人工智能(AI)和機器學習(ML)驅動下的ADC設計優勢、應用及面臨挑戰

文章來源公眾號：paper Club 作者：aper Club

核心總結
本表整理自2025年最新ADC綜述文獻，整合了抗體-藥物偶聯物（ADC）領域的前沿進展，強調了AI與機器學習技術在生物制藥中的深度融合。核心內容包括結構預測工具如AlphaFold3和DiffAb的突破，親和力優化及從頭設計模型如RefineGNN和IgDiff的進步，結合位點預測工具如EquiPocket的應用，以及ADC活性預測框架ADC-net的發展。此外，集成數據庫ADCdb為研究提供了堅實基礎，而VERISIM Life等平臺則預示著向全流程AI設計管線的轉變，體現了AI正成為驅動ADC理性設計的核心引擎。這些進展標志著藥物研發范式的重大變革。

引言：從“魔法子彈”到靶向治療新時代
抗體-藥物偶聯物（Antibody-Drug Conjugates, ADCs）是現代癌癥治療領域中一種高度復雜的靶向治療藥物，它將單克隆抗體（mAb）的特異性與小分子細胞毒性藥物的強效殺傷能力相結合，實現了對癌細胞的精準打擊，同時最大限度地減少對健康組織的損害。這一理念最早可追溯至德國化學家保羅·埃爾利希（Paul Ehrlich）在20世紀初提出的“魔法子彈”（zauberkugel）概念，即設想一種能夠特異性識別并摧毀病原體而不傷害宿主細胞的治療劑。盡管這一設想在當時未能實現，但它為現代靶向治療奠定了理論基礎。

經過近一個世紀的發展，ADCs終于從理論走向臨床。2000年，首個ADC藥物吉姆單抗-奧佐米星（gemtuzumab ozogamicin，商品名Mylotarg®）獲得美國FDA批準，用于治療急性髓系白血病（AML），標志著ADC時代的正式開啟。此后，隨著抗體工程、連接子化學和細胞毒性載荷技術的不斷進步，ADCs的研發進入快速發展期。截至2021年，已有9款ADC藥物獲得FDA批準用于臨床，涵蓋多種癌癥類型，包括淋巴瘤、乳腺癌、尿路上皮癌等。目前，全球范圍內有超過360項關于ADC的臨床試驗（I至IV期）正在進行，主要評估其安全性和有效性，顯示出該領域巨大的發展潛力和廣闊的市場前景。

核心組成：ADC由三個關鍵部分構成——單克隆抗體、連接子（linker）和細胞毒性載荷（payload）。這三者協同作用，共同決定了ADC的靶向性、穩定性和療效。單克隆抗體負責識別并結合腫瘤細胞表面的特定抗原；連接子作為橋梁，將抗體與載荷穩定連接，并在特定條件下釋放藥物；而細胞毒性載荷則是在進入腫瘤細胞后發揮殺傷作用的關鍵“彈頭”。

單克隆抗體：ADC的“導航系統”
抗體的基本結構與功能
抗體，也稱為免疫球蛋白，是一種Y形的大型糖蛋白，是人體免疫系統對抗細菌、病毒等病原體的“守護者”。由漿細胞（由活化的B淋巴細胞發育而來）產生，抗體能夠特異性地結合病原體表面的抗原，通過直接中和病原體或標記病原體供免疫系統其他成分清除來發揮作用。天然抗體是多克隆的，由不同漿細胞系產生，識別多種抗原。而在治療應用中，通常使用單克隆抗體（mAb），即由單一B細胞克隆產生的、針對特定抗原表位的抗體。

單克隆抗體的基本結構包括兩條相同的重鏈（Heavy Chain, H）和兩條相同的輕鏈（Light Chain, L），通過二硫鍵連接形成Y形結構。Y形的兩個“臂”由可變區（Variable Region, V）構成，其中包含互補決定區（Complementarity-Determining Regions, CDRs），負責識別和結合抗原。Y形的“柄”部分由恒定區（Constant Region, C）構成，主要介導抗體與免疫細胞的相互作用。根據恒定區的不同，抗體可分為IgG、IgM、IgA、IgD和IgE五類，其中IgG類抗體因其較長的血清半衰期和良好的組織穿透能力，成為ADC開發中最常用的抗體類型。

