从生成式 AI 众包功能性细胞治疗结合域：Bits to Binders 竞赛的评测与启示
Crowdsourcing functional cell therapy binders from generative artificial intelligence
Molecular Systems Biology 这篇评论以 CASP 为参照，评述 Bits to Binders 竞赛对 AI 设计蛋白作为 CAR-T 识别结构域的评测。
文章以 CASP 为参照，梳理 Bits to Binders 竞赛对 1.2 万个 AI 设计 CAR-T 结合域的评测结果与局限，为判断生成式蛋白设计的真实功能水平提供参照。
三十多年前，结构生物学家建立了蛋白质结构预测关键评估（CASP），以严格评估从氨基酸序列预测蛋白质结构的方法。参与者在相应的实验结构公开之前提交预测（Moult 等，1995）。这一框架建立了一个共同标准，用以衡量方法学进展。其价值在 2020 年的 CASP14 上尤为明显，当时 AlphaFold2 对许多靶标产生的预测接近实验精度（Jumper 等，2021；Pereira 等，2021）。CASP 独立、前瞻性的评估通过提供快速、独立的验证，使学界能够认识到这一进展的规模。下一代类似 CASP 的公开竞赛同样有望帮助识别新兴人工智能（AI）方法在从基因组学到蛋白质设计再到治疗发现等多个生物学领域的影响。其中一项工作——Bits to Binders 竞赛的实施与结果——发表于本期 Molecular Systems Biology，Kosonocky、Abel 及其同事在其中评估了 12,000 个设计蛋白作为嵌合抗原受体（CAR）T 细胞识别结构域的性能（Kosonocky 等，2026）。
引言
尽管抗体历来是治疗性蛋白结合剂的主要形式，但新兴的 AI 方法主要产生高度紧凑的蛋白，通常称为 minibinder，其具有许多理想特性，包括折叠良好的结构、小尺寸（通常为 65–80 个氨基酸）以及可编程的结合界面（Koh 等，2025）。Minibinder 由 α 螺旋和 β 折叠组成，其结构不同于 CAR T 细胞中常规用于抗原识别的抗体来源单链可变片段（scFv）（图 1A）。尽管 minibinder 的最终治疗效力尚未确定，但其多样化用途已在学术文献中得到展示，从生物传感器（Quijano-Rubio 等，2021）到病毒中和（Cao 等，2020）再到细胞疗法中的识别结构域（Xia 等，2024）。
(A) CD20 设计的原理，突出显示表达该抗原的恶性细胞群体，以及治疗性抗体（利妥昔单抗）的单链可变片段（scFv）和本研究中鉴定的一种从头设计的 minibinder。(B) 竞赛关键组成部分的示意图，包括单个结合剂的设计、测试和验证。
从头设计的蛋白质早期候选物主要依据生物物理参数进行评估，包括预测的稳定性、溶解度以及对所选靶标的亲和力（Chu 等，2024）。包括 Adaptyv Bio 支持的挑战赛在内的社区竞赛，已开始通过标准化的蛋白质表达和结合亲和力测量来比较设计工作流程。随着该领域朝着将结合体重新用作治疗性生物制剂的方向发展，这些标准变得必要但并不充分，因为每种治疗模式都带有额外的约束条件。将该框架扩展到治疗应用，需要建立能够确定分子识别是否能转化为预期生物反应的基准。Bits to Binders 建立了一项开放的社区工作，旨在评估 AI 设计的微型结合体在 CAR T 细胞中的功能潜力。CAR 重新利用抗原结合结构域，使 T 细胞聚焦于肿瘤细胞表面表达的特定靶抗原，包括 CD20——一种由正常 B 细胞和许多 B 细胞恶性肿瘤表达的表面蛋白（图 1A）。
二十八个团队提交了使用多种计算工作流程生成的设计。每个设计都被整合到共同的 CAR 支架中，以便在原代人 T 细胞中进行评估。有效的 CAR 功能需要受体表达、可及的抗原结合以及适当的信号传导。近期对从头设计 CAR 的表征发现，无靶标情况下的信号传导、不可及的结合表位以及脱靶激活是超越结合之外影响疗效的独立限制因素（Chow 等，2026）。这些发现强调了在预期细胞环境中评估所设计结合体的重要性。在此，作者利用每个结合体编码序列，在混合增殖筛选中追踪其对应的 CAR T 细胞（图 1B）。生长后，6811 个设计达到了测序回收阈值；707 个设计在含 CD20 阳性淋巴瘤细胞的培养物中相对于不含该细胞的培养物显示出显著富集。对十个领先设计的单独测试证实，与未修饰的 T 细胞相比，其中七个设计表现出增强的增殖、扩增和细胞因子产生。在涉及 CD20 阳性和 CD20 阴性细胞系的比较中，四个设计显示出显著的选择性杀伤。这些设计总体上表现不如抗体来源的 CAR 对照，表明需要进一步优化。只有三个设计在条件与细胞环境不同的生化测定中显示出经过验证的结合。尽管如此，对在每一步失败序列的回顾性分析提出了用于前瞻性测试的标准，包括筛查 DNA 中的高 GC 含量和重复序列，以及限制螺旋结构中赖氨酸和谷氨酸的过度富集。
尽管汇总并系统评估候选蛋白的整体工作流程体现了关键进展，但若干注意事项也提示了加强未来竞赛的机会。具体而言，混合筛选评估了CAR在有或无淋巴瘤细胞时的行为，但还需要额外对照，例如同基因敲除，才能将活性特异性地与CD20关联起来。仅测试单一受体支架和单一T细胞供者也限制了结合序列特征的泛化性。此外，设计序列的差异反映了不同的工作流程，包括序列选择和优化，这限制将性能归因于任何单一算法。未来竞赛若能扩大实验验证，并邀请提交带有针对特定流程组件设计注释的作品，或许能更好地分离出有效治疗设计的原理。
展望未来，维持公开竞赛将需要对实验测试、独立评估和数据资源的持久支持。CASP长期由公共资金支持，曾遭遇公共资金中断，但在2025年获得了一笔一次性私人捐赠以维持竞赛。随着包括Bits to Binders在内的、终点更多样的新兴竞赛扩大AI赋能社区基准测试的范围和前景，公开竞赛同样将需要对实现生物学突破所必需的基础设施进行持续投资。
参考文献
Cao L, Goreshnik I, Coventry B, Case JB, Miller L, Kozodoy L, Chen RE, Carter L, Walls AC, Park Y-J et al (2020) De novo design of picomolar SARS-CoV-2 miniprotein inhibitors. Science 370:426–431
