为什么大多数分子在 CMC 失败 —— 8 个在设计期就能预测的指标

一个分子在 Discovery 阶段看起来很完美。靶向命中。亲和力强。团队庆祝。

六个月后到 CMC，它聚集了。或在临床剂量下黏度高到无法给药。或它的 PTM 热点造成你 QA 团队无法接受的批间差异。团队重做。

我们在 Inscinstech CMC v2.2 知识库（82+ 条真实工艺开发历史）里看了这个模式。其中大多数失败是可以从序列预测的 —— 不是"事后看起来明显"，而是设计阶段用当前开源工具就可计算的。

下面是清单。

1. 聚集倾向

mAb 下游失败的头号原因。过去三年计算预测已收敛：

• TAP / SAP 评分（Oxford OPIG）—— 表面聚集 patch 与疏水性
• TANGO / AGGRESCAN —— 基于序列的聚集热点
• Boltz-2 结构预测 —— 用于上下文相关的聚集判断

诚实的精度边界：低聚集预测可信度很高。高聚集预测需要湿实验确认，但已经能让候选进入早期分流。两种结局都能省一个季度。

2. 高浓度下的黏度

按 >100 mg/mL 投递的 mAb —— 皮下给药的新常态 —— 经常撞上黏度墙。序列级预测器（电荷 patch、疏水 patch、静电互补性）能完成 80% 的工作。剩下 20% 需要 DSC + DLS 数据，但如果序列已经被否决，就别花这个钱做那些实验。

3. 溶解度

IgG1 mAb 在 well-behaved 框架内极少出现溶解度问题。在工程化 format 里（双特异性、IgG4、IgA 融合）则常见。序列级溶解度评分能抓住大多数灾难。

4. PTM 热点

毁掉批记录的四种 PTM：

• 天冬酰胺脱酰胺 —— 序列决定，预测性强
• 天冬氨酸异构化 —— 同上
• 甲硫氨酸氧化 —— 上下文相关，但序列能缩小范围
• N-糖基化位点 —— 完全由序列决定

一个像样的评分器应该能在 30 秒内给出全部四项。如果 CDR 里有三个或以上 PTM 热点的候选，你在投入反应釜之前就知道自己面对什么。

5. 免疫原性（人源化度）

对于从鼠源抗体起步的 mAb，人源化质量预测免疫原性风险。BioPhi 的 OASis humanness 评分是当前标准 —— 与真实临床免疫原性数据校准过。

诚实的边界：人源化评分擅长在"明显已人源化"与"明显未人源化"之间区分。中段分数需要湿实验数据。但最差的情况会立刻浮出。

6. 纯化友好性

这是"Protein A 在这个分子上真的能用吗？"问题。答案是序列决定的：

• Protein A 结合行为 —— Fc 区结构
• IEX 行为 —— pI 计算 + 表面电荷分布
• HIC 行为 —— 表面疏水性评分

30 秒预测告诉你标准 mAb 平台能不能用，或者这个分子需要定制下游工艺。这一个判断可以改变成本估算 ~$300k–$1M。

7. 合成难度（oligo）

对于 siRNA / ASO 设计，合成难度由序列与修饰模式决定。重复序列、某些修饰组合、长度都预测 yield 与杂质谱。我们团队的经验：用真实 OligoMS 数据训练的 synthesizability 评分器能抓住 >90% 不会以可接受 yield 合成的候选。

8. 可表征性

最少被讨论的一个。有些序列容易做 HPLC + 质谱表征，有些不容易。高度二硫化的 mAb、有许多近质量 PTM 的 mAb、DAR 分布异质的 ADC —— 这些都会创造分析头痛，到后期开发以"我们没法 QC 这个批次"出现。

在设计阶段预测它。可表征性评分低的分子，就是会吃光 QC 预算的分子。

---

实操长什么样

mAb 的 developability scorecard 应该一页装下：

聚集               0.3% HMW         低
黏度               12 cP @ 150 g/L  低
溶解度             > 200 g/L        低
PTM 热点           0 关键           低
人源化度           OASis 92         低
Protein A          可结合           低
IEX（pI）          7.8              中（中段 pI）
HIC                标准             低
─────────────────────────────────────────
总分              9.1 / 10  ★
推荐路线：        Protein A → CEX → UVC 灭活 → TFF

过去要 2-4 周横跨多个实验室。用现在的工具，30 秒。生成这张表的成本相比"用本应排第二的分子启动 CMC 项目"的成本，是舍入误差。

为什么团队还没这么做

三个原因：

1. 工具碎片化。8 个维度活在 8 个不同工具里，每个来自不同学术组，输入格式都不一样。把它们拼起来是工程项目，不是科学项目。
2. 校准信任。预测需要与真实湿实验结果校准。学术工具常基于基准集校准，不是你项目的真实候选。
3. 工作流整合。一个不被 Discovery → CMC 交接时打开的工具里的 scorecard，就是个不被使用的 scorecard。

这就是我们在做的事。InAnvil 把 8 个预测加上 Inscinstech CMC v2.2 校准数据集成进一次 30 秒的过程。

但你今天用开源也能完成大部分。底线应该是：每个进入 CMC 的分子都有一份 scorecard。上面 8 个维度是合理的起点。