Résumé technique : AgForce permet la conception générative d'anticorps conditionnée par l'antigène

1. Énoncé du problème

La conception d'anticorps thérapeutiques nécessite de générer des régions déterminantes de complémentarité (CDR), en particulier la boucle CDR-H3 hautement variable, qui se lient à un antigène cible. Bien que des modèles génératifs profonds aient été développés pour conditionner la conception d'anticorps sur la structure de l'antigène, une évaluation systématique révèle un échec critique : les méthodes existantes ignorent largement l'entrée antigénique.

Les auteurs identifient trois modes d'échec causalement liés dans les approches actuelles de l'état de l'art (spécifiquement les réseaux de neurones à graphes équivariants avec décodage glouton) :

1. Aveuglement à l'antigène : Les modèles produisent des séquences CDR presque identiques, quel que soit l'antigène cible. Une référence sans antigène atteint souvent une qualité de liaison comparable à celle des modèles conditionnés par l'antigène, indiquant que les mécanismes de conditionnement contribuent peu.
2. Effondrement du vocabulaire : Les distributions d'acides aminés prédites sont sévèrement restreintes, les vocabulaires effectifs s'effondrant à 3–5 acides aminés par position (contre ~15,5 dans les séquences natives). Les résidus rares mais biochimiquement critiques ne sont presque jamais prédits.
3. Le plafond de l'entropie croisée : Les auteurs prouvent théoriquement que la minimisation de la perte standard d'entropie croisée par position force le prédicteur optimal à converger vers la distribution marginale de position (la fréquence empirique des acides aminés à chaque position à travers l'ensemble d'entraînement), indépendamment du signal de conditionnement. Cette propriété mathématique rend prouvablement impossible pour les objectifs d'entropie croisée standard de générer des prédictions spécifiques à l'antigène.

2. Méthodologie : AGFORCE

Pour remédier à ces modes d'échec, les auteurs proposent AGFORCE, une nouvelle architecture encodeur-décodeur conçue pour la co-conception séquence-structure.

Architecture de l'encodeur

• Dropout du cadre (Framework Dropout) : Pour empêcher le modèle de s'appuyer sur le cadre de l'anticorps comme un « raccourci » (en ignorant l'antigène), les plongements du cadre de la chaîne lourde sont corrompus par dropout (probabilité de 30 %) avant le passage de messages. Cela force le modèle à extraire des informations du chemin de l'antigène.
• VirtualNode-EGNN : Le complexe anticorps-antigène est représenté comme un graphe hétérogène. L'encodeur utilise un Réseau de Neurones à Graphes équivariant E(3) (EGNN) augmenté de nœuds virtuels. Ces nœuds virtuels créent un canal d'information à deux sauts entre les résidus de l'épitope et les résidus CDR, atténuant le problème de « sur-écrasement » où l'information d'épitope lointaine se dilue lors du passage de messages séquentiel.
• Attention croisée hyperbolique : Au lieu de l'attention euclidienne standard, AGFORCE effectue une attention croisée CDR-épitope sur l'hyperboloïde de Lorentz. Cela exploite la nature hiérarchique de la liaison anticorps-antigène, où la géométrie globale de l'épitope contraint les choix d'acides aminés locaux.

Architecture du décodeur

• Réseau de densité de mélange (MDN) avec couplage par paires : Pour briser le plafond de l'entropie croisée, AGFORCE remplace la tête de séquence linéaire standard par un MDN. Le décodeur prédit un mélange de $K=4$ composantes. Chaque composante utilise une matrice de couplage symétrique (de type Potts) pour modéliser les préférences d'acides aminés par paires entre positions adjacentes, affinées par propagation de croyance.
• Apprentissage multiple choix recuit (aMCL) : Le modèle est entraîné en utilisant aMCL plutôt que la vraisemblance de mélange standard. Un paramètre de température $\tau$ est recuit de haut en bas au cours de l'entraînement. Cela permet aux composantes d'explorer des solutions diverses initialement, puis de se spécialiser dans des attributions « gagnant-gagne-tout » pour des sous-ensembles spécifiques d'exemples d'entraînement. Théoriquement, cela permet aux prédictions des composantes individuelles de différer de la marginale de position globale, brisant ainsi le plafond.
• Régularisation de diversité GDPP : Une fonction de perte de Processus Ponctuel Déterminant Génératif (GDPP) est appliquée aux composantes du mélange pour pénaliser les écarts par rapport à la diversité native, contrant directement l'effondrement du vocabulaire.
• Perte de classification d'antigène : Une tête spécialisée achemine les gradients à travers les distributions de séquences prédites vers l'espace des plongements d'antigène. En utilisant un objectif InfoNCE, cette perte force les distributions de probabilité CDR prédites à encoder l'identité spécifique à l'antigène, assurant que le modèle ne peut ignorer l'antigène.

