AI设计VHH纳米抗体：人鼠通用与pH敏感双重挑战的破局路径
如果你去年问我“AI能不能设计出一个VHH纳米抗体”，我会毫不犹豫地说能。靶标结构给出来，跑一轮扩散模型加序列设计，再配合噬菌体展示筛上一两个月，拿到一个能结合的先导纳米抗体已经不是什么科幻剧情。但如果你把需求换成“一个既认人、又认小鼠的EGFR纳米抗体，还要在酸性环境里才开启结合”，我的回答就会立刻变得谨慎得多——这不是AI模型换个参数就能解决的事。
这篇文章想拆解的，就是这个“谨慎”到底从哪来。我会从需求本身说起，再分别讨论“人鼠通用”和“酸性开启”这两道题各自难在哪里，最后结合我这些年做抗体早期研发的实际经验，聊聊一条现代AI辅助抗体项目流水线上，哪些环节AI已经能挑大梁，哪些环节还只能靠湿实验硬磨。内容可能偏工程和计算，但我会尽量把原理讲到让做实验的朋友也能看懂。
1. 先拆需求：VHH、EGFR、人鼠通用、酸性开启到底在要求什么
1.1 VHH为什么天然适合作为AI设计的第一个靶标
VHH是骆驼科动物重链抗体（HCAb）的可变区，分子量只有大约15 kDa，相当于常规IgG抗体的十分之一左右。和常规抗体相比，它最大的特点就是单结构域——不需要重链轻链配对，也没有复杂的恒定区折叠。这给计算设计带来了一个天然优势：你只需要设计或改造一个独立的结构域，不用去考虑重链轻链界面的匹配问题。
从AlphaFold开始，结构预测对单结构域的准确性就非常高，pLDDT随便跑都能到90分以上。到RFdiffusion、ProteinMPNN这一批生成工具出现之后，VHH的从头设计难度又往后退了一大截。我认识的做计算蛋白设计的同行，几乎每个人都拿VHH试过手，因为它的骨架相对保守，CDR环可以自由变化，生成模型的可操作空间很大。
更关键的是VHH的CDR3特别长，平均能到15到20个残基，长的甚至有30个残基以上。长CDR3可以伸入抗原表面的裂隙和沟槽里，能识别很多常规抗体够不着的隐蔽表位。这对EGFR这类大分子靶点来说很有价值，因为它的活化机制有不少是发生在蛋白质-蛋白质界面附近，那些地方往往不是太好下嘴。
再加上VHH表达成本低，大肠杆菌和酵母都能做，开发周期短，AI生成的候选分子可以快速进入实验验证。所以你会发现一个现象：凡是“AI设计抗体”的新闻稿，出来亮相的绝大部分都是VHH。这不全是宣传口径，而是VHH这个分子形式确实最适合当AI的练兵场。
1.2 EGFR：一个大家太熟、于是也容易低估细节的靶标
EGFR是表皮生长因子受体，属于受体酪氨酸激酶ErbB家族。它在很多实体瘤里都存在过表达或者突变激活，比如非小细胞肺癌、结直肠癌、头颈癌。这个靶点已经被药企深耕了几十年，小分子抑制剂从一代吉非替尼做到三代奥希替尼，大分子抗体有西妥昔单抗和帕尼单抗，可以说是肿瘤靶向药里最“卷”的靶点之一。
但正因为太熟，很多做AI抗体的人容易忽略EGFR胞外域的复杂性。EGFR的胞外部分由四个结构域组成——结构域I和III负责结合配体（EGF、TGF-α等），结构域II是二聚化界面，结构域IV主要起调节作用。配体结合之后会诱导构象从闭合变成开放，暴露II结构域的二聚化界面，然后形成同源或异源二聚体，激活胞内酪氨酸激酶。
现有多数治疗性抗体，包括西妥昔单抗，都靶向结构域III，通过阻断配体结合来抑制EGFR激活。这个机制已经被临床验证过，但并非没有局限：很多EGFR突变体或者配体非依赖的激活方式，并不受这类抗体的完全抑制。而VHH因为分子小，可以去打一些大抗体不容易接触的位点，比如结构域II的二聚化界面或者结构域IV的调节表面，这恰恰是AI设计可以发挥的地方。
