[E-DailyKIM JI-WAN 记者] 尽管人工智能（AI）能够快速设计数万乃至数十万种抗体的时代已经到来，但AI生成的设计图并不意味着能直接成为新药候选物。必须通过实际合成抗体来验证其能否准确结合疾病靶点、能否顺利生产，以及在高温或酸性环境下是否保持稳定。ProTina认为，未来AI新药研发的瓶颈将出现在这一“实际实验”阶段。
Protina正在构建基于高质量抗原-抗体相互作用实验数据（Wet-lab data）的数据库。（图片来源：Protina）
Protina董事黄成泽上月28日在与《每日经济》的采访中强调：“即使AI能在1小时内设计出10万个抗体，但如果实际验证需要数月时间，其意义就会大打折扣。”他进一步指出：“Protina的竞争力在于，能将AI生成的海量候选抗体转化为实际抗体，快速进行测试并筛选出优质物质。”
其核心在于Protina历时约16年研发的SPID平台。SPID是一个能够利用少量样本同时比较大量抗体的平台。据公司方面介绍，该平台不仅能评估抗体与靶点的结合能力，还能同时评估生产效率、热稳定性、pH敏感性、细胞内化、免疫原性、聚集性等将抗体开发为实际药物所需的各项特性。 据悉，目前该平台每周可生成约1万个抗体数据，甚至有案例将通常需要2至3年的抗体优化过程缩短至3至6个月左右。以下是ProTina董事黄成泽的问答实录。
△ProTina最大的技术竞争力是什么？
-AI模型本身固然重要，但未来更大的问题在于，AI生成的候选抗体究竟能多快地进行实际测试。即使AI设计出10万个抗体，如果实际实验只能测试几百个，整个新药研发的速度也不会加快。我们最自信的一点在于，能够利用SPID实际制造大量抗体并进行大规模验证。
△如果要向不了解生物技术的人通俗地解释SPID，该怎么说？
-可以理解为：当AI设计出“这种抗体应该不错”的方案时，SPID就是用于实际测试该抗体的一套技术。 这并非仅仅在计算机中进行计算。我们会订购DNA，在细胞中实际合成抗体，然后验证其能否有效结合靶点。同时还会考察其生产是否顺利、耐热性如何，以及在体内环境中是否稳定等。也就是说，SPID的核心不仅在于寻找“结合性好的抗体”，更在于从海量候选抗体中快速筛选出“真正能成为药物的抗体”。
△SPID由哪些设备和技术组成？
-我们自主研发了Pi-Chip、Pi-View和Pi-InSight等技术。这并非简单地购买外部设备并加以改良。公司代表主修电子工程，从芯片技术起步，历时约16年构建了自主平台。其核心在于，即使样本量极少，也能准确观察到抗体与靶标蛋白的结合情况。
△为什么即使样本量很少也能进行分析？
-当细胞产生抗体时，培养液中不仅含有抗体，还混杂着多种蛋白质和杂质。如果直接将其置于普通表面上，这些物质也会一并附着，导致难以进行精确测量。我们的Pi-Chip经过特殊表面处理，既能捕捉目标抗体的信号，又能最大限度地减少不必要物质的附着。因此，即使省去复杂的纯化过程，也能进行分析。
△与现有的SPR·BLI技术相比，最大的区别是什么？
-传统方法通常需要经过多个步骤：先测定结合力，然后为了确认生产效率再使用其他设备，还需单独测试稳定性。如果在此过程中发现问题，就必须回到前一阶段重新测试新的候选抗体。此外，在进行抗体大规模生产、过滤杂质的纯化过程以及经过多个分析步骤时，部分样本可能会丢失或发生状态变化。 这可能导致难以准确掌握实际产量与原始状态是否一致。
SPID技术能够直接对细胞产生的少量抗体进行分析，并利用同一平台连续检测结合力、生产力、热稳定性、pH敏感性等指标。其最大优势在于，既减少了在多种设备和步骤间反复操作的流程，又能从众多候选抗体中快速筛选出早期即可能失败的抗体。
