AAMFM：首个抗原特异性抗体多模态基础模型，用 AlphaFold3 先验做偏好优化，功能抗体设计达 SOTA
抗体药物是当今生物医药增长最快的品类之一，但"怎么设计出针对特定抗原的高亲和力抗体"一直是计算方法的老大难。现有蛋白质语言模型虽然能生成抗体序列，却很少考虑抗原是谁、表位在哪——相当于蒙着眼睛设计钥匙。上海交通大学 Zheng 课题组最新发布的 AAMFM（Antigen-specific Antibody Multimodal Foundation Model）首次在基础模型层面把抗原上下文显式融入抗体设计流程，在功能抗体设计基准上达到当前最优，代码已开源。
这是什么？
AAMFM 是一个抗原特异性抗体多模态基础模型。与传统蛋白语言模型只建模抗体单链不同，AAMFM 把抗原信息（包括几何界面和表位标注）作为条件输入，通过跨模态适配器（cross-modal adapter）将抗体序列、结构与抗原信息映射到共享潜空间，实现抗体-抗原交互的联合建模。
简单说：以前模型只看"钥匙长什么样"，AAMFM 同时看"锁孔长什么样"。
为什么重要？
抗体的核心价值在于它能否精准结合目标抗原的特定表位。现有蛋白语言模型（如 ESM、IgLM 等）主要做单链建模和生成，缺乏对抗原上下文的感知。这导致设计出的抗体序列可能在结构上合理，但结合力不足——就像造出了一把看起来像钥匙的东西，却开不了锁。
AAMFM 在基础模型层面解决了这个问题：抗原不是事后验证的"考官"，而是模型设计过程中的"设计输入"。
两个关键技术
跨模态适配器：将抗原的几何界面信息和表位标注注入抗体的表征中。模型不是先设计抗体再检查能不能结合，而是在设计时就"知道"抗原长什么样。
校准直接偏好优化（Cal-DPO）：利用 AlphaFold3 的结构预测作为"偏好信号"——如果 AF3 预测某条抗体序列与抗原的结合构象更优，模型就朝这个方向优化。这比传统的强化学习奖励信号更稳定，也比纯 SFT 更能捕捉"好"与"更好"的细微差别。
效果与开源
论文报告 AAMFM 在功能抗体设计基准上达到 SOTA（state-of-the-art），在 CDR 设计和结合力预测等关键任务上显著优于现有方法。
代码已开源：https://github.com/XL-S224/AAMFM
对谁有用？
- 抗体药物研发团队：可以用 AAMFM 生成针对特定靶点的候选抗体，减少实验筛选成本
- 计算生物学研究者：提供了一个将抗原条件化融入蛋白设计的框架思路
- 免疫治疗方向：为 CAR-T、双抗等需要精确抗体设计的场景提供新工具
局限性
- 目前为预印本，尚未经过同行评审
- Cal-DPO 依赖 AlphaFold3 的结构预测质量，AF3 的精度上限会影响偏好信号的有效性
- 高质量抗体-抗原复合物结构数据仍然稀缺，这是整个领域的共性瓶颈
---
来源：
- 论文：[Antigen-specific Antibody Multi-modal Foundation Model for Functional Antibody Design](https://arxiv.org/abs/2607.20057)（arXiv，2026年7月）
- 代码：[github.com/XL-S224/AAMFM](https://github.com/XL-S224/AAMFM)