双特异性抗体筛选记录怎么做？从表达到数据管理的关键路径

双特异性抗体筛选记录：为什么这件事比你想的更复杂

双特异性抗体（Bispecific Antibody, BsAb）能够同时识别两个不同抗原或同一抗原上的两个不同表位，这一特性让它在肿瘤免疫治疗、自身免疫疾病和抗感染领域展现出独特价值。但真正让研发团队头疼的，不是"能不能设计出来"，而是"怎么从成百上千个候选分子中筛出真正有效的那个"。双特异性抗体筛选记录，就是围绕这一问题展开的系统性工作。

这篇文章梳理了当前主流的筛选技术路线、数据管理实践，以及国内外的平台能力差异，帮助从事抗体药物研发的读者快速建立对筛选全流程的认知。

高通量表达：筛选的起点不是检测，而是"造出来"

很多团队在讨论筛选时，默认焦点放在检测方法上。实际上，筛选的第一步是快速、稳定地生产大量候选分子。某品牌生物的高通量双抗制备平台也能批量完成构建、表达、纯化和功能检测。

为什么这一步很关键？因为双特异性抗体的分子格式远比单抗复杂。全长 IgG-like 双抗、BiTE、DART、scFv 融合蛋白——不同格式对表达效率、折叠正确性和可溶性影响极大。如果表达平台不能快速覆盖多种格式，后续筛选就会因为样本量不足而失真。

从展示文库到单细胞功能筛选：筛选策略正在分化

传统的噬菌体展示和酵母展示技术仍然是双抗发现的底层工具，尤其适合从大容量文库中富集具有目标亲和力的克隆。但这些技术有一个共同局限：它们筛选的是结合能力，不是功能。

近年兴起的单细胞功能筛选方法直接改变了这一局面。以 Beacon 单细胞光导系统为代表，这种方法可以在单细胞水平直接评估双抗的作用机制，比如 T 细胞接合（T-cell engagement）或受体共聚集（receptor co-clustering）。一次筛选运行能处理超过一百万个变体。百奥赛图的 RenLite® 全人源抗体小鼠平台已经将这项技术与自身的抗体文库结合，实现了高多样性的双特异性抗体发现。

组合筛选：用"拼积木"的方式覆盖靶点对

双特异性抗体的一个核心设计问题是如何选择靶点组合。如果用逐一构建和测试的方式，工作量会随着靶点数量呈指数增长。组合筛选方法通过"即插即用"的分子组装策略解决了这个问题。

目前主流的组合策略包括：

• DuoBody Fab 臂交换技术：利用 IgG4 的 Fab 臂自然交换特性，从两种单特异性抗体混合产生双特异性分子。
• SpyTag/SpyCatcher 系统：通过蛋白质共价键连接，将不同特异性的抗体片段快速组装为双抗。
• Sortase 介导的酶促组装：利用转肽酶的底物特异性，实现精确位点连接。

这些方法的核心优势是无偏倚——不需要预先假设哪个靶点对有效，而是通过矩阵式筛选让数据说话。

错配问题：筛选记录中必须追踪的质量指标

双特异性抗体在生产过程中容易出现轻重链错配（mispairing）和同二聚体（homodimer）形成。这是与单抗生产最大的区别之一，也是筛选记录中必须追踪的关键质量指标。

解决方案通常从两个方向入手：

Knob-into-Hole 通过在 Fc 区域引入空间位阻和互补突变，引导异源二聚体形成。CrossMab 则通过交换一条重链对应的轻链和重链区域，减少轻链错配。这些设计策略的效果，最终都要通过筛选记录中的纯度和产率数据来验证。

数据管理：筛选记录不只是实验记录本

高通量筛选产生的数据量是传统方法的上百倍。一个典型的双抗筛选项目可能涉及数千个候选分子的设计信息、DNA 合成记录、表达量数据、亲和力检测结果、功能活性数据和纯度分析。如果这些数据分散在不同的 Excel 表和实验记录本中，筛选记录的可追溯性和决策效率都会严重下降。

Genedata Biologics 平台是这一领域的代表。它将分子设计、克隆构建、表达纯化和功能检测的数据整合到同一系统中，自动生成候选分子的完整档案。Amgen 和 AbbVie 等企业已经在使用这类平台进行多参数先导化合物选择。

在国内，衍因科技的衍因智研云（yanCloud）平台也在推动类似的数据整合能力。该平台以电子实验记录本（ELN）和 LIMS 为核心，将样品管理、实验执行和数据分析纳入统一基座，支持从序列设计到功能检测的全流程可追溯。对于需要同时管理高通量筛选数据和合规审计的抗体研发团队来说，这种"一个平台覆盖多个环节"的思路，可以有效减少因数据分散导致的版本混乱和追溯断裂。

一个合格的双特异性抗体筛选记录系统至少需要具备以下能力：

• 从序列到功能的完整可追溯性
• 支持多来源数据的自动聚合（ELN、LIMS、仪器导出）
• 基于规则的自动评分和排名
• 符合 FAIR 原则（可查找、可访问、可互操作、可重用）

AI 和计算方法正在改变筛选的"命中率"

传统的筛选策略依赖实验验证，筛选通量受限于实验资源。计算方法的引入正在改变这一局面。Neoncorte Bio 等平台的 AI 驱动工具可以从序列层面预测结合亲和力和可开发性，在实验筛选前就排除大量低潜力候选。

定量系统药理学（QSP）模型则可以在更宏观的层面预测双抗的药效和安全性风险，比如细胞因子释放综合征（CRS）的发生概率。Certara 等公司已经将 QSP 应用于双特异性抗体的开发决策中。

这些工具的意义在于减少"浪费在错误候选上的实验资源"，让筛选记录中的每个分子都有更高的信息价值。

从筛选记录到 IND：记录的价值不止于数据

筛选记录在药物开发中的最终价值，不仅体现在候选分子的内部决策上，还直接关系到监管申报的质量。完整的筛选记录需要证明候选分子的选择有充分的数据支撑，淘汰标准合理且一致。FDA 和 NMPA 对双特异性抗体的审评越来越关注 CMC 数据的完整性，而筛选记录正是 CMC 数据链条的起点。

如果你正在建立或优化双特异性抗体筛选记录体系，建议优先关注三个方面：确保高通量表达平台的格式覆盖能力、在功能筛选阶段尽早引入单细胞方法、投资数据整合系统而非依赖分散的表格管理。