AI-translated from English; not yet reviewed by a fluent editor. # AI设计的CAR-T结合蛋白显示细胞活性；十种中有四种能特异性杀伤靶细胞 > 一项研究在CAR-T细胞中筛选了12,000种设计的CD20结合蛋白，发现707种混合筛选生长命中；单独测试的十种中有四种显示出显著的特异性靶细胞杀伤。 By BIG CHANGE Editorial Published: 2026-10-10T11:09:00.637Z Updated: 2026-10-10T11:09:00.637Z Canonical: https://bigchange.ai/blog/ai-designed-car-t-binders-cd20-study ![Conceptual illustration of an engineered immune cell and a separate target cell suspended in a culture well; not to scale.](https://bigchange.ai/api/media/file/car-t-binder-study-culture-well-hero-v2.png) AI-generated conceptual illustration by BIG CHANGE. 研究人员邀请28支团队设计12,000种可能识别CD20的短蛋白质。CD20是某些癌细胞表面的标志物。他们没有只根据孤立蛋白质能否与CD20结合来评判设计，而是将每条80个氨基酸的序列置入嵌合抗原受体（CAR），并检测人类T细胞的表现。这项开放获取研究于10月8日发表于[Bits to Binders study](https://link.springer.com/article/10.1038/s44320-026-00246-1)。*Molecular Systems Biology*并于10月8日发表。 结果在每一步都进一步收窄。混合细胞生长筛选发现707种设计在含CD20阳性细胞的条件下达到至少两倍且具有统计学意义的富集。随后，研究人员逐一测试了十种领先且互不重复的设计。七种设计引发的靶标相关增殖、扩增和细胞因子产生超过阴性对照。四种设计对CD20阳性细胞产生的*特异性*杀伤显著高于对照。这些是来自一名T细胞供者分离物的实验室测量结果，并不能证明治疗对患者有效。 ## 重大变化 - **发生了什么：**一项竞赛在原代人类T细胞中评估了数千种计算设计的CD20结合蛋白作为CAR功能部件的表现，随后用单独的功能实验检查了十种领先设计。 - **如何进行：**各团队结合了不同的生成、序列设计、结构预测和筛选方法。研究人员将提交的序列插入同一个CAR骨架，在混合培养中筛选T细胞生长，并分别测量选定构建体的多项功能。 - **为何重要：**这项实验提出了比孤立结合更难的问题：设计出的识别结构域能否由T细胞表达，并帮助它响应靶标？从混合筛选命中到特异性杀伤的数量下降，说明为何必须根据每项实验本身所测内容来解读结果。 - **仍有哪些未知：**研究只使用了一个CAR骨架和一名供者的细胞分离物。混合筛选的比较本身无法区分CD20特异性效应，而且没有任何设计在动物或患者中测试。 ## 从设计的结合蛋白到细胞反应 CAR为T细胞提供一种经工程改造的表面受体。朝外的结构域识别靶标；受体的其他部分则帮助将这种识别转化为细胞反应。某种蛋白质即使在结合模型中看起来有前景，在活T细胞中必须被制造、展示并发挥作用时仍可能失败。竞赛检验的正是这一差距。 来自42个国家的参与者在为期六周的阶段提交了设计。他们采用的方法各不相同。一些人使用RFdiffusion或Chroma等扩散模型；另一些人采用BindCraft、ColabDesign和蛋白质语言模型等方法。许多人还使用ProteinMPNN提出或扩展序列，用结构预测器评估候选序列，并应用其他计算筛选。数支团队从已知的CD20抗体结合结构或CD20特异性抗体片段出发。因此，提交的序列来自人类工作与计算方法的混合流程，而非由单一AI模型独立设计每一个成功受体。 研究人员为提交的80氨基酸结构域合成DNA，并将其置入同一个第二代CAR骨架。每个结构域的序列在工程化T细胞混合物中充当条形码。他们比较了与CD20阳性Raji细胞共同培养两周后这些条形码的丰度，以及未加入这些靶细胞的培养物中的丰度。在12,000种设计中，98.3%通过了DNA供应商的质量检查，但细胞生长后只有56.8%达到研究设定的最低测序读数阈值。