早期的治療性抗體多為鼠源抗體（murine antibodies），即完全由小鼠B細胞產生的抗體。盡管鼠源抗體具有良好的抗原結合能力，但在人體內使用時存在明顯的局限性：高免疫原性（易引發人抗鼠抗體反應，HAMA）、在人體內的療效較差以及血清半衰期短。為克服這些問題，科學家們開發了嵌合抗體（chimeric antibodies），將鼠源抗體的可變區與人源抗體的恒定區融合，從而降低了免疫原性。然而，嵌合抗體仍保留了部分鼠源序列，仍可能引發免疫反應。

為實現更徹底的人源化，研究人員進一步開發了人源化抗體（humanized antibodies），僅保留鼠源抗體中決定抗原結合特異性的CDR環，其余部分均替換為人源序列。這極大地降低了免疫原性，同時保留了高親和力的抗原結合能力。最終，隨著基因工程技術的發展，特別是噬菌體展示技術（phage display technology）和人源可變區基因在大腸桿菌中的表達技術的成熟，全人源抗體（fully human antibodies）得以實現。全人源抗體的所有組成部分均來源于人類，具有最低的免疫原性、較長的血清半衰期和良好的療效，已成為當前ADC開發的首選。

目前，大多數已獲批或處于開發階段的ADC使用人源化或全人源單克隆抗體。例如，用于治療霍奇金淋巴瘤的brentuximab vedotin（Adcetris®）是少數使用嵌合抗體的ADC之一。選擇用于ADC的單克隆抗體時，最關鍵的屬性是高靶抗原特異性。如果ADC與非靶抗原發生非特異性結合，可能導致不可預測的脫靶效應，引發嚴重毒性。此外，理想的ADC抗體還應具備高親和力、良好的藥代動力學特性（如長半衰期）以及較低的免疫原性。

Types of monoclonal antibody. Key: human-derived mAb regions shown in blue; mouse-derived (or for humanised mAbs, synthetic/animal-derived) mAb regions shown in orange.

傳統與AI驅動的抗體設計
早期的ADC開發主要依賴于經驗篩選和基于結構的設計方法。X射線晶體學和小角X射線散射（SAXS）等技術提供了抗體和抗原的原子級結構信息，為計算建模提供了模板。這些結構信息有助于初步評估連接位點和抗原結合兼容性。然而，這些方法存在局限性：結構數據往往不完整，且在蛋白質數據庫（PDB）和電子顯微鏡數據庫（EMDB）中，通常只包含抗體片段，如抗原結合片段（Fabs）、單鏈可變片段（scFvs）或孤立的VH/VL結構域，缺乏完整的抗體-抗原復合物結構。

近年來，人工智能（AI）和機器學習（ML）技術的興起為抗體設計帶來了革命性的變革。深度學習模型，如AlphaFold3，能夠準確預測蛋白質結構及其與配體的相互作用，包括糖基化和載荷結合，為完整ADC的原子級建模提供了可能。這些先進的計算方法能夠同時預測抗體主鏈和側鏈構象，顯著提高了結構預測的精度和效率。此外，生成式算法被用于抗體序列的多樣化和親和力優化，例如，IgLM模型能夠生成全長抗體序列和填充CDR H3環庫，而EvoDesign則能進行基于表位引導的序列設計，優化結合位點以適應連接兼容性。

表1列出了部分用于抗體和ADC設計的計算工具。例如，OptCDR（2010年）用于CDR設計，MEAN（2023年）用于抗體設計，AbSciBio（2024年）用于從頭抗體設計。這些工具的不斷發展，使得抗體設計從傳統的“試錯法”逐步轉向基于AI的理性設計，大大加速了抗體發現和優化的進程。

連接子：ADC的“智能開關”
連接子是ADC中連接單克隆抗體和細胞毒性載荷的化學橋梁，其設計對ADC的穩定性、藥代動力學和治療窗口至關重要。一個理想的連接子需要在血液循環中保持高度穩定，防止載荷在到達靶標前過早釋放（導致脫靶毒性），同時在進入腫瘤細胞后能夠高效、特異性地釋放活性藥物。根據其釋放機制，連接子主要分為兩大類：可裂解連接子（cleavable linkers）和不可裂解連接子（non-cleavable linkers）。

可裂解連接子
可裂解連接子依賴于腫瘤微環境或細胞內特定的化學或酶學條件來觸發載荷的釋放。這類連接子通常在血液中相對穩定，但在腫瘤部位或細胞內被激活。常見的可裂解連接子包括：