※ SPR（Surface Plasmon Resonance·表面等离子体共振）：这是一种利用光的变化来测量抗体与靶蛋白结合程度及解离难易程度的典型分析技术，广泛用于精确测量抗体的结合力。
※ BLI（Bio-Layer Interferometry·生物层干涉法）：将抗体或蛋白质附着在传感器表面后，测量其与其他物质结合时产生的光学变化。其优点在于便于同时分析多个样本。
Protina SPID平台相较于竞争技术具有压倒性的性能和经济性。（图片来源：Protina）。
△如果AI设计出10万个抗体，接下来会发生什么？
-例如，如果在10万个抗体中，实际能合成并结合到靶点的抗体占20%，那么就剩下2万个。但这2万个还不能算是新药候选物。这只是个开始。需要从2万个中筛选出结合力较好的几百个抗体，再从中挑选出易于生产的。随后在确认热稳定性和pH稳定性等特性后，进一步筛选至几十个左右。 最后，经过更细致的测试，确定几个最终候选物。可以说，SPID的作用就是将大量候选物快速压缩为少数几款极有可能成为实际药物的候选物。
△与传统的抗体开发相比，能测试多少种物质？
-以往，研究人员通常参考自身经验或文献，判断“如果改变这个氨基酸应该会更好”，然后制备20个、多则50个左右进行测试。 而我们针对单个抗体，会实际生成数百甚至数千种变体并验证数据。在一个案例中，我们从约1000种变体开始，通过进一步组合，在一个月内分析了约630种，并确认了结合力比原始抗体提高10倍以上的物质。在另一个项目中，甚至出现了结合力提升数十倍的案例。
△开发周期是否确实缩短了？
-由于每种抗体情况不同，不能一概而论。不过，确实存在将通常需要2～3年的过程缩短至3～6个月左右的案例。这是因为通过同时测试大量候选抗体，可以在早期阶段筛除可能性较低的物质。
△目前能处理多少抗体？
-目前在实际项目中，每周生成约1万个数据。通过调整设备和项目，每月可处理3万至4万个左右。未来计划扩大自动化规模，目标是在2027年第一季度达到每月10万个，随后提升至50万个水平，并于2028年实现每月处理100万个。
△AI与SPID是如何关联的？
-AI负责设计抗体，SPID通过实际实验验证其正确与否。随后将结果反馈给AI进行学习。对AI而言，重要的不仅仅是成功的数据。“按这种方式设计后抗体未能生成”、“虽然生成但未能与靶点结合”等失败数据同样重要。 我们自2024年起便与首尔大学研究团队持续开展此类工作，并基于约50万条数据对AI模型进行了训练。
△这是否意味着实验数据最终比AI模型更为重要？
-这并非意味着AI不重要，而是指AI模型水平的普遍提升将带来的变革。Protina也正与首尔大学白民京教授团队合作，在2024年4月科技部国家重点项目资助下开发AI技术。不过，目前优质的AI模型层出不穷，可作为开源技术使用的方案也在不断增加。 我认为，今后相比“谁拥有某个AI模型”，更重要的是“谁能实际快速验证AI生成的物质，并持续积累优质的实验数据”。
△抗体优化服务的盈利能力如何？
-单个抗体优化项目通常可获得1亿至2亿韩元左右的收入。但我们认为，仅靠重复开展数十个此类项目，公司的发展将面临瓶颈。因此，我们正将业务重心从单纯收取费用、优化抗体的服务模式，转向联合开发模式。具体而言，先利用我们的技术筛选出优质候选分子，再与合作伙伴共同开发；待技术转让完成时，双方共同分享更大的价值。
△大规模验证服务与新药联合开发，哪一方是主力业务？
