将一种生物制剂从早期发现到上市产品是一项非常昂贵的工作，并且在临床开发中，高淘汰率会使平均投资成本进一步增加^[1]。一款生物药的临床成功最终取决于其在患者中的安全性和有效性，这些价值的实现，依赖于药物效价、特异性、免疫原性、药代动力学特性等一系列核心属性的综合表现^[2]。此外，随着双特异性抗体、抗体药物偶联物等复杂生物药进入管线，CMC以及监管层面的考量正日益成为商业成功的关键。当生物药必须以一致的高质量进行重复生产时。这些性能指标的综合，通常被称为生物药的可开发性（developability）。

一、早期评估可开发性的原因

在传统的药物开发流程中，可开发性评估往往被安排在候选分子确定之后，先找到能结合靶点的分子，再来检验它能不能被生产出来。这种模式往往代价高昂。

而现在，在药物发现阶段早期筛选和评估可开发性，可以节省资源并避免代价高昂的后期失败。一个具有良好可开发性特征的生物药，其本质要求需要在表达、纯化、制剂、储存和给药等全链条中表现出稳定、可重复的行为。

以抗体类药物为例，无论其来源于动物、人类还是合成序列，都可能具有可开发性风险。天然抗体虽然拥有体内亲和力和自我耐受的能力，但在临床应用中，非人源抗体可能引发严重的免疫应答。而合成抗体虽然可以针对靶点发现结合物，但由于未经体内成熟，可能带来意外的可开发性问题，如多反应性、免疫原性、聚集倾向和表达谱不佳等。

二、可开发性评估的三个核心维度

根据2023年发表于 mAbs 的综述《Assessing developability early in the discovery process for novel biologics》，可开发性评估主要涵盖三个核心维度：

第一，生物物理特性。这包括抗体的特异性、胶体稳定性、自结合和聚集倾向、折叠稳定性等。高特异性意味着低脱靶和非特异性结合，这对于降低异常药代动力学和快速清除的风险至关重要。为了评估非特异性结合，可以使用ELISA等方法检测抗体与多种非靶标的结合^[3]。为了在早期阶段评估抗体的自结合倾向，研究人员开发了多种高通量方法，如亲和捕获自相互作用纳米粒子光谱法（AC-SINS）和电荷稳定自相互作用纳米粒子光谱法（CS-SINS）^[4]。热稳定性通常使用差示扫描量热法或差示扫描荧光法测量。

第二，计算预测与机器研究。在生物治疗药物发现的早期阶段几乎没有实验数据可用，此时，计算评估尤其奏效。计算评估的一个理想介入节点，是在免疫或展示实验来源的抗体结合物测序之后，此时需要从数千条潜在序列中筛选子集，以进行后续验证实验^[5]。典型的可开发性评估应包括：检测化学降解基序（如氧化、脱酰胺、Asp异构化）、糖基化基序和非经典Cys残基；预测聚集倾向区域和MHC II类结合免疫表位^[6]。随着近年来抗体可变区结构预测的进步，已可以定期进行快速、可靠的高通量抗体可变区建模。这些Fv模型可用于计算多种物理化学描述符，如等电点（pI）、电荷、疏水不平衡性等。

第三，细胞水平评估与药代动力学预测。对患者的免疫系统而言，治疗性生物药是外源分子，因此可能具有免疫原性。免疫原性可引发急性和长期问题，如先天性和适应性免疫激活、急性细胞因子风暴，或抗药抗体（ADA）的产生^[7]。T细胞激活是抗体免疫原性的一个驱动因素，可通过体外免疫细胞激活试验来评估——将pooled外周血单核细胞暴露于候选生物药，用来揭露是否存在激活T细胞的表位^[8]。此外，IgG抗体和基于白蛋白的生物药具有跨屏障的转运特性，这源于它们与新生儿Fc受体（FcRn）的结合能力。FcRn介导的转运效率对生物药的药代动力学特性和生物分布有巨大影响^[9]。

三、细胞株的开发

大多数生物药通过哺乳动物细胞（尤其是CHO细胞）生产，但这一过程涉及数十亿活细胞的复杂生物系统。细胞株开发的核心目标是：在60代以上保持稳定高表达，同时保证一致的产品质量。近年来，细胞株开发策略已从随机整合的大规模筛选高表达克隆演进为靶向整合，伴随着可预测的生长和产量。然而，一个持续存在的挑战出现了。早期研究阶段偏好瞬时表达系统，意味着快速、灵活，而商业化生产则须采用稳定CHO细胞株。这种切换可能导致产量、糖基化、聚集等质量属性的显著差异，须在新体系中重新表征。研究表明，不良的生物物理特性（如聚集倾向）通常与稳定细胞株中的低效生产相关，这展现了将生物物理特性预测工具作为早期可制造性指标的重要性。