设计EGFR纳米抗体时，靶标的结构准备并不难——EGFR胞外域的晶体结构很早就有了，AlphaFold也能给出很好的结构模型。难的是一个常常被忽略的问题：你选的那块表位，到底在多少个物种里是保守的？
1.3 “人鼠通用”不是一句漂亮话，它直接决定你的实验能不能做
很多做计算出身的朋友第一次听到“人鼠通用”这个需求时，第一反应是“老鼠也有EGFR，那直接让分子结合保守区域不就行了”。听起来很简单，做起来才知道坑有多深。
EGFR的胞外域在人鼠之间的氨基酸序列同源性不算低，但也没有高到可以无视差异的程度。差异位点还往往不在蛋白内部，而是在溶剂暴露的表面环区——这恰恰是抗体结合抗原时最常触碰的区域。老话说得好，针对一个物种设计的抗体，换一个物种经常就废了。我见过太多项目，计算设计做得漂漂亮亮，人类EGFR的结合亲和力也漂亮，拿去小鼠模型上一测，根本不结合，整个药效实验没法做。
人鼠通用本质上是一个跨物种保守表位选择的问题。你要找到一片EGFR表面区域，让人的EGFR和小鼠EGFR在上面尽量长得一模一样，然后让抗体主要接触这片区域里的保守残基，尽量少去碰那些物种特异的残基。这样才能保证分子在小鼠模型中的药效和毒理数据能真实反映对人体靶点的作用。
这里的“通用”也不是一个模糊定性要求，它通常意味着人和小鼠两个物种的EGFR结合亲和力不能差太多。我们实验室一般希望两条结合曲线几乎重合，最宽松也要做到KD差距在三倍以内。超过这个范围，你在小鼠里看到的药效就不能线性外推到人身上，审评和立项沟通都很麻烦。
1.4 “酸性开启”在项目里通常指两种机制，别搞混
题目里“酸性开启”这个词也值得先掰扯清楚。在日常项目中，它至少可能指两种东西，机制和目标截然不同。
第一种是pH依赖的结合增强：分子在中性pH（约7.4）下对EGFR的结合力较弱，但在肿瘤微环境或内体的弱酸性pH下结合力显著增强。这个设计的真正用意是提高肿瘤选择性——正常组织里靶点被抗体轻轻碰一下无伤大雅，到了酸性的肿瘤区域抗体才被牢牢锁住，从而减少正常组织的靶向毒性。这种机制非常适合那些本身活性很强、毒副作用高的分子。
第二种是pH依赖的释放：分子在细胞表面中性pH下稳定结合EGFR，被内吞进入内体后，在内体较低的pH（约5.5到6.0）下发生构象变化，释放出偶联的毒素或载荷。这是ADC类药物里常见的酸响应设计思路，本质上是利用内体的酸性环境作为一个时空开关。
这两种机制在计算设计上共享不少工具和方法，比如组氨酸开关、pH条件筛选，但在实验验证时方向完全不同。所以我后面聊到“酸性开启”时，会以第一种（结合增强）为主线来展开，顺带说明如果要做第二种，哪些环节要改。
2. “人鼠通用”背后的约束：跨物种保守表位与计算工具的盲区
2.1 主流AI设计工具默认不会替你考虑物种差异
先说一个很多人不愿意面对的事实：RFdiffusion这类生成工具非常好用，但它生成的分子是基于你给它的那一个靶标结构的。你喂给它人类EGFR的结构，它就会在人类EGFR的几何表面上去匹配互补形状和相互作用残基。模型内部并没有一个叫“物种差异”的概念，它只会按照你给定的结构坐标和氨基酸序列去设计结合面。
所以如果你不做额外约束，AI大概率会生成一个高度针对人类EGFR表面特征的分子。这些特征里很可能包含了那些与小鼠不同的残基。换句话说，AI能替你完成“如何结合”这个几何学任务，但不会替你判断“应该结合哪些残基”这个生物信息学任务。
