Antiverse: Designing Antibodies For Challenging Targets

Antiverse 是什么：定位和人群

面向困难靶点的抗体设计服务

传统抗体发现依赖动物免疫或噬菌体展示，周期长且对膜蛋白成功率低。Antiverse 的切入点是计算设计。它用机器学习模型预测抗体序列与靶点结构的结合可能性，再通过特定于目标的库筛选候选分子。公开资料显示，该平台对 GPCR 和离子通道的序列恢复率优于通用模型，但具体数值未披露。

核心用户：生物医学研究人员与制药企业

主要用户分三类。第一类是制药企业的抗体发现团队，需要快速获得先导抗体。第二类是学术机构的生物医学研究人员，研究膜蛋白功能或开发工具抗体。第三类是诊断试剂开发人员，需要高特异性结合试剂。这些用户共同需求是：缩短实验周期，降低湿实验成本。但平台要求用户具备抗体工程和生物信息学背景，非技术用户难以直接使用。

Antiverse 主要特点：机器学习驱动的抗体发现

该平台的核心技术路线是机器学习加结构生物学。它不依赖传统免疫，而是从靶点结构出发，用算法生成候选抗体序列。官网宣称其模型能处理构象不稳定的膜蛋白，但未公开模型架构或训练数据规模。

针对复杂靶点的抗体设计能力

GPCR 和离子通道是药物靶点中的硬骨头。它们跨膜多次，胞外区小，传统抗体难以结合。Antiverse 声称其算法能预测跨膜蛋白的胞外表位，并设计出高亲和力抗体。2023 年 arXiv 上一篇论文讨论了 AI 驱动的 B 细胞免疫疗法设计，指出机器学习在预测抗体-抗原相互作用上取得进展，但未提及 Antiverse 的具体表现。

目标特异性库提升预测准确性

平台使用特定于目标的库来训练模型。这意味着针对每个靶点，它会构建一个定制化的序列库，而不是用一个通用模型打天下。理论上，这能提高候选抗体的结合概率。但训练数据来源和库的多样性未公开。缺乏独立评测，这一宣称只能视为公司内部结果。

个性化定制服务

Antiverse 提供定制化抗体设计解决方案。用户提交靶点信息后，平台根据靶点特性调整算法参数。这种服务模式类似合同研究组织（CRO），但交付物是计算设计的抗体序列，而非湿实验验证的抗体。定制化程度越高，用户需要提供的结构数据越详细。

Antiverse 怎么快速上手：从注册到获得设计结果

上手流程分三步：注册账号、提交靶点信息、等待算法设计与结果验证。整个过程通过网页版完成，没有公开 API 或桌面客户端。

注册与登录官网

访问 Antiverse 官网，点击注册按钮创建账号。需要提供邮箱和机构信息。注册后登录，进入项目面板。官网未说明是否提供免费试用或演示账号。定价信息也未公开，用户需联系销售获取报价。

提交靶点信息

用户需提供靶点的结构和序列数据。结构数据可以是实验解析的晶体结构或冷冻电镜结构，也可以是预测模型。序列数据包括靶点蛋白的氨基酸序列。平台还可能要求提供已知结合抗体作为参考。数据格式和具体要求需查阅帮助文档。

等待算法设计与结果验证

提交后，平台运行算法生成候选抗体序列。处理时间取决于靶点复杂度和计算资源。官网宣称整个发现过程可加速至 6 个月，但未说明其中计算设计占多少时间。用户获得设计结果后，需自行进行实验验证。平台不提供湿实验服务。

Antiverse 备选方案有哪些：同类竞品对比

AI 抗体设计领域还有 AntiFold 和 SimBinder 等工具。它们与 Antiverse 在专注领域、技术路线和用户群体上存在差异。

专注领域与用户群体差异

AntiFold 由牛津大学团队开发，基于 ESM-IF1 微调，专注于从抗体结构反推序列。SimBinder 来自 arXiv 2025 年论文，在逆折叠基础上加入亲和力优化目标。两者均开源，Antiverse 则闭源且商业化。

技术优势与预测准确性对比

Antiverse 宣称其目标特异性库能提升预测准确性，但无公开基准测试。AntiFold 在论文中报告了序列恢复率优于通用逆折叠模型，数据可复现。SimBinder 在亲和力优化上提出新方法，但尚未经过大规模实验验证。三者都缺乏独立的湿实验验证数据。

Antiverse 适合什么场景：典型应用与实际体验

该平台适合三个典型场景：药物开发中的抗体发现、生物医学研究中的困难靶点攻克、诊断试剂开发支持。

药物开发中的抗体发现

制药企业需要针对 GPCR 或离子通道的治疗性抗体。传统方法耗时 12-18 个月，Antiverse 宣称可缩短至 6 个月。但这一加速是否包含后续优化和验证，官网未明确。实际使用中，用户仍需自行完成亲和力成熟和体内实验。