Fonction objectif d'entraînement

La fonction de perte totale combine cinq termes :

1. Prédiction de séquence (MDN-Potts avec aMCL).
2. Prédiction de coordonnées (perte Smooth-$\ell_1$ sur les coordonnées du squelette CDR).
3. Perte de paratope d'ombre (imposant des distances correctes à la surface de l'épitope).
4. Régularisation de diversité GDPP.
5. Perte de classification d'antigène.

3. Contributions clés

1. Cadre diagnostique : L'article fournit la première identification systématique de trois modes d'échec (aveuglement à l'antigène, effondrement du vocabulaire et plafond de l'entropie croisée) dans les méthodes GNN équivariantes pour la conception de CDR, vérifiée sur cinq familles d'architectures.
2. Architecture AGFORCE : Une intervention ciblée pour chaque mode d'échec :
   • Dropout du cadre et perte de cohérence de l'antigène pour remédier à l'aveuglement.
   • Tête MDN-Potts avec aMCL et régularisation GDPP pour remédier à l'effondrement du vocabulaire et au plafond de l'entropie croisée.
   • Attention croisée hyperbolique et nœuds virtuels pour un meilleur encodage structurel.
3. Preuve théorique : Une preuve formelle démontrant que l'optimisation standard de l'entropie croisée converge vers la marginale de position, et que l'objectif aMCL proposé admet des solutions qui brisent cette convergence.

4. Résultats expérimentaux

Le modèle a été évalué sur CHIMERA-BENCH, un ensemble de données de référence de 2 922 complexes anticorps-antigène avec une séparation par groupe d'épitope.

• Récupération de séquence : AGFORCE a atteint un taux de récupération d'acides aminés (AAR) de 0,40, surpassant les références de séquence les plus fortes (RAAD, MEAN, dyMEAN) qui ont convergé vers ~0,37. Cela représente une amélioration de 8 % par rapport à la référence la plus forte et brise le plafond de l'entropie croisée identifié.
• Qualité de liaison : AGFORCE a atteint des performances de l'état de l'art sur toutes les métriques de liaison simultanément :
  • Fraction la plus élevée de contacts natifs (fnat = 0,67).
  • RMSD d'interface la plus faible (iRMSD = 1,30 Å).
  • Meilleur DockQ (0,74) et meilleure F1 d'épitope (0,77).
  • Il a surpassé RefineGNN (une référence forte sans aucune entrée d'antigène), démontrant l'efficacité des fonctions de perte spécifiques utilisées.
• Diversité : Le vocabulaire effectif d'AGFORCE était de 9,4, presque le double de celui des références GNN (3,0–5,5) et s'approchant de la diversité native (15,5). Le modèle a produit 95,5 % de séquences uniques à travers les complexes de test, contre 20,9–76,4 % pour les références.
• Études d'ablation : La suppression de l'attention hyperbolique ou du dropout du cadre a considérablement dégradé la qualité de liaison. La suppression de la perte de classification d'antigène a réduit les métriques de liaison tout en améliorant la perplexité, confirmant son rôle de régularisateur qui échange l'étalonnage contre la spécificité de liaison.

5. Importance et revendications

Les auteurs affirment qu'AGFORCE démontre que le choix de la fonction de perte et de la tête de décodeur est plus critique que l'architecture de l'encodeur pour la conception de séquences conditionnelles dans ce domaine. En allant au-delà de l'entropie croisée standard et du décodage glouton, l'article montre qu'il est possible d'optimiser simultanément la récupération de séquence, la précision structurelle et la spécificité antigénique.

Ce travail suggère que les échecs précédents dans la conception conditionnée par l'antigène n'étaient pas dus à un manque de capacité du modèle ou de données, mais plutôt à des limitations fondamentales dans les objectifs d'entraînement (plafond de l'entropie croisée) et les stratégies de décodage (décodage glouton). AGFORCE fournit un remède principiel, atteignant les meilleures performances simultanées sur la qualité de liaison et la récupération de séquence à ce jour.

Limites reconnues :

• L'AAR de contact (précision aux positions de liaison directe) reste comparable aux références, suggérant que la prédiction d'acides aminés exacts aux interfaces de liaison est un problème plus difficile nécessitant potentiellement une modélisation explicite des rotamères de chaînes latérales.
• Bien que le vocabulaire effectif soit presque doublé, il reste en deçà de la diversité native complète.