我自己的实操感受是：AI和湿实验一样，都需要你把“表位偏好”提前定义好。湿实验里你可以在淘选时用封闭剂和竞争分子控制表位，AI这边就要靠输入端的约束来实现。省掉这一环，后面的返工成本非常高。
2.2 把“保守性约束”人为塞进AI工作流的几种手法
那么具体怎么让人鼠通用这个需求进入AI的视野？我一般分三步走。
第一步是收集跨物种EGFR序列，做多序列比对。重点是人和小鼠，但我会顺手把大鼠、恒河猴的序列一起拉进来。多几个物种做参照，能帮你避免一个经典陷阱——小鼠和人某个位置恰好一致，但大鼠不一致，说明这个残基未必在哺乳动物里普适保守，可能只是一个局部的巧合。
第二步是计算表面残基的保守程度。直接用ConSurf这类工具也好，自己比对后算残基变异频率也行。更粗暴但很有效的办法是：把所有跨物种完全一致的表面残基在结构上标出来，然后找一块足够大的连续连通区域。这块区域就是你的“保守patch”。
第三步是最关键的一步——把这块保守patch作为AI设计时的表位掩码。比如用RFdiffusion时指定target motif，或者用ProteinMPNN设计时固定靶标接触残基范围，只允许设计器在会接触这些保守残基的空间里生成VHH。另外还可以反向检查：生成完毕之后，把VHH复合物模型里所有接触残基列出来，逐个对照跨物种比对结果，凡是碰到物种差异残基的候选，直接降权或删除。
这里我想多说一句：保守patch面积如果实在不够大，也不用强求界面上每个残基都完全保守。只要能保证信号贡献最大的热点残基是人鼠一致的，通常就能拿到一个勉强可用的跨物种亲和力曲线。这就像我们挑公寓，不用每个房间都朝南，但客厅和主卧必须朝南。
2.3 一个不值得踩的坑：西妥昔单抗为什么在小鼠模型里失效
讲一个人鼠通用反例供大家参考。西妥昔单抗是目前临床上很常见的抗EGFR嵌合抗体，它的结合表位分布在人类EGFR结构域III的表面，而这个区域有若干关键残基在鼠源EGFR里是不同的。结果就是西妥昔单抗对小鼠EGFR的亲和力极低，在标准小鼠肿瘤模型中基本没法直接用作hEGFR相关研究。
这个例子在药圈里几乎人人知道，但对刚进入抗体研发的计算背景同事来说，依然值得警醒——它说明了一个朴素的道理：即便是一个经过临床验证的优秀抗体，也可能因为它结合的残基跨物种不保守，而成为一个小鼠实验做不了的分子。临床药需要补一个专门的surrogate antibody来对应这种场景，而有些团队是到体内实验阶段才开始发现这个问题的。
在AI设计项目里，情况其实更隐蔽。因为AI给出的候选分子成千上万，你很少会手动逐个检查它们碰触的残基是否保守。有些分子可能整体看起来很好，序列新颖、结构稳定、预测亲和力也高，但它独有的那个盐桥恰好搭在一个小鼠和人不一样的带电残基上，整个设计就废了。所以我现在的流程里，跨物种接触残基过滤是固定的一道关卡，和可开发性过滤同等重要。
2.4 实操心得：界面残基可以容忍多少“物种差异”
根据我自己的项目经验，界面上80%以上接触残基为人鼠一致时，一般能保留可用的跨物种亲和力；低于60%时，几乎一定会有物种偏好。中间地带就要结合接触面积和相互作用类型来判断——如果那些差异残基只提供范德华接触，不贡献氢键或盐桥，通常还能凑合；反之如果热点残基是带电的，一个氨基酸突变就可能让亲和力掉一到两个数量级。
具体判断方法我常推荐给团队：先找到已有EGFR抗体复合物结构，用丙氨酸扫描数据（文献或实验验证）识别出界面上的热点残基，然后把热点残基的保守性单独标红。设计时凡是在热点残基附近做结合的区域，严格限定只能通过保守残基实现相互作用。这个做法会让生成空间缩窄，但换来的是后面体内实验的顺利推进，非常划算。