此外，糖基化模式直接影响生物药的稳定性、血浆半衰期和免疫原性。通过构建糖工程化CHO细胞株库，可以从一开始就筛选能提供目标糖基化谱的细胞株，并直接用于大规模生产。

四、总结

从聚焦高亲和力和特异性，到同时兼顾可开发性，生物药发现与开发的范式正在发生巨大转变。这种多维度的工程化思维，有望产生更优质的候选药物，并减少药物开发后期的失败。正如综述作者所言，可开发性评估的最佳实践应贯穿从Hit确认、Lead优化到候选分子确定的每一个决策节点，在分子设计阶段就引入对可制造性的评估，而非等到候选分子确定之后再回头返工。

面对可能遇到的工艺问题，在我们的实际交付中，针对双抗、三抗等多特异性抗体在结构与表达方面的复杂性，我们逐步建立并完善了一套平台化的开发体系，涵盖#细胞株构建、#细胞培养、#纯化工艺开发、以及#分析方法开发等多个关键环节。通过瞬转测试提前明确双抗各链配比，从而在稳转细胞株构建过程中尽可能筛选杂质产生较少，难去除杂质比例较低的 minipool 及#单克隆 细胞株。该体系在多个项目中得到了验证与应用，能够根据不同复杂抗体构型和功能机制灵活调整策略，从而实现更高的表达产率和更强的工艺稳定性。

参考资料：

[1] Paul SM, Mytelka DS, Dunwiddie CT, Persinger CC, Munos BH, Lindborg SR, Schacht AL. How to improve R&D productivity: the pharmaceutical industry’s grand challenge. Nat Rev Drug Discov. 2010;9(3):203–14.
[2] Bailly M, Mieczkowski C, Juan V, Metwally E, Tomazela D, Baker J, Uchida M, Kofman E, Raoufi F, Motlagh S, et al. Predicting Antibody Developability Profiles Through Early Stage Discovery Screening. MAbs. 2020;12(1):1743053.
[3] Wardemann H, Yurasov S, Schaefer A, Young JW, Meffre E, Nussenzweig MC. Predominant autoantibody production by early human B cell precursors. Science. 2003;301(5638):1374–77.
[4] Wu J, Schultz JS, Weldon CL, Sule SV, Chai Q, Geng SB, Dickinson CD, Tessier PM. Discovery of highly soluble antibodies prior to purification using affinity-capture self-interaction nanoparticle spectroscopy. Protein Eng Des Sel. 2015;28(10):403–14.
[5] Khetan R, Curtis R, Deane CM, Hadsund JT, Kar U, Krawczyk K, Kuroda D, Robinson SA, Sormanni P, Tsumoto K, et al. Current advances in biopharmaceutical informatics: guidelines, impact and challenges in the computational developability assessment of antibody therapeutics. MAbs. 2022;14(1):2020082.
[6] Akbar R, Bashour H, Rawat P, Robert PA, Smorodina E, Cotet T-S, Flem-Karlsen K, Frank R, Mehta BB, Vu MH, et al. Progress and MABS 13 challenges for the machine learning-based design of fit-for-purpose monoclonal antibodies. MAbs. 2022;14(1):2008790.
[7] Vaisman-Mentesh A, Rosenstein S, Yavzori M, Dror Y, Fudim E, Ungar B, Kopylov U, Picard O, Kigel A, Ben-Horin S, et al. Molecular Landscape of Anti-Drug Antibodies Reveals the Mechanism of the Immune Response Following Treatment With TNFα Antagonists. Front Immunol. 2019;10:2921.153

[8] Jawa V, Terry F, Gokemeijer J, Mitra-Kaushik S, Roberts BJ, Tourdot S, De Groot AS. T-Cell Dependent Immunogenicity of Protein Therapeutics Pre-clinical Assessment and Mitigation- Updated Consensus and Review 2020. Front Immunol. 2020;11:1301.

[9] Chung S, Nguyen V, Lin YL, Lafrance-Vanasse J, Scales SJ, Lin K, Deng R, Williams K, Sperinde G, Li JJ, et al. An in vitro FcRn- dependent transcytosis assay as a screening tool for predictive assessment of nonspecific clearance of antibody therapeutics in humans. MAbs. 2019;11:942–55.