近期，《Nature Biotechnology》(2026年8月)发表了一篇文献《A blinded, prospective benchmark of in silico antibody discovery anchored to experimental affinity and developability》，这引发了我们作为人源化抗体动物平台研发与应用单位的深度思考：在AI浪潮下，现有成熟的治疗性抗体序列源头研发路径是否会被AI彻底替代?为此，我们借助多个主流AI大模型对该文献及现有相关资料进行了深度解析。结论非常明确：不能，核心原因如下：

　　1. AI 高度依赖高质量的“实验”数据：AI 模型在挑战赛中脱颖而出的先决条件，是获得了丰富的深度测序数据集和实验测量的亲和力数据，而这些数据是在实验和临床发现流程才能获得。论文明确指出，现有的数据不够，还需要通过传统的体外展示或体内方法(特别是人源化抗体动物平台) 发现并生成。

　　2. AI 目前擅长“局部优化”，而非“从头发现”：文献表明，AI 确实可以在“明确的、具有生物学基础的框架内”成功优化抗体。然而，这种成功本质上是基于已知的抗体实验测序数据集，对现有序列进行微调或组合。AI 目前扮演的是“优化器”的角色，尚不具备完全脱离实验数据、从零开始“无中生有”进行全新抗体从头发现的能力。

　　3. 在数据稀疏或全新序列空间中表现不佳：当面对缺乏先验数据的新颖场景时，AI 的泛化能力暴露出明显短板：亲和力预测受限：在识别聚类数据集中的高亲和力结合物时，除极少数模型外，大多数 AI 预测策略的命中率甚至“比随机挑选还要差”。库外设计极不稳定：在要求设计超出已知文库范围的全新 CDR 序列时，AI 生成的序列非结合物比例高，且可开发性难以保证，结果高度不稳定。

　　未来与展望——AI + 抗体库(人源化抗体动物平台)：综上所述，当前的 AI 抗体研发工具仍存在显著局限，必须持续从人源化抗体动物平台等“实验和临床”源头吸收海量、高质量的数据来迭代进化。值得注意的是，为了进一步突破 AI 的预测瓶颈，AIntibody 挑战赛的下一阶段(2026年)将明确允许参赛者结合“任何发现方法，包括体内、体外或计算机模拟”来生成抗体。这一举措释放了一个强烈信号：科学界依然将体内(动物)免疫视为获取真实生物学多样性的必要来源和关键的平行基准，它绝不是被 AI 淘汰的过时技术。

　　例如：金迈博生物科技公司的CAMouse®小鼠平台，可提供了真实体内自然免疫系统，能高效获得大量高质量的全人抗体候选序列，这背后隐含了抗体亲和力成熟、细胞高表达，抗体聚集少和免疫原性低等生物学过程，这些是纯计算模型目前较难完全复现的生物体内的生物学和免疫性过程。

　　Main Reference：https://www.nature.com/articles/s41587-026-03238-6#Sec2