AIntibody 盲测：511 个抗体同一套检测测下来，AI 赢在哪项任务、输在哪项

三项任务，一把尺子

AIntibody 仿照结构预测竞赛 CASP：题目先出，提交封存，结果由主办方统一测量。29 家机构参赛，按论文的分类是 10 家学术或非营利实验室、8 家 AI 生物技术公司、5 家中小生物技术公司、5 家大药厂和 1 家大型科技公司。靶点只有一个，新冠病毒刺突蛋白的受体结合区，作者说这是刻意挑的：靶点研究得透、数据给得足，整场比赛被「预设成容易成功」的样子。^[S1]

任务一是在文库内提高结合强度：给出一次酵母展示筛选第一阶段的测序结果，要求改动六个可变环中的五个（重链第三环和骨架不许动），写出结合更强、又能做成药的序列。除母本抗体外，不提供任何结合强度数据。25 家机构交了 165 个序列。^[S1]

任务二是排序：在三个按重链第三环分组的序列簇（27F 有 2,524 条、28F 有 3,554 条、47F 有 410 条）里，各挑出结合最强且能成药的那一条。每个簇给了少量已测的结合强度（分别是 22、14 和 3 条），还给了「簇内对照」，也就是测序里出现最多的那条序列。任务三是文库外设计：拿全部 32,059 条序列和 142 条已测结合强度，设计数据集里没有的新序列，骨架不许动。^[S1]

测量这一层是这项工作最硬的部分。所有提交先在芯片上测（高通量表面等离子共振），结合最强的再用溶液里的平衡法（KinExA）复测，两法之间的排序相关系数为 0.94 和 0.97，与芯片法之间为 0.92：绝对数值两法并不一致（溶液法普遍测得更紧），但谁强谁弱的排序是稳的。能否做成药由五项检测合成一个分数：疏水色谱保留时间、非特异结合、自相互作用、熔解温度和聚集温度，单项 0 到 2 分，合计 3 分以内算通过。^[S1]

每项任务的结果

任务一：165 个提交里 118 个（71.5%）结合，22 个（13.3%）到个位数纳摩尔，5 个（3.0%）低于 1 纳摩尔，1 个（0.6%）低于 100 皮摩尔；86.1% 通过成药性检测，63.0% 既结合又能成药。第一名 Aureka 做到 95 pM，是母本抗体的约 2,000 倍，与实验室自己做出的最佳抗体（113 pM）的 95% 区间重叠，统计上分不出高下。Aureka 的序列与母本相差 19 个氨基酸，与实验数据集中任何序列至少差 12 个，是少见的大胆改法。但同一项任务里，有 8 家机构一个能成药的结合物都没做出来。^[S1]

任务二：三个簇分别有 10.3%、13.8% 和 9.8% 的提交强过簇内对照。作者在同一批序列里实测过随机抽克隆的改进率，是 39%。也就是说，对大多数参赛者而言，用模型挑抗体比「取最常见的那条、再随便抽几条」更差。唯一的例外是圣路易斯华盛顿大学（50% 对 39%），而它在 27F 簇上同样无效。获胜算法也不跨簇成立。^[S1]

任务三：168 个提交里 51 个（30.4%）完全不结合，24 个（14.3%）低于 100 皮摩尔，53.6% 既结合又能成药。按比赛规则，第一名是一个 2.9 pM 的设计，比实验室最佳的 9.2 pM 还紧；但它在疏水色谱柱上洗不下来，按通常的药物开发标准这一条大概就足以出局，只是复合评分允许高亲和力抵消单项失败。下一个能成药的设计是 8.69 pM，与实验室最佳统计上打平。^[S1]

此前

命中率各报各的，靶点、检测和挑选标准都不一样^[S1]

瓶颈

没有前瞻、盲测、统一测量的比较

变化

三项任务、511 个抗体、一套检测，连基线一起测^[S1]

