诺纳生物苗洪江：HCAbLM助力AI解析抗体“语言”

抗体研发正经历一场AI驱动的革命。如果将候选抗体比作一辆准备量产的汽车，它不仅要"跑得快"——精准结合靶点，还要能"造得出、稳得住"——实现大规模生产且不抱团、不散架。长期以来，这些问题往往需要通过大量湿实验来验证。如今，人工智能正在改变这一传统模式。

全球首个AI抗体语言模型诞生

近日，和铂医药全资子公司诺纳生物宣布成功开发全球首个基于全人源仅重链抗体（HCAbs）训练的语言模型——HCAbLM。该模型基于73只独立免疫的HCAb转基因小鼠、共计3180万条全人源HCAb序列构建，相关研究成果已发表于bioRxiv平台。

诺纳生物首席人工智能官苗洪江博士表示："和铂小鼠让我们能够产生全球稀缺的全人源仅重链抗体，而HCAbLM让AI开始真正读懂这些抗体的‘语言’。"这一突破不仅标志着企业将专有数据资产转化为AI能力的关键进展，更意味着抗体开发正从"大海捞针"式的筛选，迈向可预测、可设计的智能研发新阶段。

与日常使用的语言模型类似，HCAbLM的核心原理是通过海量数据训练理解特定领域的"语言规律"。但不同于自然语言，HCAbLM的"语料库"是全人源仅重链抗体序列。苗洪江形象地比喻：英文由26个字母组成，而抗体序列则由20种常见氨基酸按一定顺序排列构成。

AI设计抗体的最大挑战在于确保生成的序列不仅符合基本结构要求，还能稳定折叠、表达和成药。HCAbLM通过分析海量真实抗体序列中的隐藏规律，帮助AI理解这些"语法"规则。苗洪江指出："AI并不是替代湿实验，而是让科学家将宝贵的实验资源集中到最有潜力的候选分子上。"

HCAbLM的独特之处在于其训练数据来源——全人源HCAb序列。苗洪江解释，通用蛋白质大模型虽然知识面广，但对特定类型的抗体可能缺乏足够的理解和经验。相比之下，专注于HCAb的"专才"模型在稳定性、成药性等关键指标上表现更优。

测试结果显示，在核心指标SEC纯度（量产可行性）和HIC行为（聚集风险）上，3.66亿参数的HCAbLM显著优于60亿参数的通用大模型。这表明：在生物制药领域，数据质量往往比模型规模更重要。

HCAbLM的应用价值在于将抗体研发从传统的"试错模式"转变为智能化的预测与优化。通过计算分析，研究人员可以在湿实验前筛选出更符合成药规律的候选分子，从而提高研发效率。

诺纳生物正在构建一套AI原生研发体系：从"理解抗体"到"设计抗体"，再到多属性优化和自动化流程，最终形成完整的干湿闭环。苗洪江表示："通过A³战略（抗体工程×AI×自动化），我们不仅实现了AI计算与实验验证的结合，更推动了精准设计药物时代的到来。"

文章素材来源于：网络