ADC药物从靶点发现到PCC全链条AI应用实施培训班

中国化工企业管理协会医药化工专委会

药成材信息技术（北京）有限公司

各有关单位：

抗体药物偶联物（ADC）凭借抗体靶向性 + 高活性载荷的精准递送机制，已成为全球抗肿瘤药物研发的核心赛道。随着多款 ADC 药物获批上市与商业化成功，国内创新药企、CRO/CDMO 机构加速布局，靶点发现、抗体优化、连接子 - 载荷组合、成药性评估等临床前研发环节成为竞争焦点。

传统ADC 研发高度依赖经验筛选与试错迭代，普遍面临周期长、成本高、靶点稀缺、脱靶毒性、DAR 均一性难控、成药性预测不准等瓶颈，从靶点验证到临床前候选化合物（PCC）阶段耗时久、失败率高。与此同时，以大语言模型、图神经网络、多模态 AI、蛋白质结构预测为代表的智能技术快速落地，正在重构药物发现全流程，为 ADC 的多组分协同设计、高通量虚拟筛选、体内外特性精准预测提供全新解决方案。

当前行业普遍存在AI 技术与 ADC 研发场景脱节、工具不会用、流程跑不通、数据不闭环等落地难题，亟需一套覆盖靶点发现→抗体设计→连接子 - 载荷筛选→成药性优化→PCC 定型的全链条、可实操的 AI 应用体系，为此，我单位将于2026年4月在线上举办本次培训，详情如下：

时间：2026年4月18日-19日

地点：线上直播

第一天：AI 赋能 ADC 靶点发现与抗体智能设计

上午（09:00-12:00）

一ADC 研发全流程与 AI 变革

lADC的结构、作用机制与研发阶段划分

lAI重塑ADC：靶点/抗体/Linker/载荷/偶联全环节赋能（对应可落地的AI任务类型：分类、排序、回归、生成、主动学习）

l全球标杆案例与国内落地路径（以“数据—模型—验证—合规/可追溯”的落地路径拆解）

二AI 驱动 ADC 靶点发现与验证（核心）

l理想ADC靶点：高特异性、高内化性、低正常组织表达（指标化与可验证化）

l多组学+知识图谱+NLP挖掘新靶点（证据来源、证据强度、冲突证据处理）

l单细胞/空间转录组与肿瘤异质性靶点筛选（亚群表达、空间邻域、靶点可及性）

内化效率、膜定位、内吞通路的AI可复现实操路线：

l路线A：显微/流式/高内涵成像→CNN/深度分割（CellProfiler+Cellpose/StarDist）→内化指数自动定量→监督学习回归/分类（高内化/低内化、内化速率分层）

l路线B：蛋白特征（跨膜结构、定位、GO、表达谱等）→传统机器学习打分（RandomForest/XGBoost思路）→ILS（Internalization Likelihood Score，内化可能性评分）

