《Current Opinion in Structural Biology》：Moving the antibody: Molecular dynamics for molecular mechanisms and developability
编辑推荐：
这篇综述系统阐述了分子动力学（MD）模拟如何成为揭示单克隆抗体（mAb）动态结构与功能的关键工具。文章超越传统的抗原结合研究，详述了MD在抗体工程（如人源化设计）、可开发性（如稳定性、粘度、聚集）以及应对病毒逃逸等复杂挑战中的应用，并展望了增强采样、粗粒化（CG）模型与机器学习结合的未来方向。
单克隆抗体（mAbs）是免疫系统中功能强大的生物分子，在生化、诊断和治疗领域有着广泛应用。它们的多功能性源于其Y形结构，由两条重链（H）和两条轻链（L）组成。每条链包含可变区（V）和恒定区（C），其中重链和轻链的可变区配对形成抗原结合片段（Fab）的可变区（Fv），这是抗原识别的核心。Fv内的高度可变序列区域称为互补决定区（CDRs），尤其是重链的第三个环（CDR-H3），在抗原识别中起主导作用。而序列保守的区域称为框架区（FW），主要负责维持结构完整性。
抗体是溶液中的动态分子，其结构并非静止，而是在不同构象间波动，形成一个“结构集合”。这种灵活性是诱导契合、构象选择和交叉反应性的基础，并最终决定了抗体的结合亲和力与特异性。理解并预测抗体在不同溶液条件下的运动，对于设计出可用于工业化生产和治疗的抗体至关重要。
预测单克隆抗体的动态特性
虽然通过晶体学或AlphaFold3、ABodyBuilder3等工具可以获得或预测抗体的静态结构，但这些方法通常只提供溶液可能构象集合中的一个“快照”，且可能未充分考虑生理实验条件，因此结果有时具有误导性。分子动力学（MD）模拟通过将生物分子视为遵循牛顿定律的经典体系，已成为估算生物分子构象景观的主要手段。然而，传统MD面临计算成本高、采样时间尺度有限以及力场精度等挑战。为此，领域内发展出了从全原子（AA）到粗粒化（CG）的不同分辨率模型，以及增强采样技术，以加速稀有事件的探索。同时，越来越多的研究将实验生物物理数据与MD生成的集合相结合，通过重加权或偏向方案来优化模拟构象集合，使其与实验观测一致。尽管机器学习MD模型或旨在近似蛋白质构象平衡分布采样的深度学习框架正在发展，但目前对于与训练数据差异较大的蛋白质系统，其准确性仍不及AA-MD。
过去二十年间，MD被广泛用于研究孤立抗体及其与抗原的相互作用。对孤立抗体的模拟最常使用AMBER ff14SB、CHARMM36等现代AA蛋白质力场，而在涉及大量抗体或高浓度条件的研究中，则多依赖CG表示法。MD模拟帮助我们深入了解了抗体-抗原复合物在不同生理条件（如温度或pH变化）下的行为、哪些互补位-表位残基驱动结合，以及CDR突变如何影响抗原识别。传统研究主要聚焦于Fv区域，但MD也越来越多地用于表征抗体的整体集合特性，如粘度、在不同盐浓度下的行为、以及其展开、聚集或自关联倾向，这些都对可开发性有重要影响。
孤立抗体的MD：结构、功能与设计策略
MD非常适合研究诸如结合动力学、相互作用网络稳定性和整体结合亲和力等需要捕获复杂动力学的特性。该领域已从预测结合亲和力或研究孤立Fv的生物化学，发展到表征更复杂的场景。例如，近期一项研究使用MD揭示了完整免疫球蛋白G（IgGs）中单价抗原亲和力如何通过二价结合被放大。另一项工作将MD与冷冻电镜（cryo-EM）和氢氘交换质谱（HDX-MS）结合，表征了低亲和力结合剂，发现弱结合剂表现出更大的灵活性。