• 腙鍵連接子（Hydrazone linkers）
  ：這類連接子對酸性環境敏感，在腫瘤微環境的低pH條件下發生水解，從而釋放藥物。例如，Mylotarg®中的連接子就是一種腙鍵連接子。然而，腙鍵在血漿中也可能發生一定程度的水解，導致穩定性不足和脫靶毒性，因此其應用受到一定限制。
• 二硫鍵連接子（Disulfide linkers）
  ：這類連接子依賴于細胞內高水平的還原性谷胱甘肽（GSH）來斷裂二硫鍵，釋放藥物。腫瘤細胞內的GSH濃度通常遠高于正常細胞和血液，為二硫鍵的特異性裂解提供了條件。然而，血漿中也存在還原性環境，可能導致連接子在循環中不穩定。
• 肽類連接子（Peptide-based linkers）
  ：這是目前應用最廣泛的可裂解連接子類型。它們通常由特定的二肽序列構成，如纈氨酸-瓜氨酸（Val-Cit，見于Adcetris®）、纈氨酸-丙氨酸（Val-Ala，見于loncastuximab tesirine）和丙氨酸-丙氨酸（Ala-Ala，見于IMGN632）。這些二肽序列是溶酶體蛋白酶（如組織蛋白酶B）的底物，該酶在多種癌細胞中過表達。連接子通常還包含一個對氨基芐基氧羰基（PABC）間隔基，它能將二肽與載荷分隔開，使蛋白酶更容易接近裂解位點。與腙鍵和二硫鍵相比，肽類連接子具有更好的血漿穩定性、更高的特異性和更低的pH敏感性，因此成為當前ADC設計的主流選擇。

不可裂解連接子
與可裂解連接子不同，不可裂解連接子在細胞內不會發生化學斷裂。載荷的釋放依賴于抗體部分在溶酶體內的完全降解。當ADC通過抗原介導的內吞作用進入腫瘤細胞后，整個復合物被轉運至溶酶體。在溶酶體的酸性環境和多種蛋白酶作用下，抗體部分被徹底降解，最終釋放出與連接子和部分氨基酸殘基相連的活性代謝物（如Lys-MCC-DM1 for Kadcyla®）。

不可裂解連接子的主要優勢在于其極高的血漿穩定性，這賦予了ADC更長的血漿半衰期，減少了脫靶毒性，并通常能提供更寬的治療窗口。常見的不可裂解連接子基于馬來酰亞胺結構，如馬來酰亞胺己酰基（MC，見于depatuxizumab mafodotin）和4-馬來酰亞胺甲基環己烷-1-羧酸酯（MCC，見于Kadcyla®）。值得注意的是，MC連接子具有多功能性，既可作為不可裂解連接子的主體（如depatuxizumab mafodotin），也可作為間隔基連接在抗體和可裂解二肽之間（如Adcetris®）。

選擇可裂解還是不可裂解連接子取決于多種因素，包括靶抗原的內吞效率、腫瘤微環境的特性以及載荷的性質。例如，對于內吞效率高且溶酶體蛋白酶豐富的腫瘤，肽類可裂解連接子可能更有效；而對于需要極高穩定性的應用，不可裂解連接子則是更優選擇。近年來，研究者也在探索新型連接子，如可被特定酶（如β-葡萄糖醛酸酶）或外部刺激（如光、超聲波）觸發的連接子，以進一步提高ADC的靶向性和可控性。

細胞毒性載荷：ADC的“致命彈頭”
細胞毒性載荷是ADC中發揮殺傷腫瘤細胞作用的核心成分，通常為高活性的小分子藥物，其細胞毒性比傳統化療藥物強100至1000倍。由于載荷通過抗體靶向遞送，因此可以使用極高毒性的藥物，而不會對全身造成不可接受的毒性。目前，用于ADC的載荷主要分為兩大類：微管抑制劑和DNA損傷劑。此外，新型載荷類別也在不斷涌現。


微管抑制劑
微管是細胞骨架的重要組成部分，在細胞分裂（有絲分裂）過程中扮演關鍵角色。微管抑制劑通過干擾微管的動態平衡，阻止細胞進入有絲分裂后期，導致細胞周期停滯在中期，最終誘導細胞凋亡。

