自1986年FDA批準的第 一個鼠源性單抗藥物Orthoclone Okt3以來，抗體治療發(fā)展如火如荼，至此抗體類藥物的批準數(shù)量已經(jīng)接近每年批準藥物總數(shù)的1/5，截止5月，已有100種單抗獲批，有200多種治療用抗體處于臨床研究階段。

       縱觀國內外市場，抗體藥物市場增長迅速，潛力巨大。拒估測，到2023年全球抗體市場可達到近4000億美元的體量，我國抗體市場規(guī)模也直沖3000億元。多方藥企加入這場角力，競爭逐日白熱化。

       無論何時何地，要想在競爭中拔得頭籌，必然不是蠻干，古有孫臏善用差別競爭，今有計算機加持改造，在抗體賽道中脫穎而出，必然離不開抗體優(yōu)化，本文就以安全性和功效兩個方面展開敘述。

       降低免疫原性

       由小鼠、大鼠或者其他動物所產生的抗體對人體來說都具有免疫原性，如果不對其施以措施降低免疫原性的話，身體會產生抗抗體藥物的抗體，阻礙治療。

       單克隆抗體根據(jù)其序列來源分為四種：鼠源、嵌合（鼠可變區(qū)序列加入恒定序列）、人源化（人序列具有鼠互補決定區(qū)）和全人（抗體來自能產生人抗體的轉基因鼠或者來自人B細胞）。

       就以嵌合抗體來說，可以對其可變區(qū)進行修飾，通過替換某些位點上的氨基酸來提高與人體天然抗體的相似性，這個過程就叫做“抗體人源化”，當然這一步驟的前提是不影響抗體對抗原的親和力?？贵w人源化是一種廣泛應用的減少免疫系統(tǒng)產生外源反應的的一種方法。

       目前被廣泛使用的人源化方法有三種：計算機輔助設計、噬菌體展示和酵母展示。計算機輔助設計先建立鼠源抗體的三維模型結構，用電腦軟件來分析結構和設計突變。

       噬菌體展示和酵母展示則是通過建庫和篩庫來進行的。

       傳統(tǒng)的抗體開發(fā)方式，是使用抗原對小鼠免疫接種，獲得可以持續(xù)分泌抗體的的雜交瘤細胞，在篩選后使用選定的先導物生成嵌合或人源化抗體。而噬菌體展示，則是在人類抗體文庫中選擇候選抗原，在經(jīng)過3-5輪生物淘選后，通過ELISA篩選免疫陽性噬菌體，然后分析它的DNA序列，選擇人源化程度最高、其他屬性也最好的序列作為治療用抗體的候選序列。像阿達木單抗就是使用噬菌體展示的技術。

       但是努力不光止于此，還有一種誘導免疫耐受的方法。這就不得不說下適應性免疫了。T細胞和B細胞的記憶和效應功能是通過識別同源抗原中稱為表位的部分來進行的，其中對T細胞表位的預測要優(yōu)于B細胞表位預測，B細胞表位預測容易引發(fā)不與天然抗原交叉反應的抗體。

       T細胞表位由I類（MHC I）和II（MHC II）MHC分子呈現(xiàn)，其分別被兩個不同的T細胞亞群CD8和CD4 T細胞識別。在表位識別后，CD8 T細胞變成細胞**T淋巴細胞（CTL）,與此同時，引發(fā)CD4 T細胞成為輔助（Th）或調節(jié)（Treg）T細胞。

       而誘導免疫就是就是通過將Treg 表位引入抗體，因為Treg 表位將刺激Treg 功能并誘導其對抗體產生免疫耐受，當活化的T細胞被抑制后，對抗體的耐受性就會增加。

       抗體親和力成熟

       對于抗原的親和力對于候選抗體來說，是一個很重要的考量方面，因為如果連結合都困難的話，更別說是起作用了，起效的前提一定是結合，但是結合了不一定就起作用。結合也有強有弱，我們用親和力來評估結合能力的強弱，親和力越強，解離平衡常數(shù)就越小，俗話說，就是越難舍難分。

       親和力成熟是指機體正常存在的一種免疫功能狀態(tài)，在體液免疫中，再次應答所產生抗體的平均親和力高于初次免疫應答。當分離出一組先導抗體的時候，必然要對其結合親和力進行優(yōu)化。對抗體Fv 片段修飾可以采用隨機誘變、靶向誘變重親鏈洗牌重配和電腦模擬設計，這些方法已經(jīng)被證實可以有效的提升親和力。

       體外親和力成熟的過程需要耗費大量時間和精力，目前所采用的策略通?；诮Y構原理或者是小型文庫途徑，這些方法成功的原因依托于以下兩個方面的因素：

       1，高質量的共晶結構的存在。

       2，可計算突變發(fā)生時候能量變化的算法。

       傳統(tǒng)的親和力優(yōu)化過程可能會花費至少6個月的時間，但是當計算策略和與重點試驗評估兩者相結合的時候，可以節(jié)省很多時間，再一個就是如果依托經(jīng)典的晶體結構來進行計算機模擬親和力成熟而不是制造實際的抗原-抗體共晶結構的話，也可以節(jié)省大量時間。當然在一些傳統(tǒng)的方法比如文庫，誘變中，共晶體結構甚至可以提高親和力達到10~100倍以上，而在缺乏抗原-抗體共晶結構下，計算機預測其實相當具有挑戰(zhàn)性。