MD是单克隆抗体工程的核心，其目标不仅限于抗原结合，还包括其他关键特性。研究表明，抗体人源化可以不依赖传统的CDR移植，而是通过工程化的框架区突变来恢复亲和力、改善生物物理稳定性并降低免疫原性。MD还为设计用于半抗原识别的IgGs以及开发针对SARS-CoV-2（包括Omicron及更早变体）保持效力的抗体提供了详细的机制见解。此外，MD帮助指导了靶向GPCR的单域抗体（VHHs）的工程化，揭示了VHHs如何将受体锁定在拮抗剂样状态以阻断信号传导所需的构象转变。
除了结合亲和力和抗体设计，MD还被应用于其他生物学相关案例。模拟阐明了细菌通过Fc修饰酶进行免疫逃避的机制，助力了用于临床和生物技术应用的糖基选择性变体的工程化。MD衍生的自由能景观也被用来对比种系抗体和亲和力成熟抗体，强调了支撑改进中和作用的关键动态特征。最后，MD揭示了抗体交叉反应性的动态基础，例如展示了广泛中和抗体如何与保守的流感血凝素锚定表位结合。
MD用于改善单克隆抗体的递送
在发挥功能之前，单克隆抗体必须经历从生产到给药的漫长过程。体外（Ex vivo），它们必须满足纯度、稳定性和粘度标准；体内（In vivo），则需要具备特异性、最小的脱靶结合以及低诱导抗药抗体的风险。这些方面统称为“可开发性”，MD近期工作重点在于理解抗体在此背景下的行为。
可开发性受多种因素影响，例如CDR中的翻译后修饰或表面疏水性的变化，二者都可能影响效力或溶解度。研究发现，组氨酸缓冲液能屏蔽溶剂暴露的疏水区域，这解释了其稳定作用。通过CG蒙特卡洛模拟和实验散射方法研究自相互作用导致聚集的机制，突出了离子结合和带电表面斑块在驱动抗体-抗体接触中的作用。粘度是另一个关键参数，尤其在生物制药配方所需的高浓度下。通过将MD与Green-Kubo形式主义结合，可以探测稠密溶液中的mAb-mAb相互作用。MD也被应用于研究抗体的纯化和稳定性，模拟抗体在水性两相系统中的行为，阐明了支配提取效率的分配和相分离过程。此外，通过MD生成和松弛构象异构体，评估了工程化双特异性IgG1-VHH构建体的溶液行为，提供了对胶体稳定性、疏水性和pH敏感性的见解。在设计与免疫原性的交界处，研究表明半抗原的刚性会影响其引发免疫反应的能力，MD揭示刚性半抗原在结合过程中采用更少的构象，从而产生更高亲和力的复合物。
未来方向
现有例子表明，在当前计算能力下对Fv区域运行MD可以轻松获得关于亲和力或稳定性等分子特性的有用见解。然而，模拟完整的mAb集合或真实的溶液配方更具挑战性，这引发了是否仅模拟Fv区域就能完全表征抗体动态的疑问。与可开发性相关的特性取决于完整的mAb结构，近期研究已开始探索这一点，例如关于粘度的研究。
为应对这些挑战，增强采样方法正被用于克服AA模拟中的时间尺度限制。不同的增强采样实现，如伞形采样、元动力学和副本交换MD，已应用于多项mAb研究。同时，新力场的开发，特别是使用CG表示法的力场，为加速这一进程提供了前景。尽管分辨率低于AA模拟，但CG方法非常适合需要大量mAb副本的假设驱动任务，例如预测聚集或自相互作用，以及在设计流程中评估可开发性标准。全原子模拟仍可用于细化和背景化CG的见解，在最重要的地方确保准确性。将CG模型与实验数据整合可以进一步提高准确性，尽管抗体研究在这方面落后于其他领域。
展望未来，机器学习与MD的结合是研究mAb动力学的另一条明显路径。尽管已有相关努力，但当前模型在准确捕捉抗体动态和描述溶液中的集合方面能力有限。MD可能为开发这些新预测器提供有价值的训练数据，同时承认其固有的偏差。CG模拟为深度学习生成大规模数据集提供了一种实用方法，而AA方法对于精炼仍然至关重要。随着更广泛的数据集、系统性的验证以及与实验更紧密的比较，这些方法可以扩展到粘度、自关联和聚集等特性。然而，进展很大程度上依赖于社区在可重复性、数据共享和遵守FAIR原则方面的努力，以确保模拟成为共享资源而非孤立的输出。
这些进展表明，MD必须超越模拟孤立系统，发展成为一个整合的、数据驱动的框架，以弥合原子细节与宏观行为之间的差距，从而指导抗体的设计与开发。
