先算出病毒下一步会怎么变,再照着这个答案改抗体:Arc Institute 把两件事接成了一条流水线
3分钟看懂
- 谁做的:Arc Institute 的 Brian Hie 实验室(与斯坦福合作)。2026 年 11 月 17 日,他们把两个工具一起放出来,代码都开源。
- 做了什么:antiGen 只干一件事——看着病毒过去的进化树,猜它接下来可能出现的突变,模型只有约 50 万参数。Germinal Multi 也只干一件事——让同一份抗体设计同时对着好几个变异版本打分,全都过关才留下。
- 为什么值得看:这两个东西单独看都不算颠覆,接起来才有点意思。他们用 antiGen 排出「能打掉某个抗体」的三种突变组合,拼出一个自然界还不存在的假想变异(XFG-Next),再让 Germinal Multi 把原来的抗体重设计到「老的新的都能挡」。
- 结果:60 个重设计里,最好的一个把感染压到一半所需的浓度是 2.1 ng/mL(对 XFG)和 6.3 ng/mL(对 XFG-Next)。
- 别高兴太早:另一个设计 X58 两个变异都结合得上,但只挡得住老的那个。能结合 ≠ 能中和,作者自己把这条反例写进了公告里。
一句话先说结论
抗体药物失效不是因为设计得不够好,是因为靶点在变。Arc Institute 的做法是先把「靶点会往哪变」算出来,再把这个还没出现的版本塞进设计目标里——与其追着病毒跑,不如提前给它的下一步留个座位。但预测只能把上万种可能压成一份短名单,它挑不出「一定会流行的那个」。
它到底做了什么:一个负责猜,一个负责改
antiGen:不读序列,读进化树
大多数病毒突变预测模型是拿海量基因组序列做统计,看哪个位点变得频繁。antiGen 换了个输入:进化树。
团队做了一个自己的建树算法(思路来自 UShER,但改成能处理蛋白序列、能容忍测序里的模糊碱基),把最多 900 万条公开的 SARS-CoV-2 spike 基因序列挂到一棵以 Nextstrain 为种子的树上。然后让模型直接在这棵「谁从谁演化出来」的树上学习突变是怎么发生的。
模型很小,大约 50 万参数——比一个手机输入法词库大不了多少。
用截至 2023 年的数据训练(约 780 万条序列、24 万个突变),它整体上比之前的方法更准。差距最大的地方是最难的那类:训练数据里从没出现过、但只需要一个核苷酸改变就能拿到的突变。
它也确实猜中过现实。超过一半的受体结合域(RBD)逃逸突变,落在 antiGen 预测的前 10% 里;从 BA.2.86 演化到 KP.3 这条真实轨迹上,除一个之外全部被它排进了前列——KP.3 是 2024 年夏天流行的那一支。
数据少的时候呢?只用截至 2021 年初的数据(约 35 万条序列、1.4 万个突变),在「预测哪些新突变会出现在 100 份以上样本里」这个公共卫生最关心的任务上,它仍然赢过此前的方法。
但团队也说了实话:疫情最初几个月,简单数一数某个突变过去出现过几次,可能比 antiGen 还准。所以他们还做了一个混合版本,数据稀疏时偏向原始频率——在 2020 到 2024 的每个阶段测试,混合版都「持平或更好」。
换病毒也还行:流感、RSV、登革热上都有提升,而这三个的测序数据量远少于新冠。
Germinal Multi:一个抗体,同时对着好几个靶点版本打分
去年的 Germinal 是对着一个靶点设计抗体。但新冠教会大家一件事:只对一个版本调好的抗体,下一个版本就可能失效。
Germinal Multi 的改动很直白:在电脑里同时放上靶点的多个版本,一份抗体设计必须对所有版本都预测能结合才被保留。它要输出的是一段蛋白质序列——抗体本身就是一种蛋白质,界面上的每一个残基都要同时照顾几个版本的形状。另外加了一档「救火」模式:不是从零设计,而是从现有抗体出发,尽量贴近它原来的序列和结合姿态去改——这样可以把一个已经失效的抗体救回来,而不是整个换掉。
三个案例,数字都在这里
案例一:救回一个被 KP.3 甩掉的抗体
西帕维单抗(sipavibart)对早期 Omicron 有效,碰上 KP.3 就不行了。团队针对它在 spike 上的结合位点,同时对 BA.2 和 KP.3 从头设计。
测了 57 个设计,最好的那个叫 R50,两个变异都能挡住细胞的感染。它还能结合一些「没参与设计」的变异——说明广度不止覆盖给它的那两个。
案例二:癌症里的抗体耐药
抗体耐药不只发生在病毒上。结直肠癌里,西妥昔单抗(cetuximab)的耐药常被追溯到它靶向的 EGFR 发生突变。
团队挑了 6 个在患者和细胞模型里报道过的 EGFR 突变,没有一个个分别设计,而是造了一个「同时带全部 6 个突变」的靶点,和未突变的 EGFR 一起喂给模型。
60 个设计里有 5 个,既能结合未突变的 EGFR,也能结合全部 6 个单突变版本——而这 6 个版本在训练时是分开出现的。
案例三:把预测和设计接起来(这条最关键)
这是整篇公告里唯一一个完整闭环:
- BD55-1205 是一个广谱中和抗体,能挡住 XFG 变异。
- 用 antiGen 排出 XFG spike 上所有可能的改动,再拿已发表的实验数据筛掉病毒「受不了」的那些,最后剩三个:A475V、E493R、Y501T。
- 单独加任何一个,假病毒都还能感染;三个叠在一起(他们叫 XFG-Next),BD55-1205 完全失效。