-这两项业务是相互关联的。通过为外部AI新药开发公司开发的众多抗体提供大规模验证服务，可以创造现金流。然后将这笔资金重新投资于自身的研发管线或联合开发的新药项目。 Protina最终的目标是成为一家能够快速开发优质新药候选物并持续进行技术授权的公司。我们的目标并非每次开发新药都需从外部筹集数百亿韩元，而是成为一家能够通过自有技术盈利，并利用这些资金继续研发新药的自立型AI新药开发公司。
Protina董事黄成泽上月28日在与《每日经济》的采访中强调：“即使AI能在1小时内设计出10万个抗体，但如果实际验证需要数月时间，其意义就会大打折扣。”他进一步指出：“Protina的竞争力在于，能将AI生成的海量候选抗体转化为实际抗体，快速进行测试并筛选出优质物质。”
其核心在于Protina历时约16年研发的SPID平台。SPID是一个能够利用少量样本同时比较大量抗体的平台。据公司方面介绍，该平台不仅能评估抗体与靶点的结合能力，还能同时评估生产效率、热稳定性、pH敏感性、细胞内化、免疫原性、聚集性等将抗体开发为实际药物所需的各项特性。 据悉，目前该平台每周可生成约1万个抗体数据，甚至有案例将通常需要2至3年的抗体优化过程缩短至3至6个月左右。以下是ProTina董事黄成泽的问答实录。
△ProTina最大的技术竞争力是什么？
-AI模型本身固然重要，但未来更大的问题在于，AI生成的候选抗体究竟能多快地进行实际测试。即使AI设计出10万个抗体，如果实际实验只能测试几百个，整个新药研发的速度也不会加快。我们最自信的一点在于，能够利用SPID实际制造大量抗体并进行大规模验证。
△如果要向不了解生物技术的人通俗地解释SPID，该怎么说？
-可以理解为：当AI设计出“这种抗体应该不错”的方案时，SPID就是用于实际测试该抗体的一套技术。 这并非仅仅在计算机中进行计算。我们会订购DNA，在细胞中实际合成抗体，然后验证其能否有效结合靶点。同时还会考察其生产是否顺利、耐热性如何，以及在体内环境中是否稳定等。也就是说，SPID的核心不仅在于寻找“结合性好的抗体”，更在于从海量候选抗体中快速筛选出“真正能成为药物的抗体”。
△SPID由哪些设备和技术组成？
-我们自主研发了Pi-Chip、Pi-View和Pi-InSight等技术。这并非简单地购买外部设备并加以改良。公司代表主修电子工程，从芯片技术起步，历时约16年构建了自主平台。其核心在于，即使样本量极少，也能准确观察到抗体与靶标蛋白的结合情况。
△为什么即使样本量很少也能进行分析？
-当细胞产生抗体时，培养液中不仅含有抗体，还混杂着多种蛋白质和杂质。如果直接将其置于普通表面上，这些物质也会一并附着，导致难以进行精确测量。我们的Pi-Chip经过特殊表面处理，既能捕捉目标抗体的信号，又能最大限度地减少不必要物质的附着。因此，即使省去复杂的纯化过程，也能进行分析。
△与现有的SPR·BLI技术相比，最大的区别是什么？
-传统方法通常需要经过多个步骤：先测定结合力，然后为了确认生产效率再使用其他设备，还需单独测试稳定性。如果在此过程中发现问题，就必须回到前一阶段重新测试新的候选抗体。此外，在进行抗体大规模生产、过滤杂质的纯化过程以及经过多个分析步骤时，部分样本可能会丢失或发生状态变化。 这可能导致难以准确掌握实际产量与原始状态是否一致。
SPID技术能够直接对细胞产生的少量抗体进行分析，并利用同一平台连续检测结合力、生产力、热稳定性、pH敏感性等指标。其最大优势在于，既减少了在多种设备和步骤间反复操作的流程，又能从众多候选抗体中快速筛选出早期即可能失败的抗体。
※ SPR（Surface Plasmon Resonance·表面等离子体共振）：这是一种利用光的变化来测量抗体与靶蛋白结合程度及解离难易程度的典型分析技术，广泛用于精确测量抗体的结合力。