3. “酸性开启”背后的机制：组氨酸开关与pH依赖筛选的硬骨头
3.1 组氨酸开关的化学基础与设计直觉
酸性开启最常用的分子机制是组氨酸开关。组氨酸的咪唑侧链有一个很有趣的化学性质：它的pKa大约在6.0到6.5，正好卡在生理pH和肿瘤微环境pH之间。在中性pH（约7.4）下，大部分组氨酸侧链以不带电的中性形式存在；当pH降到6.0以下，组氨酸会获得一个质子，带上正电荷。
这个质子化过程可以带来三种物理化学效应：第一，带正电的组氨酸可以跟抗原表面的负电荷残基形成新的盐桥，直接增强结合力；第二，组氨酸质子化后可能与抗体内部或CDR附近的负电荷残基发生静电重排，推动CDR微构象变化，让结合界面更贴合；第三，质子化的咪唑环可以与芳香族残基形成阳离子-π相互作用。设计者可以选择性地在CDR中引入组氨酸，让这些效应恰好发生在结合界面上，从而实现“酸性条件下结合力增强”的开关效果。
设计直觉上是这样：先把EGFR结合热点表面里带负电荷的口袋找出来，然后在VHH的CDR里选择面向这些负电荷环境的残基位置，把它们突变成组氨酸。中性pH下这些组氨酸不质子化，可能对结合贡献平平；到了酸性环境质子化后，突然多了几个正电荷往负电荷口袋上一贴，亲和力就上来了。听起来很顺理成章，但实际做起来，计算端和实验端各有各的坎。
3.2 计算端最头疼的问题：pKa预测与质子化状态
计算端的第一个难点是pKa预测。组氨酸这个pKa在标准溶液里是小肽级别的数值，但放到一个具体的蛋白微环境里，会受到周围带电残基、溶剂可及性、氢键网络等很多因素影响而大幅漂移。同一个组氨酸，放在CDR顶部还是埋进蛋白内部，pKa可能差出1到2个pH单位。你今天算出来pKa是6.2，很可能在酸性环境里根本就不会质子化；明天算出来是5.4，则需要在pH 5.0的极端条件下才触发，体内又用不上。
第二个难点是传统打分函数几乎没有pH维度。你让AI去生成一条pH敏感抗体，就像让一个色盲去挑颜色——模型根本拿不到“这个残基在pH 6.0下带不带电”的关键信号。分子模拟虽然可以手动设定组氨酸的质子化状态，在低pH体系中做一批高pH体系的对照，但这种方法没法系统扫描所有候选分子，通量和成本都撑不住。
所以现实是：计算在pH开关上的能力还停留在“提候选”的水平，不要说精确设计一条pH敏感抗体了，就连“哪个位置引入组氨酸成功率最高”，都经常要靠实验轮番扫。我一般把计算定位成“帮实验缩小搜索范围”，而不是“给出精准答案”。
3.3 实验端的主干道：pH轮换淘选与流式分选
既然计算不能一锤定音，实验筛选就是最终裁判。噬菌体展示的pH轮换淘选是经典做法，核心逻辑是用两个pH条件反复压迫筛选压力。
具体设计可以这样：把你的VHH噬菌体文库先在pH7.4下和生物素化EGFR共孵育，然后充分洗涤，去掉那些在正常生理pH下就结合过强的克隆——这部分不是我们想要的酸性开关型，而是传统型。然后，把没有结合上去的流穿液转移到pH6.0的缓冲体系，和新鲜的EGFR再进行一轮结合。此时能结合上靶标的克隆，大概率是在低pH下获得结合或结合增强的“酸性开启”候选。最后用酸性更强的缓冲液洗脱，回收克隆进入下一轮扩增。
注意这里有一个方向容易搞反：如果你是做“内体释放”型的开关，正反选择的方向要反过来——你要保留在pH7.4下强结合、在pH5.5下快速解离的克隆。同样是两轮的差异淘选，收集“流穿”还是“洗脱”完全不同。所以动实验之前，务必把你要的机制和对应的淘选策略写在实验记录第一行。