l靶点成药性与临床转化风险评估（证据分层、可转化风险、竞品态势与失败模式预警）

三靶点发现工具实操与数据库

l公共/商业数据库使用（公共库提供手把手操作指南；商业库重点讲解字段含义与能力边界，无需依赖账号演示）

靶点AI打分平台实操（公开可复现）：

lOpen Targets（通过Web界面及GraphQL API拉取证据维度数据并完成导出）

lDepMap（用于肿瘤依赖性/脆弱性证据的补充与强化）

lHPA（针对正常组织表达、肿瘤表达及亚细胞定位证据进行补充与强化）

l基于证据维度构建可解释的靶点优先级模型（使用sklearn：对比线性模型与树模型，输出关键特征及决策依据）

l靶点优先级打分与立项决策（包含权重设置、敏感性分析、Go/No-Go判定标准、便于记录与审计的输出形式）

下午（14:00-17:30）

四AI 辅助抗体智能设计与亲和力成熟

l抗体结构、人源化、稳定性与免疫原性控制（从“设计约束”角度构建可检查清单）

lAlphaFold3与结构预测（能力边界及适用场景）

l抗体结构预测实操：通过ColabFold/AF2 notebook运行VH/VL或Fv结构；解读pLDDT/PAE指标并说明其在工程决策中的应用

l表位-互补决定区预测与结合模式分析（结构驱动的界面特征挖掘与假设生成）

l高通量突变设计与亲和力优化（AI范式：候选生成→计算打分→主动学习筛选最小实验集；强调“减少实验次数”的量化思路）

五ADC 抗体关键属性 AI 预测

l表达量、聚集性、稳定性、可开发性（以可复现工具输出为核心，清晰阐述端点含义、阈值标准与红旗信号）

l可开发性实操：TAP输出可交付报告（解读关键指标、识别高风险区域、提出工程化策略）

l去免疫原性与T细胞表位预测（操作流程、阈值设定、假阳性处理与验证建议）

l免疫原性实操：IEDB TepiTool（表位候选筛选、阈值参数设定、结果解读与优先级排序）

l偶联位点设计与均一性提升（位点工程+结构特征+机器学习思路）：基于结构暴露度、局部疏水性、电荷等特征构建可解释的位点优选打分体系；明确公开数据的能力边界及应对策略

l案例：靶点→抗体序列设计+可开发性评估

l课堂产出：结构预测结果+TAP报告+IEDB初步筛选+突变最小实验集建议（学员带走“AI产物”）

第二天：AI 优化 Linker - 载荷与成药性，直达 PCC

上午（09:00-12:00）

六AI 驱动 Linker - 载荷协同设计

lLinker类型：可切割/不可切割特性、亲疏水性、循环稳定性（与PK及旁观者效应的关联）

l载荷：有效载荷、毒性、旁观者效应、耐药规避（与适应症场景绑定）

切割效率、血浆稳定性、释放动力学的AI可复现实操路径（面向公开数据可讲义化）：

lQSAR/图模型/GNN思路：通过RDKit生成logP、PSA、HBD/HBA等描述符

l利用sklearn开展稳定性/毒性风险的分类或回归分析（结合示例数据讲解方法、评估与复现流程）

l明确动力学端点公开数据的限制：以“代理端点+方法论+如何构建自有数据集”形成落地指南

DAR分布、偶联效率与工艺兼容性的AI应用位置与建模方法：

l可纳入模型的变量：位点、局部疏水性、电荷、反应条件、溶剂及比例、温度及时间等

lDoE数据向ML建模的最小闭环构建（不承诺公开端到端预测精度，强调模型的可解释性与可验证性）

七ADC 成药性与 ADMET 智能预测

l吸收、分布、代谢、排泄与毒性（以payload侧为核心的可复现评估路径）

l心脏、肝脏与肾脏安全风险预测（端点解释、阈值设定及验证建议）

l多参数优化（MPO）与候选分子排序（权重设定、权衡关系解释及敏感性分析）

l实操贯穿：通过ADMETlab 2.0实现payload候选批量评估与MPO权重敏感性分析（讲解模型端点、不确定性及使用边界）

八AI 虚拟筛选与先导化合物快速发现

l生成式AI设计全新ADC组件（训练数据与约束条件：合成可行性、毒性红线、可连接位点；提示词与约束生成演示；不将课堂成败完全依赖于生成结果）

l虚拟筛选流程与打分函数（可复现的最小化流程）：Vina对接→结果解释→CNN重打分（GNINA），明确“此处AI即指CNN评分函数”

l湿实验验证优先级与降本策略（从计算排序到最小实验集：验证顺序、成本控制与风险管控）

下午（14:00-17:30）

九从Lead 到 PCC：AI + 实验闭环决策

lPCC标准：活性、选择性、稳定性、安全性、工艺性（公开口径+可执行验证计划）

l多维度评估体系与阶段门控（stage-gate）：评分表、权重、敏感性分析、Go/No-Go口径

l阶段门控排序器（机器学习实操）：将靶点分数、可开发性、免疫原性、ADMET、对接/重打分等信息汇总成一张表；通过可解释模型开展候选排序与关键驱动因素分析（强调可审计、可复现）

l常见失败原因与规避方案（内化不足、毒性、异质性、稳定性、免疫原性、工艺放大与一致性风险）

十全流程案例复盘

l靶点→抗体→Linker-载荷→PCC端到端AI交付件复盘（各环节需产出可下载/可截图的AI结果，包括证据页、打分表、结构图、报告、ADMET结果、对接与CNN重打分排序）

l药企/CRO/AI平台协同模式（明确RACI职责、数据接口、交付物与验收标准，确保可交付、可复盘）

l案例：PCC方案设计

l基于给定适应症，输出靶点选择、抗体设计、Linker-载荷组合、ADMET分析及PCC候选

l交付物清单：1页PCC候选提名包、评分表、最小验证实验计划

授课老师：拟邀请行业资深专家，详情见第二轮通知