※ BLI（Bio-Layer Interferometry·生物层干涉法）：将抗体或蛋白质附着在传感器表面后，测量其与其他物质结合时产生的光学变化。其优点在于便于同时分析多个样本。
△如果AI设计出10万个抗体，接下来会发生什么？
-例如，如果在10万个抗体中，实际能合成并结合到靶点的抗体占20%，那么就剩下2万个。但这2万个还不能算是新药候选物。这只是个开始。需要从2万个中筛选出结合力较好的几百个抗体，再从中挑选出易于生产的。随后在确认热稳定性和pH稳定性等特性后，进一步筛选至几十个左右。 最后，经过更细致的测试，确定几个最终候选物。可以说，SPID的作用就是将大量候选物快速压缩为少数几款极有可能成为实际药物的候选物。
△与传统的抗体开发相比，能测试多少种物质？
-以往，研究人员通常参考自身经验或文献，判断“如果改变这个氨基酸应该会更好”，然后制备20个、多则50个左右进行测试。 而我们针对单个抗体，会实际生成数百甚至数千种变体并验证数据。在一个案例中，我们从约1000种变体开始，通过进一步组合，在一个月内分析了约630种，并确认了结合力比原始抗体提高10倍以上的物质。在另一个项目中，甚至出现了结合力提升数十倍的案例。
△开发周期是否确实缩短了？
-由于每种抗体情况不同，不能一概而论。不过，确实存在将通常需要2～3年的过程缩短至3～6个月左右的案例。这是因为通过同时测试大量候选抗体，可以在早期阶段筛除可能性较低的物质。
△目前能处理多少抗体？
-目前在实际项目中，每周生成约1万个数据。通过调整设备和项目，每月可处理3万至4万个左右。未来计划扩大自动化规模，目标是在2027年第一季度达到每月10万个，随后提升至50万个水平，并于2028年实现每月处理100万个。
△AI与SPID是如何关联的？
-AI负责设计抗体，SPID通过实际实验验证其正确与否。随后将结果反馈给AI进行学习。对AI而言，重要的不仅仅是成功的数据。“按这种方式设计后抗体未能生成”、“虽然生成但未能与靶点结合”等失败数据同样重要。 我们自2024年起便与首尔大学研究团队持续开展此类工作，并基于约50万条数据对AI模型进行了训练。
△这是否意味着实验数据最终比AI模型更为重要？
-这并非意味着AI不重要，而是指AI模型水平的普遍提升将带来的变革。Protina也正与首尔大学白民京教授团队合作，在2024年4月科技部国家重点项目资助下开发AI技术。不过，目前优质的AI模型层出不穷，可作为开源技术使用的方案也在不断增加。 我认为，今后相比“谁拥有某个AI模型”，更重要的是“谁能实际快速验证AI生成的物质，并持续积累优质的实验数据”。
△抗体优化服务的盈利能力如何？
-单个抗体优化项目通常可获得1亿至2亿韩元左右的收入。但我们认为，仅靠重复开展数十个此类项目，公司的发展将面临瓶颈。因此，我们正将业务重心从单纯收取费用、优化抗体的服务模式，转向联合开发模式。具体而言，先利用我们的技术筛选出优质候选分子，再与合作伙伴共同开发；待技术转让完成时，双方共同分享更大的价值。
△大规模验证服务与新药联合开发，哪一方是主力业务？
-这两项业务是相互关联的。通过为外部AI新药开发公司开发的众多抗体提供大规模验证服务，可以创造现金流。然后将这笔资金重新投资于自身的研发管线或联合开发的新药项目。 Protina最终的目标是成为一家能够快速开发优质新药候选物并持续进行技术授权的公司。我们的目标并非每次开发新药都需从外部筹集数百亿韩元，而是成为一家能够通过自有技术盈利，并利用这些资金继续研发新药的自立型AI新药开发公司。