另一种平台是酵母展示加流式分选。酵母表面展示VHH库，然后用两种荧光标记的EGFR分别在中性pH和酸性pH下染色，做成双荧光直方图，通过流式细胞术把“酸性信号高于中性信号”的酵母群直接分出来。这个方法的好处是还能在分选的同时检查表达量和表面展示水平，数据维度更丰富。
3.4 三种常见的失败模式
我把这几年在pH依赖抗体项目里反复撞到的失败模式归纳一下，供各位避坑。
第一种失败模式是选出了“酸性非特异结合体”。在低pH条件下，有些噬菌体颗粒或酵母细胞本身就会黏在靶标蛋白或培养板上，这种非特异结合跟组氨酸开关完全没关系。所以筛出来的候选一定要做对照：换成无关靶标或在没有EGFR的孔里重复低pH结合实验，能过滤掉相当一批假阳性。
第二种失败模式是开关比消失。组氨酸改造把低pH亲和力提上去了，但高pH亲和力也一并上升，两个条件下的结合力一样高，到头来没有pH选择性。这种情况比“酸性不开”更加隐蔽，因为你在酸性筛选条件下会看到漂亮的阳性信号，但它在生理条件下也同样结合靶标，完全违背了设计初衷。所以衡量筛出克隆的指标要同时看两个pH的KD和结合水平，不要只看低pH一侧的数据。
第三种失败模式是体内失效：筛出来的克隆在体外pH switch性能很好，但肿瘤组织里的实际pH并不像实验室设定的6.0那么低。实体瘤微环境的pH通常在6.5到7.0之间波动，而且分布很不均匀。如果你设计的开关阈值在pH5.5以下才触发，体内基本上永远打不开。这提醒我们设计前就要想清楚：你要利用的是肿瘤细胞外微环境的弱酸性，还是内体的强酸性？两者的pH门槛完全不同。
4. 把AI和湿实验接起来的现场流程：一次EGFR纳米抗体项目的工作链
4.1 输入端：把“靶标、表位、约束”包装成AI能理解的输入
做AI辅助抗体项目，最先要做的事情不是跑模型，而是把需求坐标化。拿EGFR来说，我会先准备好几样东西：
一是靶标结构。人类EGFR胞外域有高分辨率晶体结构，PDB里很常见；小鼠EGFR如果没有晶体结构，就用AlphaFold2建模。关键是要保证建模的序列和后续实验用的蛋白序列一致，别出现结构里用的是异构体A、实验买的是异构体B这种低级错误。
二是表位patch。如果目标是结合域III阻断配体结合，就把配体结合界面附近残基集合定义出来；如果目标是打域II的二聚化界面，就把暴露的疏水patch和相关带电残基标出来。与此同时，要把跨物种保守性过滤加进来，把表位patch和保守patch做交集，得到最终允许AI使用的工作区域。
三是框架约束。做一个VHH从头设计项目时，先想清楚CDR3的长度范围和框架骨架来源。我推荐的做法是固定一个表达量好、稳定性高的框架序列作为母本，只对CDR序列做生成和改造。这么做的代价是序列新颖度降低，但换来的是后期可开发性风险大幅下降。
把这三个东西打包好，AI模型的输入就不只是一个结构文件了，而是一份带约束的任务书。这一步地里活干得越仔细，后期少返工的程度就越显著。
4.2 生成端：更建议固定框架+局部生成，而不是完全从头设计
当前比较成熟的VHH计算设计流水线，通常是这类组合：RFdiffusion负责生成CDR环的骨架坐标，ProteinMPNN在给定骨架上回填氨基酸序列；或者直接用IgLM/AntiBERTa这类抗体语言模型，在框架序列约束下生成CDR3序列；之后再用AlphaFold2做回折叠验证，检查生成的VHH结构和靶标能否形成合理复合物。