Chow A, Chu H, Li R, Nalbant BN, Dozic AV, Kida LC, Tang Z, Palmeri JR, Lareau CA (2026) Sequence and structural determinants of efficacious de novo chimaeric antigen receptors. Nat Biomed Eng 1–16
Chu AE, Lu T, Huang P-S (2024) Sparks of function by de novo protein design. Nat Biotechnol 42:203–215
Jumper J, Evans R, Pritzel A, Green T, Figurnov M, Ronneberger O, Tunyasuvunakool K, Bates R, Žídek A, Potapenko A et al (2021) Highly accurate protein structure prediction with AlphaFold. Nature 596:583–589
Koh HY, Zheng Y, Yang M, Arora R, Webb GI, Pan S, Li L, Church GM (2025) AI-driven protein design. Nat Rev Bioeng 3:1034–1056
Kosonocky CW, Abel AM, Feller AL, Cifuentes Rieffer AE, Woolley PR, Lála J, Barth DR, Gardner T, Bits to Binders Competitors, Ekker SC et al (2026) Validation and analysis of 12,000 AI-driven CAR-T designs in the Bits to Binders competitions. Mol Syst Biol. https://doi.org/10.1038/s44320-026-00246-1
Moult J, Pedersen JT, Judson R, Fidelis K (1995) A large-scale experiment to assess protein structure prediction methods. Proteins 23:ii–v
Pereira J, Simpkin AJ, Hartmann MD, Rigden DJ, Keegan RM, Lupas AN (2021) High-accuracy protein structure prediction in CASP14. Proteins 89:1687–1699
Quijano-Rubio A, Yeh H-W, Park J, Lee H, Langan RA, Boyken SE, Lajoie MJ, Cao L, Chow CM, Miranda MC et al (2021) De novo design of modular and tunable protein biosensors. Nature 591:482–487
Xia Z, Jin Q, Long Z, He Y, Liu F, Sun C, Liao J, Wang C, Wang C, Zheng J et al (2024) Targeting overexpressed antigens in glioblastoma via CAR T cells with computationally designed high-affinity protein binders. Nat Biomed Eng 8:1634–1650
作者信息
作者与单位
计算与系统生物学项目，纪念斯隆-凯特琳癌症中心，纽约州纽约市，10065，美国
Abdul Vehab Dozic & Caleb A Lareau
作者
- Abdul Vehab Dozic
- Caleb A Lareau
通讯作者
通讯作者为 Caleb A Lareau。
伦理声明
CAL 是 Cartography Biosciences 和 Neosplice Therapeutics 的顾问。其余作者声明无利益冲突。
权利与许可
开放获取 本文依据 Creative Commons Attribution 4.0 International License 授权，允许以任何媒介或格式使用、共享、改编、分发和复制，前提是您须适当注明原作者和来源、提供指向 Creative Commons 许可的链接，并说明是否进行了修改。本文中的图片或其他第三方材料包含在本文的 Creative Commons 许可中，除非在材料的署名说明中另有说明。如果材料未包含在本文的 Creative Commons 许可中，且您的预期用途不在法定许可范围内或超出许可范围，您需要直接向版权持有人获取许可。要查看此许可的副本，请访问 http://creativecommons.org/licenses/by/4.0/。Creative Commons Public Domain Dedication waiver http://creativecommons.org/publicdomain/zero/1.0/ 适用于与本文相关的数据，除非在数据的署名说明中另有说明，但不适用于插图、图表或图中的图形或创意元素。该豁免消除了研究数据再利用和挖掘的法律障碍。根据标准学术惯例，建议在技术上可行时提供适当的引用和署名。
版权：作者
关于本文
引用本文
Dozic, A.V., Lareau, C.A. 利用生成式人工智能众包功能性细胞治疗结合物。 Mol Syst Biol (2026). https://doi.org/10.1038/s44320-026-00249-y
收稿日期：2026年9月15日
接受日期：2026年9月17日
发布日期：2026年10月8日
正式版本日期：2026年10月8日
DOI：https://doi.org/10.1038/s44320-026-00249-y
来源：Molecular Systems Biology · doi.org