新的瓶颈

数据稀疏、靶点陌生时还成不成立

仍未解决

跨任务迁移；公开宣称有能力却没参赛的团队^[S1]

这篇论文最可直接使用的，是它把「AI 抗体设计有没有用」这个问题拆成了三问，并各给了一个带基线的答案。按任务买，不按公司买：同一家机构在一项任务上第一、在另一项上远离前列，是这一轮的常态，而不是例外。论文的跨任务排名表显示，每一家公开身份的队伍都至少有一项成绩明显落后。^[S1]

另一处值得记下的是获胜者的构成。只有一家获胜者（Aureka）自称 AI 公司，其余是三所大学的课题组（Scripps、UCSD、圣路易斯华盛顿大学）和一家中型生物技术公司（Xencor），后者并不自称有 AI 专长，却用两套不同的算法拿下一个簇和文库外设计。作者据此说，这个领域还没有被资金规模决定。^[S1]

对评测设计本身也有一条教训，作者自己写了出来：复合成药性评分允许一项失败被其他项补回来，于是一个洗不下色谱柱的设计拿了第一。他们说下一轮会设「一票否决」的红线。打分规则会决定参赛者优化什么，这不是抗体独有的问题。^[S1]

本站把这条记在证据阶梯第 4 级：每一个提交都被做出来、在仪器上测过，不是在已有数据上回算。它的强度还来自三件事：题目先出、提交封存、测量由第三方统一做；基线被实测而不是估计；以及两套独立的测量方法排序一致。^[S1]

需要说清的是这场比赛有多宽容。靶点只有一个，而且是被研究得最透的抗原之一；数据给得很足，任务二和任务三甚至提供了 142 条已测的结合强度，而在真实项目里结合强度通常要到后期才测得出来。作者自己写道，只有任务一用的是正常条件下能拿到的那种数据。所以这一轮能回答「在数据充足时模型能不能优化」，还不能回答「在数据稀疏时模型能不能发现」。^[S1]

盲测还有一处弱点作者主动写了出来：封存靠的是主办方的操守，而不是数据上的任何密码学校验，他们说下一轮会补。此外，参赛要求披露部分方法细节，作者认为这挡住了一些有商业秘密顾虑的团队，而几个公开宣称有强能力的团队确实没有出现。^[S1]

按方法分类读，获胜的类别每项任务都不一样：任务一是蛋白质语言模型配三维结构（Aureka），任务二三个簇分别由经典机器学习、自建 transformer 和语言模型拿下，任务三是语言模型（Xencor）。作者据此说，语言模型在设计走出文库时最有用，而在文库内与结构方法合用最有用，不存在一个方法通吃。^[S1]

基线决定一条结果值多少

任务二里 AI 的改进率看着不低（9.8% 到 13.8%），只有把随机抽取的 39% 摆在旁边，这个数字才变成坏消息。基线不是评测的装饰，它是读数的单位。^[S1]

评分规则就是激励

复合成药性评分允许一项失败被别处补回来，于是任务三的第一名是一个洗不下色谱柱的分子。作者说下一轮会加红线。任何把多项指标压成一个数的评测都要回答同一个问题：哪一项失败不该被抵消。^[S1]

这条结论会在两种情况下加强：下一轮不给结合强度数据、换一个陌生靶点，而同一批模型仍能在优化任务上追平实验室；或者有第三方在别的靶点上重复这次的排序结果。它会在两种情况下减弱：获胜方法被发现依赖这一个靶点的公开数据；或者更多团队参赛后，排序大幅改写。

对本站记录的影响也要说一句：现在时间线上好几条抗体设计条目报的是各家自己的命中率（Latent Labs 的 91 到 100%、Aureka 的 80 个设计中 38 个结合、Anthropic 的 211 个中 17 个）。这一轮没有推翻它们中的任何一条，但它给了一把尺子：没有盲测和基线的命中率，读的时候要知道自己在读什么。