日前，中山大学发布公示，拟与广东美格基因科技有限公司达成三项发明专利的转让交易，此次交易涵盖“一种通过序列预测抗体上结合位点的深度学习方法”“一种结合多任务学习和自注意力机制的蛋白质功能预测方法”和“基于深层图卷积网络的蛋白质-蛋白质相互作用位点预测方法”核心专利，拟转让金额为8万元。
此专利聚焦AI驱动的蛋白质功能与关键位点预测技术，其主要发明人为中山大学计算机学院教授、国家超算广州中心总工程师杨跃东等人。杨跃东教授的研究内容包括多尺度组学大数据挖掘，全流程药物智能设计和生物医药高性能计算平台的构建等。
在肿瘤、自身免疫性疾病及感染性疾病等领域，抗体药物已成为精准治疗的核心手段。以肿瘤免疫治疗为例，靶向PD-1/PD-L1的单克隆抗体通过阻断免疫抑制信号，重新激活T细胞杀伤肿瘤细胞，显著改善了黑色素瘤、非小细胞肺癌等患者的生存预后；在类风湿关节炎等自身免疫病中，抗TNF-α抗体也已成为一线治疗方案。
然而，现有抗体药物研发仍高度依赖实验驱动的传统模式，从靶点发现、抗体筛选到亲和力优化的全流程周期长、成本高，且候选分子最终获批上市的比例较低，效率与成本的矛盾日益突出。
现有临床方案的缺陷主要体现在三个层面：
一是靶点发现效率低下，传统蛋白功能注释依赖湿实验验证，对蛋白质-蛋白质相互作用位点的解析需借助冷冻电镜、X射线晶体学等复杂技术，不仅操作难度大，且受限于样本质量与设备条件，大量潜在药物靶点无法被快速鉴定；
二是抗体研发周期冗长，抗体的抗原结合位点（CDR区）突变筛选需依赖噬菌体展示、酵母展示等高通量实验，难以精准预测突变对亲和力的影响，往往需要多轮迭代优化，延误药物上市时间；
三是突发公共卫生事件应对不足，在新发传染病爆发时，快速开发中和抗体的关键在于解析病毒蛋白与宿主受体的相互作用界面，但传统实验技术的时效性无法支撑应急响应需求，临床救治与药物研发存在明显滞后。
临床端对缩短研发周期、降低失败风险的迫切需求，正推动研发模式从“实验驱动”向“计算驱动”转型，这也成为该专利包技术诞生的核心背景。
本专利包的三项核心技术，在AI辅助药物研发领域实现了多维度突破。
在算法架构上，其抗体结合位点预测技术首次将Transformer双向编码与BiLSTM网络结合，仅通过抗体氨基酸序列即可精准定位抗原结合关键残基，无需依赖三维结构信息，解决了传统方法依赖晶体结构的局限性；多任务学习框架通过自注意力机制实现单条蛋白序列的多属性功能同步预测，大幅提升蛋白质功能注释效率，避免传统单任务模型的重复训练成本；基于深层图卷积网络的建模技术，可构建蛋白质三维结构的图模型，精准捕捉蛋白-蛋白相互作用界面的空间特征，预测准确率优于传统机器学习方法。
在研发效率层面，该技术从抗体序列输入到结合位点输出耗时大幅缩短，较传统实验方法效率显著提升，同时减少对冷冻电镜、高通量筛选等昂贵实验的依赖，有效降低单项目研发成本。
此外，技术具备跨场景适配能力，不仅适用于抗体药物研发，还可拓展至疫苗靶点设计、蛋白复合物结构解析、病毒-宿主互作机制研究等场景；且支持云端计算与本地部署的轻量化模式，能与现有研发流程无缝衔接，降低中小药企与科研机构的应用门槛。
该AI辅助药物研发专利包的价值，深度契合全球生物医药产业“降本增效、源头创新”的核心诉求，兼具广阔的市场空间与多元的商业化潜力。
从市场前景来看，全球AI药物研发行业正处于快速发展阶段，抗体药物研发作为其中的核心赛道，需求持续攀升，为该技术提供了充足的应用场景。商业价值层面，技术的盈利模式清晰多元：可面向药企、CRO机构提供靶点预测、抗体筛选等技术服务，按项目收费或收取成果分成；可与药企共建联合研发平台，针对ADC、双特异性抗体等热门赛道开发候选药物，通过license-out模式实现技术变现；还能拓展科研服务市场，为高校、科研院所提供蛋白质功能研究工具，覆盖基础研究与临床前研发全链条。
长期来看，该技术的落地将推动国内AI药物研发从“跟随创新”向“源头创新”转型，助力本土药企在新兴靶点竞争中抢占先机，同时响应国家“产学研用”一体化政策导向，为传染病应急药物研发、罕见病治疗方案探索提供高效工具，其技术迭代与数据积累将形成持续的行业壁垒，在全球AI制药竞争格局中占据重要地位。
渝公网安备 50011202502165号