• 美登素類（Maytansinoids）
  ：這類化合物是從非洲灌木植物中分離得到的強效微管抑制劑。其代表是DM1和DM4，被用于Kadcyla®（ado-trastuzumab emtansine）中。DM1通過不可裂解的MCC連接子與曲妥珠單抗連接。Kadcyla®的成功上市證明了美登素類作為ADC載荷的巨大潛力。
• 奧利斯他汀類（Auristatins）
  ：這類化合物最初從海兔（Dolabella auricularia）中分離得到的海兔毒素（dolastatins）衍生而來。其最常用的衍生物是單甲基奧利斯他汀E（MMAE）和單甲基奧利斯他汀F（MMAF）。MMAE和MMAF均能結合微管的長春花堿結合域，抑制微管聚合。MMAE因其良好的細胞膜通透性，被廣泛用于多種ADC，如Adcetris®（brentuximab vedotin）、Padcev®（enfortumab vedotin）和Polivy®（polatuzumab vedotin）。MMAF由于其C端羧基的存在，細胞膜通透性較差，但水溶性更好，聚集傾向更低，系統性毒性也相對較低。

DNA損傷劑
DNA損傷劑通過直接破壞DNA結構或干擾DNA復制和修復過程，導致細胞死亡。這類載荷尤其適用于殺傷分裂和非分裂（靜止）的腫瘤細胞。

• 卡奇霉素類（Calicheamicins）
  ：這是一類從放線菌Micromonospora echinospora中分離得到的強效烯二炔類抗生素。其代表是卡奇霉素γ1的衍生物，被用于Mylotarg®和Besponsa®（inotuzumab ozogamicin）中。卡奇霉素通過與DNA的小溝結合，并引發雙鏈斷裂，造成不可逆的DNA損傷。其作用機制獨特且高效，但同時也帶來了較高的毒性風險，因此對連接子的穩定性和靶向性要求極高。
• 吡咯并苯并二氮䓬類（Pyrrolobenzodiazepines, PBDs）
  ：這是一類源自放線菌的天然產物，能與DNA雙螺旋的小溝共價結合，形成交聯，阻止DNA復制和轉錄。PBD二聚體（如SG3199）具有極高的細胞毒性，被用于多種新型ADC的開發，如loncastuximab tesirine（靶向CD19）。
• 杜卡霉素類（Duocarmycins）
  ：這類化合物能烷基化DNA，導致單鏈或雙鏈斷裂。其高活性使其成為有吸引力的ADC載荷候選者。

新型載荷類別
除了傳統的微管和DNA靶向劑，研究人員正在積極探索其他機制的新型載荷，以克服耐藥性和擴大治療范圍。

• α-鵝膏蕈堿（α-Amanitin）
  ：這是一種從毒蘑菇（Amanita spp.）中提取的雙環八肽，屬于鵝膏毒素家族。它通過結合并抑制RNA聚合酶II，阻斷轉錄和蛋白質合成。α-鵝膏蕈堿具有高活性、血漿穩定性好、親水性強等優點，最重要的是，它能有效殺傷分裂和靜止的腫瘤細胞，這對于治療那些增殖緩慢或處于休眠狀態的腫瘤細胞（如腫瘤干細胞）具有重要意義。目前，Heidelberg Pharma公司的HDP-101（靶向BCMA）是進展最快的以α-鵝膏蕈堿為載荷的ADC，已進入臨床前研究階段。
• 拓撲異構酶抑制劑
  ：這類藥物通過抑制拓撲異構酶I或II的活性，干擾DNA的復制和修復。Exatecan衍生物等已被探索作為ADC載荷。

選擇合適的載荷是ADC設計的關鍵。理想的載荷應具備極高的細胞毒性（IC50在pM級別）、良好的化學穩定性、合適的連接位點（便于與連接子偶聯）、足夠的水溶性以及在釋放后保持活性。此外，載荷的機制（如是否能殺傷靜止細胞）也直接影響ADC的治療效果和適應癥范圍。

AI/ML在ADC設計中的應用與挑戰
盡管ADC領域取得了顯著進展，但其開發過程仍然充滿挑戰。傳統的經驗性篩選方法耗時、成本高昂，且受限于不完整的結構信息和非系統性的連接子-載荷選擇。人工智能（AI）和機器學習（ML）技術的整合為解決這些瓶頸提供了強大的工具，推動了“AI驅動的ADC設計”（AI-driven ADC Design）的興起。

AI/ML的應用領域
AI/ML在ADC設計中的應用貫穿于整個研發流程：

• 抗體結構預測與連接位點識別
  ：深度學習模型，如AlphaFold3，能夠高精度預測抗體及其與配體（包括糖基和載荷）的復合物結構。這為識別最優的連接位點（conjugation site）提供了原子級的洞察，避免了可能影響抗原結合或導致不穩定的位點。