       這里有一個思維慣性，那就是親和力不是越高越好嗎，其實不然，大多數(shù)情況，我們還是需要根據(jù)藥物的實際機理作用來調整它的親和力，從而使得藥效達到最大化。其實這有點像二次函數(shù)曲線，我們需要找到那個頂點。

       提升親和力是優(yōu)化的步驟，但是親和力太高也容易造成一些麻煩，就以實體瘤為例子來說明一下吧，抗體親和力太強的話可能會導致大分子抗體只能在實體瘤附近高濃度聚集，妨礙了抗體在其部位的擴散，不利于藥效發(fā)揮其最大效果。另外一個點就是，還要考慮到抗體在不同的PH環(huán)境下面具有不同的親和力，這有利于它一些功能的發(fā)揮，比如說某些抗體在溶酶體等這樣一些細胞內的酸性條件下容易解離擴散的話，是不是就可以釋放某些與它結合的受體，讓這些被釋放的受體可以重新回到細胞表面發(fā)揮介導作用。

       特異性優(yōu)化

       為了降低抗體對其他抗原的交叉反應性，擴大抗體對相關抗原的特異性或改善抗體對不同物種抗原的結合力，需要對抗體進行工程改造以優(yōu)化其特異性。隨機誘變和靶向誘變是2 種常用優(yōu)化抗體特異性的方法。

       如果有抗體-抗原復合物的3D 結構可參考，也可將人表位突變?yōu)榱硪环N種系的表位（例如猴表位或鼠表位），通過使用軟件的“親和力成熟功能”來預測和引入能優(yōu)化異種抗原親和力的突變。

       IgG 是最豐富的一類抗體，它們構成了大約 75% 的血清免疫球蛋白庫。提高抗體的抗原結合能力主要由IgG的可變區(qū)決定。IgG 是由兩條輕鏈和兩條重鏈組成，輕鏈包含可變（V L）和恒定（C L）域，重鏈包含一個可變（V H）和三個恒定（C H 1、C H 2 和C H 3）域。IgG 的多域性質巧妙地將其生物活性劃分為不同的子域?？乖Y合片段 (Fab) 包含兩個可變域，并通過稱為互補決定區(qū) (CDR) 的六個肽環(huán)介導抗原識別。相比之下，可結晶片段 (Fc) 包含恒定域（C H 2 和 C H 3），其通過與免疫受體分子（例如補體蛋白和 Fc 受體）結合來介導效應子功能。

       抗體優(yōu)化當然不止這幾個方面，在其他方面，比如說構象穩(wěn)定性、溶解度、生物效應等都是十分重要的，由于本文篇幅限制，就不一一展開講了。

       如果能夠明確參與發(fā)病機制的特定蛋白質或者分子的話，抗體毫無疑問是有效的治療選擇之一。這么多年的發(fā)展下來，現(xiàn)在市場上的治療性抗體大致可以分為這么兩大類——

       第 一類是直接用裸抗體進行疾病治療，此類抗體通過直接靶向癌細胞誘導細胞凋亡、靶向腫瘤微環(huán)境（阻斷癌細胞的營養(yǎng)供應）、靶向免疫檢查點（阻止免疫逃逸）和介導通路（例如 ADCC/CDC，在介導路徑中，招募其他免疫細胞來殺死癌細胞）等機制來引發(fā)細胞死亡。

       第二類是對裸抗體進行了額外的修飾從而以增強其治療效果。這方面的例子有免疫細胞因子（選定的細胞因子與抗體融合來增強遞送特異性）、抗體-藥物偶聯(lián)物 (ADC，增強藥物的遞送，減少對非靶向組織的非特異性毒副作用)、抗體-**核素偶聯(lián)物 (ARC，定位放射治療)、雙特異性抗體（增強特異性靶向）、免疫脂質體和 CAR-T。

       當我們再次回歸單抗發(fā)展的歷史，不難發(fā)現(xiàn)其實幾乎每一年都有新的突破發(fā)生，相信伴隨著科技的進一步發(fā)展，計算能力和速度的提升以及三維蛋白結構數(shù)據(jù)庫的擴大，精準治療的效率與進展可以得到更進一步的提升和加速。

       參考文獻：

       1，https://academic.oup.com/abt/article/4/1/45/6142994?search result=1#229867976

       2，https://www.hindawi.com/journals/jir/2017/2680160/

       3，Cannon DA, Shan L, Du Q, Shirinian L,Rickert KW, Rosenthal KL, et al. (2019) Experimentally guided computational antibody affinity maturation with de novo docking, modelling

       and rational design. PLoS Comput Biol 15(5):e1006980.

       4，https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6939334/