- 让 Germinal Multi 把 BD55-1205 重设计成「XFG 和 XFG-Next 都能挡」。60 个重设计,lead 叫 X51,两个都挡住了:半数抑制浓度 2.1 ng/mL(XFG)、6.3 ng/mL(XFG-Next)。
那个反例,比成功案例更值得记住
同一次重设计里还有另一个候选 X58:XFG 和 XFG-Next 它都结合得上,但只挡得住 XFG。
也就是说,结合实验给的是「它认得出这个靶点」,中和实验给的才是「它真的能拦住感染」。作者把这条写在公告里,等于自己指出了这类流水线最容易骗人的地方:设计阶段的打分是结合预测,不是功能预测。
适用场景
- 你做的是被快速演化靶点拖累的抗体项目:新冠、流感、RSV、登革热这类测序数据堆积如山的病毒。
- 你手上有一个已经失效但结构清楚的抗体,想救回来而不是重头再来——Germinal Multi 的「救火模式」就是为这个准备的。
- 你在做多突变靶点的耐药问题(比如 EGFR 这类癌症靶点),希望一份设计覆盖一组已知突变,而不是一个个排队打。
- 你有自己的进化树和突变注释——antiGen 的输入就是「一棵树 + 树上的突变」,不需要你有测序原始数据。
不适用场景
- 只有序列、没有树。antiGen 的核心输入是系统发育树,没有历史采样轨迹就没有它要的信息。
- 你想知道「哪个已在流行的变异会赢」。团队明确说了做不到:这种标签太少,可能需要另一类模型。
- 你要的是临床级证据。两个工具背后是预印本加假病毒/结合实验,没有动物模型,没有人体数据。
- 靶点几乎不变。如果靶点本身稳定,多版本联合优化的算力就花得没必要。
怎么用:三步跑通
- 先看代码。
evo-design/antiGen(MIT)和twidatalla/germinal-multi(Apache-2.0)都在 GitHub 上,11 月 17 日当天都还有提交。 - 准备你的树。antiGen 要的是一棵挂了突变的进化树;如果你只有 FASTA,得先建树并做突变映射。
- 接设计。把 antiGen 排出的候选突变做成多个靶点版本,交给 Germinal Multi 做联合优化;如果没有 antiGen,用你手上已知的变异组合也能跑,只是少了「预测未来」这一层。
避坑:四个容易踩的点
- 把结合分数当中和结果。X58 就是活教材:两个都结合,只挡一个。
- 把 antiGen 当成「下一个变异预测器」。它给的是短名单和概率排序,不是点名。
- 忽略数据稀疏时的退化。疫情极早期,数频率比模型更准,作者自己做了 hybrid 兜底。
- 把预印本当已定稿。Germinal Multi 的 11-13 预印本、antiGen 的 8 月预印本,都还没过同行评审。
成本 / 时间
- 钱:两个工具都免费,代码开源(MIT / Apache-2.0)。
- 模型体量:antiGen 约 50 万参数,是很小的一档;Germinal Multi 的计算成本主要花在「一份设计要对多个靶点版本各跑一遍」,靶点版本越多越贵。
- 时间:作者给的量级是每个战役「筛几十个设计」就能出候选(57 个出 R50、60 个出 X51 和 5 个 EGFR 交叉结合体)。这比传统抗体发现动辄上千个克隆要小一到两个数量级。
下一步
- 如果你的项目正好卡在「抗体被新变异甩掉」,先去 GitHub 把两个仓库拉下来,用你已有的变异组合跑一遍 Germinal Multi 的联合优化,成本最低、见效最快。
- 如果你在做流感或 RSV,antiGen 的数据量比新冠少但仍有效,值得先复现它在你自己树上的 top 10% 命中率,再决定要不要接进流程。
- 关注点放在「有没有人用真实动物模型验证 X51 这类设计」——现在缺的就是这一层。
参考来源
- Arc Institute 官方公告(2026-11-17):https://arcinstitute.org/news/antigen-and-germinal-multi
- Germinal Multi 预印本(bioRxiv,2026-11-13):https://doi.org/10.64898/2026.11.10.765734
- antiGen 预印本(bioRxiv):https://doi.org/10.64898/2026.08.27.741102
- JClub 论文页(2026-11-16):https://jclub.com.au/a/10.64898/2026.11.10.765734
- Bloomer 报道(2026-11-18):https://bloomer.news/stories/arc-institute-antigen-germinal-multi-future-variants/
- 生信之灵中文条目(2026-11-18):https://bioinfosoul.com/items/qbxhzl5qcxrtw4win6qzhrkjk
- GitHub evo-design/antiGen:https://github.com/evo-design/antiGen
- GitHub twidatalla/germinal-multi:https://github.com/twidatalla/germinal-multi
基于多家媒体转述整理。两份论文均为预印本,尚未通过同行评审;文中湿实验为假病毒与结合实验,不构成临床证据。