AI 系统 ImmuneAgent 从人体 B 细胞库筛出广谱中和抗体 小鼠流感 100% 保护

10 月 2 日，一篇提交至 arXiv 的论文公布了一套名为 ImmuneAgent 的闭环 AI 系统，把多模态推理、持续元学习与湿实验反馈拧成一条可迭代的抗体发现流水线。研究团队来自多个机构，论文标题直指一个长期难题：如何从人体天然免疫库中找出极其稀有的广谱中和抗体，并搞清楚它们到底来自哪类细胞。

传统计算工具面对新发病毒往往泛化乏力，而 ImmuneAgent 的打法是在计算筛选与实验室验证之间反复闭环。系统被应用于筛查疫苗接种者或感染者体内的天然 B 细胞受体库，在 110 个克隆候选中找出了 60 个真正具备中和能力的抗体，中和发现率约 55%；其中 12 个属于广谱中和抗体，bnAb 得率约 11%，明显优于同预算下基于序列的中和预测器或共折叠模型。

更受关注的是体内保护数据：ImmuneAgent 发现的 5 个抗体，在致死性流感攻毒的小鼠模型中实现了 100% 的体内保护，效果可与临床阶段疗法 MEDI8852 媲美。系统还回溯出 bnAb 活性的细胞与结构决定因素，指出 FCRL5+CD27+ 非典型记忆 B 细胞是一个保守的 bnAb 储备库，并发现疏水界面富集这一跨病毒的结构特征。

这一结构特征的普适性在后续验证中得到了延伸：在没有抗原特异性分选的前提下，系统把该模式推广到未见过的抗原，发现了可交叉中和人类偏肺病毒的抗体，以及可中和人乳头瘤病毒的抗体。论文认为，这证明 ImmuneAgent 是一套可推广的框架，能为新发病毒威胁提供快速的候选治疗性抗体发现路径。

从更宽的视角看，这项研究是 AI for Science 在生物医药领域落地的又一例：AI 不再只是做序列预测，而是与湿实验形成反馈闭环，把发现周期和成本压下来。不过研究团队也明确指出，结果仍建立在特定队列与实验条件之上，广谱中和抗体的最终成药还要经过更为严苛的临床验证。把算出来的候选送进真正的实验室，恰恰是这类系统价值与风险并存的地方。