当下 AI 抗体赛道，大量平台可以短时间输出成百上千条候选抗体序列。但很多项目会遇到一个现实困境：AI 给出高分序列，湿实验大量失败；每一轮设计‑测试循环结束，“为什么选这条、为什么淘汰那条” 的决策逻辑却无法沉淀，项目知识随人员交接而流失。2026年10月1日，英国 DaltonTx 正式发布新一代 AI 抗体发现平台，把 “记录并沉淀每一步决策逻辑” 作为核心差异化，给行业带来新的思考。

行业现存痛点：序列遍地，决策难留

现在市面上不少 AI 抗体工具，核心能力聚焦在：抗体序列从头生成、蛋白结构预测、候选分子打分排序。运行完成后，交付给研发人员的，是一张长长的候选序列清单与计算机打分表。

但真实药物研发远不止一串序列：

• 哪些序列优先送去合成表达，理由是什么？

• 哪些分子被淘汰，是预测理化不达标？还是靶点结合风险？

• 湿实验得到阳性/阴性结果之后，本次失败如何指导下一轮 AI 设计？

很多时候这些判断，只存在科研人员的笔记、会议纪要与大脑中。项目迭代、人员流动之后，大量宝贵的试错知识直接丢失。AI 模型只能读取序列与最终实验结果，却不知道 “人为什么做出这个选择”，模型迭代缺少完整上下文。

即便拥有 DBTL（设计‑构建‑测试‑学习）闭环，若决策逻辑无法数字化留存，闭环学习效果会大打折扣。这正是 DaltonTx 新平台试图解决的行业痛点。

新一代抗体 AI 平台核心能力

决策知识与数据回流同样重要

DaltonTx 的发布，代表 AI 抗体行业正在发生一次重要转向：行业已经跨过 “能不能生成抗体序列” 的初级阶段，开始追求研发全流程知识的沉淀与复用。

过去大家谈论 DBTL 干湿闭环，更多关注点集中在：序列输出 → 合成表达 → 拿到活性数据 → 数据喂回模型。

而 DaltonTx 提示我们：人的决策逻辑，同样是闭环不可或缺的组成部分。

同样一组湿实验数据，不同研发人员会做出完全不一样的候选取舍；如果决策逻辑没有被记录，仅仅把活性数值丢给 AI，模型学到的信息是残缺的。

当然也要客观看待：记录决策逻辑是重要的上层能力，但它不能绕开硬核的湿实验验证。

无论平台如何完善决策沉淀，AI 给出的抗体候选，依旧必须经过高通量表达、纯化、ELISA/BLI/SPR 亲和力检测、理化评估层层检验。计算预测再优美，也无法替代细胞体系内真实的蛋白折叠、表达、结合行为。

君跻生物：AI 抗体研发，坚持干湿闭环

DaltonTx 案例也再次印证，一套真正有效的 AIDD 闭环，需要AI 预测能力与高保真湿实验验证双轮驱动，二者缺一不可。

君跻生物联合Wemol AI 预测平台，覆盖抗体密码子优化、表达量预判、理化性质评估、序列风险预判等环节。

君跻生物依托自主研发的GentSyn-Exp3.0G-Lab全自动化生产线，打造了从基因设计、合成、验证到蛋白表达及抗体亲和力表征的一站式、高通量技术平台。传统研发模式依赖大量人工验证，而君跻生物用自动化重新定义了湿实验的效率和成本。

• 高通量筛选：高通量表达筛选极大降低了单个样本的检测成本—IgG单抗259元/条、VHH纳米抗体129元/条。每条抗体附赠800ul可直接用于功能验证的抗体上清——省去纯化步骤、跳过中间环节，从基因到抗体，一站式直达下游实验。

• 亲和力检测：君跻生物提供ELISA、BLI和SPR三大亲和力检测平台，覆盖从早期高通量筛选到候选分子精确表征的全流程需求。无论处于抗体发现的哪个阶段，君跻生物都能匹配最合适的亲和力检测方案。

AI 预测模型可以缩小候选范围，减少无效工作量；而自动化湿实验产出高质量的真实数据，反哺 AI 模型持续迭代升级。

无论大模型如何迭代，AI 永远是研发加速器；高质量、自动化的高通量湿实验验证，才是筛选优质抗体候选的最终判官。如需了解相关服务详细，可发送邮件至marketing@gentlegen.com。