近期看到国内的免疫疗法在SCLC中相继获批，为国内的患者带了更多的治疗选择。看到了发布的一些数据挺不错，跟记忆中的有些差异，因此决定把一些数据翻出来看看。

B细胞在骨髓中通过V(D)J重排产生初始抗体库，这一过程不依赖外源抗原刺激，初始抗体库的主要特征就是多反应性，此时的多反应性使它们可以识别广泛的自身或者外源的抗原，最大程度的识别外来抗原可以更好的保护机体；在与抗原接触后B细胞被激活并迁移至生发中心(germinal centers, GCs)，在此处B细胞经历克隆扩增、体细胞超突变、亲和力选择以及分化成浆细胞和记忆B细胞，这个过程只有少数的B细胞能够通过筛选，大部分筛选失败的B细胞会发生凋亡；体细胞超突变会在CDR以及FR区域引入氨基酸突变，这个过程会提高抗体对抗原的亲和力，具体的机制目前仍不清楚，但是高亲和的B细胞更有筛选优势。抗体结合抗原的能力主要由抗体上抗原结合槽决定，每个抗原结合槽(由50-70个氨基酸组成)都包含数个相互重叠的由15-20个氨基酸组成的互补位(paratope)，这些互补位都拥有特异的结构能够与抗原表面特定的区域相互契合。

近年来因为驼源动物体内的重链抗体，驼源的重链抗体及其产生机制被广泛的研究。除此之外驼源动物体内也有由两条重链和两条轻链组成的传统抗体；在骆驼体内这些传统抗体占的循环抗体的25%。

药物开发阶段需要使用各种筛选方法来评估候选分子相关的可开发性风险，尤其是生物药的早期评估，可以更全面地评估可能影响药物产品稳定的因素，从而节省时间和成本。在实际操作中，大多数公司通过筛选类药性（DLP）来进行可开发性评估，包括药物的结构、物理、化学和生物学特性，这些特性也是选择最终候选分子的部分标准。

应用于抗体开发的深度学习正处于早期阶段。低数据量和生物平台差异使得开发监督模型用来预测工艺开发中的抗体行为具有挑战性。但是蛋白质模拟的成功以及先前抗体的模型也说明了存在这种可能性因为抗体具备一些普遍的特征，比如所有的抗体都以类似的方法折叠。同时，新的数据收集方法和生成模型以及掩码语言模型之类的无监督学习和自监督学习的深度学习模型的开发，为更好的监督学习模型的开发提供了丰富而又深度的数据集和深度学习架构。以上的突破一起推动行业朝着提高可开发性、降低成本和更广泛地获得生物治疗药物的方向发展。