解度、聚集风险和热稳定性变化。此外，生成式AI（如BioGPT）能够从头设计新型抗体序列，而免疫原性预测工具（如SITA、NetMHCIIpan）可早期识别并降低抗药物抗体（Anti-Drug Antibody, ADA）风险。

连接子-载荷的AI驱动优化

连接子-载荷系统决定了ADC的效力、稳定性和安全性。生成模型（如MolGPT、ChemBERTa、GraphAF）可用于从头设计具有理想理化性质的新型载荷类似物（如拓扑异构酶抑制剂）和可切割连接子（如Val-Cit肽）。预测模型则用于评估载荷-抗体相互作用，如连接子疏水性对ADC聚集倾向的影响，以及细胞内释放动力学（如蛋白酶特异性切割位点预测工具Procleave）。多目标优化框架结合强化学习（Reinforcement Learning, RL）和迁移学习，可平衡效力、稳定性、合成可行性等多重目标。AI还有助于评估连接子或载荷片段引发免疫应答的风险（如通过NetMHCpan预测T细胞表位），并探索新型载荷（如免疫刺激剂、PROTAC-ADC）的设计空间。

ADMET建模的AI进阶

ADC的体内处置（药代动力学，Pharmacokinetics, PK）和毒性预测尤为复杂。深度学习模型通过整合抗体亚型、连接子化学、载荷特性等特征，可预测清除率（Clearance, CL）、分布容积（Volume of Distribution, V_d）等PK参数。图神经网络（GNN）将ADC表示为抗体-连接子-载荷的图结构，有助于理解分子亚结构与PK/毒性关系。卷积神经网络（CNN）处理临床前3D PET/CT成像数据，可精准量化ADC在组织器官的分布。

多模态AI模型融合化学结构、基因组学和临床数据，可预测器官特异性毒性（如间质性肺病Interstitial Lung Disease, ILD、角膜病变）。自然语言处理（NLP）工具（如ClinicalBERT）能从电子健康记录（Electronic Health Record, EHR）和不良事件报告系统（如FAERS）中挖掘ADC相关安全信号。基于Transformer的架构（如MolFormer）通过注意力机制提供可解释的毒性归因，助力理性设计。

AI加速ADC临床转化

在临床开发阶段，AI通过多模态生物标志物签名（如结合IHC模式、基因表达和影像组学）实现更精准的患者分层，超越传统的单一生物标志物（如HER2低表达）。数字孪生（Digital Twin）系统整合定量系统药理学（Quantitative Systems Pharmacology, QSP）模型与患者个体数据，可模拟不同给药方案下的肿瘤消退情况。AI辅助的试验设计包括采用强化学习优化I/II期剂量递增方案、利用真实世界证据（Real-World Evidence, RWE）构建合成对照臂（Synthetic Control Arm, SCA），以及模型引导的精准给药（Model-Informed Precision Dosing, MIPD）以优化ADC的治疗窗。AI驱动的医学影像定量分析（影像组学）和循环肿瘤DNA（ctDNA）监测可实现治疗反应的早期、灵敏评估。

挑战与未来展望

尽管前景广阔，AI在ADC领域的应用仍面临数据稀缺（尤其是ADC特异性标注数据）、模型可解释性不足、缺乏标准化验证框架以及临床-监管接受度等挑战。未来发展方向包括：构建遵循FAIR原则的开放式ADC数据库（如ADCdb）；开发专为ADC三元结构设计的多模态AI架构（如图-Transformer网络）；以及建立预测与实验验证实时反馈的闭环“自驱动”实验室系统。通过构建集成数据、算法与实验的智能发现生态系统，AI将最终推动更安全、有效的个性化ADC疗法的实现。