我的个人经验是：完全从头设计一个VHH的成功率虽然已经有明显提升，但放在实际项目里依然偏低，尤其当一个分子要同时满足跨物种、pH依赖、可开发性等多个条件时，所有约束叠加起来会让生成空间变得很窄。固定框架、局部生成CDR的方式，成功概率明显更高。
可以这样理解：你把VHH比作一台车的底盘和车身，CDR是发动机和悬挂。固定好车架来调发动机，比从零开始设计一整台车要靠谱得多。AI的价值在于帮你快速产出大量候选发动机方案，而不是每次都要重新发明整台车。
4.3 评估端：现有打分函数能打什么、不能打什么
AI生成完序列之后，评估是个容易被低估的环节。结构类指标主要看pLDDT和PAE来判断模型对自己预测的结构有多自信，再看界面埋藏面积、静电互补性、Rosetta能量分数这些。序列类指标要检查等电点、疏水残基比例、脱酰胺和氧化风险位点、糖基化基序、N端测序问题等。
但我要说句大实话：目前没有任何一个计算分数可以直接等同于实验KD。AI打分和实验亲和力之间的相关性，远远没有到可以依赖的程度。我通常把计算评估当成漏斗第一层，它的任务是“删掉那些结构不合理、可开发性差、或与已知约束冲突的分子”，而不是“选出最佳分子”。最终谁胜出，还是要靠湿实验数据说话。
有时候我会刻意关注那些AI分数稍低、但接触残基保守度极高、且CDR长度适合pH改造的中等候选——因为这类分子反而是后期优化潜力最大的。毕竟AI打分高的分子如果碰触了物种差异残基，再漂亮的分数也毫无意义。
4.4 数据回馈：让每一轮失败的分子变成下一轮的约束
我现在越来越觉得，AI辅助抗体项目的真正分水岭在于有没有把湿实验数据回馈给生成模型。很多团队把AI当成一把性价比较高的“序列生成器”，跑完拿到一批序列就丢给实验，实验筛完选出一两个阳性，项目就算往前推了。但如果深入一步——把阳性克隆和阴性克隆分别做结构建模，对比它们结合界面残基的差异、CDR长度分布、特定氨基酸出现频率，往往能发现非常宝贵的特征模式。
这些模式可以作为下一轮生成的先验分布。比如这一轮所有阳性分子都在CDR3第7位出现了一个酪氨酸，而它恰好伸进EGFR的一个保守口袋里，那下一轮生成时就可以在这个位置做偏好性采样。再比如所有失败分子都在某个CDR环上预测出了疏水裸露表面，那下一轮就可以直接把这个特征写成约束排除掉。
这其实把AI从一个“一次性的讲故事工具”变成了“不断迭代的工程引擎”。我现在最喜欢的项目状态，就是算一算、筛一筛、建模回看、再算一算这个循环能飞快转起来。
5. 实事求是地说，离题述目标还差多远
5.1 生成端缺口：从“能结合”到“带条件地结合”
回到最初的问题——AI距离设计出“人鼠通用、酸性开启”的EGFR VHH还有多远。如果只看“能结合”这件事，我认为AI已经跨过了及格线；但题目要求的不是单纯结合，而是带条件地结合，这就暴露出生成端的明显缺口。
当前生成模型的训练目标本质上还是几何和序列的统计合理性。它擅长在给定靶标表面上找到形状互补的分子，但不擅长优化那些“只有在特定pH下才生效”的精细相互作用。一个pH开关往往只靠一两个残基的质子化效应来实现，能量差可能只有几个kcal，这种精度的生物物理平衡要想让生成模型直接算出来，目前的算法精度还做不到。
更麻烦的是多目标优化。人鼠通用和酸性开启同时要求你在保守表位上布置热点接触，又要在特定位置植入pH敏感残基。生成模型的输出空间里，同时满足这两个正交条件的分子密度极低。你可以增加采样数量来硬碰运气，但成本和时间都不划算。
5.2 评估端缺口：缺少pH依赖和跨物种反应的显式评价