生物医学研究中的困难靶点攻克

学术研究人员研究膜蛋白功能时，常缺乏高特异性工具抗体。Antiverse 能设计针对胞外表位的抗体，帮助研究人员进行免疫沉淀或流式细胞术。但设计出的抗体是否真的能结合天然构象的靶点，需要实验验证。

诊断试剂开发支持

诊断试剂需要高亲和力、高特异性的结合分子。Antiverse 的设计服务可提供候选抗体序列，用于开发 ELISA 或侧向层析试剂。但诊断试剂对稳定性和批间一致性要求高，计算设计的抗体能否满足这些要求，尚无公开数据。

Antiverse 优势和不足：用户价值验证

加速抗体发现周期

宣称将发现过程加速至 6 个月，这是该平台的核心卖点。传统抗体发现从免疫到先导抗体通常需要 12 个月以上。但 6 个月这个数字来自公司宣传，没有第三方案例研究佐证。实际周期可能因靶点难度和用户配合程度而异。

处理复杂靶点的专业性

缺乏独立验证的预测准确性

平台宣称预测准确性高，但未发表同行评审论文，也未参与公开基准测试。用户无法判断其模型在真实靶点上的表现。相比之下，AntiFold 和 SimBinder 都有 arXiv 论文，方法可复现。Antiverse 的闭源性让外部评估变得困难。

Antiverse 近期版本与功能变化：融资与扩张

2024 年 10 月，Antiverse 筹集了 350 万英镑种子轮融资。这笔资金用于提升平台预测准确性，重点是管理培训数据。同时计划在波士顿和布拉格开设新设施。

350 万英镑种子轮融资

融资用途明确：改进训练数据管理。机器学习模型的性能高度依赖数据质量。Antiverse 意识到这一点，将资金投向数据管道。但 350 万英镑在生物技术领域不算大额，能支撑多久的研发投入，尚无公开信息。

波士顿与布拉格新设施计划

波士顿是美国生物技术中心，布拉格有成本优势。两地设点显示扩张意图。新设施可能用于招募计算生物学家和抗体工程师。但设施建设需要时间，对平台功能的短期影响有限。

Antiverse 替代品推荐：其他 AI 抗体设计工具

如果用户需要开源或可复现的工具，AntiFold 和 SimBinder 是备选。它们各有侧重。

AntiFold：基于逆折叠的抗体设计

AntiFold 是抗体特异性逆折叠模型，从 ESM-IF1 微调而来。它输入抗体结构，输出可能折叠成该结构的序列。论文显示其序列恢复率优于通用模型。适合需要保持结构完整性的设计任务。开源可用，但需要用户具备一定的计算能力。

SimBinder：亲和力优化的逆折叠方法

SimBinder 在逆折叠基础上加入亲和力优化目标。它试图直接生成高亲和力抗体序列，而不是先设计再优化。论文发表于 2025 年，方法新颖。但尚未经过大规模实验验证，实际效果待观察。

Antiverse 学习曲线：上手难度与文档质量

该平台面向专业用户，学习曲线陡峭。文档质量未知，客服支持有限。

面向专业用户的领域知识门槛

用户需要理解抗体结构、靶点生物学和计算设计原理。没有生物信息学背景的研究人员可能难以正确提交数据。平台不提供新手引导或培训课程。这限制了潜在用户范围。

官网帮助文档与客服支持

官网提供帮助文档，但内容深度和更新频率未公开。客服支持主要通过邮件，响应时间未知。没有社区论坛或用户群。相比开源工具，用户获取帮助的渠道较少。

Antiverse 集成生态：API 与第三方工具

当前集成能力有限。没有公开 API，也没有第三方插件。工作流完全依赖网页版。

缺乏公开 API 与插件

平台未提供 API 接口，用户无法将设计流程集成到自己的计算管道中。也没有与常用生物信息学工具（如 PyMOL、SnapGene）的插件。这限制了自动化程度。对于需要高通量设计的用户，这是一个显著短板。

基于网页版的工作流限制

仅支持网页版操作，无移动端或桌面客户端。用户需手动上传数据、下载结果。对于大规模项目，操作繁琐。网页版还可能存在数据上传大小限制，但具体数值未公开。

参考资料

• arXiv (2023-09-03)（2023-09-03）— AI 驱动的 B 细胞免疫疗法设计论文，讨论机器学习在抗体设计中的应用。
• arXiv (2024-05-06)（2024-05-06）— AntiFold 论文，介绍抗体特异性逆折叠模型。
• arXiv (2025-12-19)（2025-12-19）— SimBinder 论文，提出亲和力优化的逆折叠方法。
• 腾讯网 (2026-07-21)（2026-07-21）— 健康追踪仪 App 定价模式报道，用于对比 Freemium 模式。
• IT之家 (2026-07-28)（2026-07-28）— 创维空气循环扇促销信息，用于说明电商定价策略。