在这一阶段，失败或缺失的序列不能简单算作未能识别CD20的结合蛋白；生产、表达和细胞适应性也会影响筛选漏斗。 混合筛选发现707条序列达到至少两倍的显著富集，占全部提交的5.9%；各团队命中率从0.6%到38.4%不等。实验对每种条件使用了来自一名供者的三个技术重复。比较的是Raji细胞与没有Raji细胞的条件，而不是CD20阳性Raji细胞与其他方面匹配的CD20阴性Raji细胞。因此，作者提醒，混合筛选结果更直接反映与Raji细胞相关的生长信号，尽管后续结合实验和单独实验支持部分候选物能够识别CD20。 ## 十项单独测试改变了解读 研究人员将十种领先的不同设计分别重建为CAR构建体。他们测量受体表达、T细胞分裂和扩增、两种信号蛋白的产生以及靶细胞杀伤。七种设计在靶标相关增殖、扩增和细胞因子实验中超过了未经编辑T细胞的阴性对照。不过，这七种中的三种并未显示显著的靶细胞特异性杀伤。 杀伤实验比较了CD20阳性Raji细胞和CD20阴性K562细胞。只有编号为1506、2383、3494和3718的四种设计，其特异性裂解显著高于阴性对照。论文还报告，若干设计会对两种细胞系产生背景杀伤。这一点很重要，因为杀死CD20阳性细胞本身并不能证明CAR能良好地区分靶细胞和非靶细胞。在各项功能读数中，设计的结合蛋白总体上未达到研究所采用的、由抗体衍生的既有CAR对照水平；一个细胞因子指标是论文报告的例外。 孤立蛋白结合实验又增加了一项注意事项。在这些条件下，十种设计中只有三种对去污剂溶解的CD20表现出明显结合。作者表示，该实验可能无法代表结合蛋白被T细胞上的CAR展示时的行为。反过来，混合筛选的生长信号也不足以证明结合精确或靶标选择性安全。这些实验回答的是彼此相关但范围更窄的问题。 ## 这项基准研究能提供什么参考 研究还比较了设计选择和序列特征与实验结果之间的关系。不同方法之间存在广泛差异，但各团队混用了工具，提交的相关序列数量也不均衡。作者警告，通常不能把某种方法表面上的成功解读为干净的因果比较。他们报告，在这组数据中，常见的结构置信度分数对序列回收率和细胞增殖几乎没有预测力。 在同一数据集中，一些更简单的序列检查似乎更有用。在回顾性分析中，针对DNA组成、重复序列基序和特定氨基酸模式等特征的过滤，提高了提交设计中出现靶标相关增殖的比例。对这场竞赛进行回顾性过滤有助于分析其失败之处；但它尚未证明在新一轮前瞻性设计中能带来同样改善。 这项研究直接贡献了一套开放的实验基准，将设计选择与多种细胞层面的结果联系起来。其局限性显著：只有一名供者的细胞分离物、一个CAR骨架、特异性比较并不完善的混合实验，以及单独测试中的背景杀伤。作者明确指出，竞赛旨在治疗情境下评估设计方法，而不是制造可直接用于临床的CAR-T疗法。 ## 来源与延伸阅读 - [Kosonocky及其同事，《Validation and analysis of 12,000 AI-driven CAR-T designs in the Bits to Binders competition》，*Molecular Systems Biology*，2026年10月8日](https://link.springer.com/article/10.1038/s44320-026-00246-1)。这篇开放获取的主要研究论文介绍了竞赛方法、混合与单独实验、计算分析及作者说明的局限，是本文数字结果的依据。 - [Zenodo上的研究数据和提交的设计序列](https://doi.org/10.5281/zenodo.20451404)。论文链接到该存储库，提供提交的序列及相关数据；BIG CHANGE没有重新分析这些文件。 ## Sources - [Validation and analysis of 12,000 AI-driven CAR-T designs in the Bits to Binders competition](https://link.springer.com/article/10.1038/s44320-026-00246-1) — 开放获取的主要实验论文；支持有关设计方法、混合与单独实验、分析及所述局限的信息。 - [Bits to Binders study data and submitted design sequences](https://doi.org/10.5281/zenodo.20451404) — 论文链接的存储库。BIG CHANGE没有独立分析其中的文件。