评估端的缺口比生成端更致命。即使未来某天模型生成了几条看上去不错的候选序列，我们也没有一个现成的AI评估指标能直接回答“它在pH6.0下的亲和力是否比pH7.4高”“它是不是只结合人EGFR不结合小鼠EGFR”这类问题。现有打分都是在单一pH、单一物种结构上做的静态评估。
要让AI真正支撑这类项目，评估端需要补充两样东西：一是pH依赖的亲和力预测模块，至少要能估算关键组氨酸在不同pH下质子化后对结合能量的贡献；二是跨物种交叉反应的快速评分，把候选分子分别对人和小鼠EGFR做结构耦合打分，取差值作为筛选维度。这些功能目前都处于比较原始的阶段，更多靠人工在计算流程里拿结构比对结果来判断。
5.3 筛选端缺口：条件筛选的通量与成本
即使AI和评估端把候选收窄到几十条，湿实验这一关仍然是硬消耗。常规亲和力筛选，一条分子测一个KD就行；pH条件筛选，同一分子要在两个pH环境下分别测结合，数据量和实验时间直接翻倍。如果还要做跨物种结合验证，人和小鼠EGFR各测一遍，工作量又翻一翻。
更麻烦的是EGFR蛋白在低pH下的稳定性。筛pH开关型抗体，前提是你用的EGFR抗原在pH6.0里还能保持正确构象，不出现大范围的聚集或部分去折叠。如果你的实验系统连这个前提都不满足，那筛出来的任何pH信号都可能是个假象。这也是为什么我强调，做酸性开关筛选之前，先把靶标蛋白的pH稳定性验证放在前置实验列表里。
5.4 更现实的推进路线：把“双约束”拆成“两步走”
讲了这么多难点，不等于这条路走不通。我自己的判断是：现阶段不要指望AI一步到位生成成品，而是把“人鼠通用+酸性开启”拆成两个串行问题来处理。
第一步，先做“人鼠通用”。这个目标相对容易达成，因为它本质上是一个表位选择问题：固定跨物种保守patch，AI生成围绕保守表位的候选，湿实验同时测人和小鼠两个物种的结合。这一步在我的项目中已经接近流程化。
第二步，在拿到的人鼠通用VHH骨架上做pH开关改造。改造可以走理性设计路线——识别EGFR表位表面的负电荷口袋，把对应位置的CDR残基突变成组氨酸；也可以走随机饱和突变加pH轮换淘选的路线。无论哪条，都需要大量的并行实验来筛选最优开关位置。
如果真的嫌pH开关太费劲，还有一个务实办法：如果这个EGFR VHH的最终用途是做成ADC或者肿瘤靶向递送，那不妨绕开抗体工程，直接使用酸可裂解linker让毒素在到达内体后才释放。这种方案在技术上更成熟，商业化链路也更清晰。能用化学解决的需求，就不要硬塞给蛋白工程。
6. 一点个人看法
聊了这么多，我的整体感觉是：AI在抗体设计里的角色已经从“讲故事”变成“干体力活”，它能以极低边际成本生成海量结构合理的VHH候选，这是三年前根本不敢想的事。但“人鼠通用、酸性开启”这种带条件的分子，本质上是对抗体生物物理性质的多维精调——这活儿目前还远远不是换个模型、加几行提示词就能解决的。
我在实际项目里最受益的一个习惯是：永远把需求拆成“约束”，再把约束分配给最适合的环节。人鼠通用交给表位筛选和跨物种结构比对，酸性开启交给组氨酸工程和pH条件筛选，AI负责生成空间里快速采样，实验负责收口。你把整个问题流程化之后会发现，AI离落地其实没那么远，它真正缺的不是底层能力，而是周边这套把复杂需求翻译成分子约束的配套工程。
如果你也在做类似的项目，我的建议很朴素：别浪费时间去等一个“通吃所有条件”的设计模型，把这个过程想成一个迭代闭环，今天先把人鼠通用跑通，再把pH开关叠加进去。每走完一步，你都会比上一轮更接近那个理想的分子。