• 藥代動力學與毒性預測
  ：ML框架被用于建模ADC的藥代動力學（PK）特性和毒性譜。例如，Angiolini等人（2025）開發了機器學習模型來預測抗體-藥物偶聯物（ADCs）合成中的藥物-抗體比（DAR），這對于控制產品質量和療效至關重要。
• 抗體序列多樣化與親和力優化
  ：生成式算法，如IgLM和EvoDesign，能夠生成多樣化的抗體序列庫，并通過優化CDR序列來提高抗體的親和力和降低免疫原性，加速抗體工程化進程。
• 整合計算與高通量實驗
  ：AI模型的預測結果可以與高通量實驗系統（如自動化篩選平臺）相結合，形成“預測-驗證-迭代”的閉環設計框架，顯著提高研發效率。

面臨的挑戰
盡管AI/ML在ADC設計中展現出巨大潛力，但仍面臨諸多挑戰：

• 數據稀缺性
  ：高質量、公開可用的ADC數據嚴重不足。許多實驗信息，如連接化學、DAR、連接子穩定性、藥代動力學和毒性數據，要么是專有的，要么報告不一致，這限制了可推廣模型的開發。對于罕見的連接化學，數據稀缺問題尤為突出。
• 模型的可解釋性
  ：許多AI模型，特別是深度神經網絡，被視為“黑箱”，其決策過程難以解釋。這在安全至關重要的藥物開發領域是一個重大障礙，影響了監管機構的接受度。
• 實驗驗證負擔
  ：AI模型的預測需要大量的實驗驗證，這本身就是一個耗時耗力的過程。如何高效地設計驗證實驗，是實現AI與實驗無縫整合的關鍵。
• 多模態交互的復雜性
  ：ADC是一個由抗體、連接子和載荷三部分組成的復雜系統，各部分之間的相互作用是非線性和情境依賴的。當前的模型往往難以準確捕捉這些多模態交互，尤其是在缺乏完整ADC三維結構信息的情況下。
• 監管障礙
  ：將AI/ML模型應用于藥物開發，需要建立新的監管標準和驗證流程，以確保模型的可靠性、可重復性和安全性。

未來的發展方向將依賴于集成的、多尺度的建模方法，將蛋白質結構預測、系統藥理學和真實世界臨床及組學數據相結合。AlphaFold3等技術的進步為完整ADC的結構建模鋪平了道路。結合系統級數據，這些結構洞察有望實現更可預測的治療設計。此外，強化學習（RL）和閉環設計框架也被認為是支持迭代ADC開發的關鍵技術。

結論與展望
抗體-藥物偶聯物（ADCs）作為“魔法子彈”理念的現代實現，已成為癌癥靶向治療的重要支柱。通過巧妙地結合單克隆抗體的靶向性、連接子的智能調控和細胞毒性載荷的高效殺傷，ADCs實現了對腫瘤細胞的精準打擊，顯著改善了多種癌癥患者的預后。從首個ADC藥物Mylotarg®的獲批，到如今超過360項臨床試驗的蓬勃開展，ADC領域經歷了從概念驗證到快速發展的輝煌歷程。

回顧其發展，我們可以看到，技術的進步是推動ADC演進的核心動力。從鼠源抗體到全人源抗體的轉變，極大地降低了免疫原性；從簡單的腙鍵到高度特異的肽類連接子，顯著提高了藥物的穩定性和治療窗口；從美登素、奧利斯他汀到卡奇霉素、PBDs乃至α-鵝膏蕈堿，載荷的多樣性不斷拓展，殺傷機制日益豐富。這些進步共同造就了當今療效更佳、安全性更高的新一代ADC藥物。

展望未來，ADC的發展將進入一個更加智能化和系統化的時代。人工智能（AI）和機器學習（ML）技術的深度整合，正在重塑ADC的研發范式。從傳統的“試錯法”轉向基于AI的理性設計，使得抗體工程、連接子優化和載荷篩選變得更加高效和精準。AlphaFold3等先進工具為完整ADC的原子級建模提供了可能，而生成式算法則能加速抗體序列的多樣化和親和力成熟。盡管數據稀缺、模型可解釋性和監管接受度等挑戰依然存在，但集成的多尺度建模、強化學習和閉環設計框架有望克服這些障礙。

此外，ADC的應用范圍也在不斷擴展。除了傳統的實體瘤和血液瘤，ADC在自身免疫性疾病、抗感染治療等領域的潛力也正在被探索。雙特異性ADC、條件激活ADC等新型設計將進一步提高靶向特異性和安全性。可以預見，隨著基礎科學的深入和技術的持續創新，ADC將繼續在精準醫療的浪潮中扮演關鍵角色，為更多患者帶來新的希望。