Blinded benchmark of 511 AI-designed antibodies finds models struggle on unknown targets
A blinded prospective benchmark published in Nature Biotechnology on August 16, 2026 tested 511 AI-designed or predicted antibodies from 29 organizations against SARS-CoV-2 RBD. The results indicate that current AI models struggle to reliably generate high-affinity, developable antibodies for unknown targets, even for a well-studied antigen. The study highlights the gap between retrospective performance and prospective utility in antibody discovery.
Coverage timeline
机器之心ScienceAI
编辑丨& 过去几年，AI 抗体设计的论文越来越多。一个模型可以生成新的抗体序列，另一个模型可以预测亲和力，还有模型能够利用蛋白质语言模型或结构信息寻找更好的候选。 这些结果究竟有多少真的有效？ 很难说，因为抗体设计和蛋白结构预测并不是同一件事。抗体研发复杂得多，一个候选抗体首先要能够结合目标，还要有足够高的亲和力；与此同时，它最好能够稳定表达，不容易聚集，也不能表现出过强的非特异性相互作用。 所以，只在已有数据上回测，很容易掩盖问题：模型可以知道答案之后再解释答案，却未必能够在真正未知的序列上提前做出正确判断。 相关结果以「 A blinded, prospective benchmark of in silico antibody discovery anchored to experimental affinity and developability 」为题，于 2026 年 8 月 16 日发表在《 Nature Biotechnology 》。 论文链接： https://www.nature.com/articles/s41587-026-03238-6 AIntibody 挑战 AIntibody 作为一项受结构预测关键评估启发的挑战，测试来自 29 个组织的 511 个人工智能（AI）设计或预测抗体，分别进行三项任务：从第一阶段测序输出中进行计算机亲和力成熟、选择输出中重链互补性决定区域 3（HCDR3）簇中的亲和力排序，以及未包含在选择输出中的蛋白质的 CDR 设计。 图 1：一般提交详情。 挑战选择的是 SARS-CoV-2 receptor-binding domain（RBD） 。这是一个被研究得极其充分的蛋白，拥有大量结构、序列和抗体结合数据。研究团队认为，如果连这种信息条件相对优越的靶点都无法稳定产生好的计算设计，那么在数据更加稀疏的真实药物发现环境里，AI 就更难发挥作用。 第一轮：相对友好 参赛者拿到的是一个亲本抗体，以及经过第一轮实验筛选得到的多个 CDR 测序数据。 任务是 在不修改 framework 和 HCDR3 的情况下，只修改指定的 CDR 区域，设计出亲和力更高、同时仍然具有良好 developability 的抗体。 这里没有提供亲本之外的亲和力数据。 图 2：亲和力成熟挑战及获胜方法概述。 一共有 25 家机构 参
