Technische Samenvatting: ConTact – Contact-First Antilichaam CDR-ontwerp via Expliciete Interface-Redenering

1. Probleemstelling

Huidige computationele methoden voor het ontwerpen van Complementarity-Determining Regions (CDR's) van antilichamen baseren zich op antigeenstructuren om bindingslussen te genereren. Echter, bestaande architecturen lijden aan een fundamentele structurele beperking: ze vermengen twee distincte deelvragen tot één enkele voorspellingskop.

1. Contactidentificatie: Bepalen welke CDR-posities fysiek contact zullen maken met het antigeen.
2. Sequentiekeuze: Bepalen welke aminozuren op die posities moeten worden geplaatst op basis van lokale chemie.

Bestaande benaderingen, waaronder Equivariante Graph Neural Networks (bijv. MEAN, RAAD) en op diffusie gebaseerde methoden (bijv. DiffAb), propageren antigeeninformatie doorgaans via uniforme berichtoverdracht of vlakke concatenatie. Dit behandelt alle antigeenresiduen gelijk, ongeacht de afstand, en dwingt het model om impliciet contactredenering te leren terwijl het gelijktijdig sequenties voorspelt. Bijgevolg wordt het antigene signaal verdund over alle posities, en wijst het model gelijke leercapaciteit toe aan niet-contactposities (voornamelijk beperkt door de backbone-geometrie) en contactposities (beperkt door specifieke chemische interacties met het antigeen). Empirisch bewijs suggereert dat deze methoden antigeeninformatie niet effectief benutten, waarbij voorspellingen nauwelijks veranderen zelfs wanneer het antigeen wordt verwijderd.

2. Methodologie: De CONTACT-architectuur

De auteurs stellen CONTACT voor, een "contact-first" architectuur die CDR-ontwerp expliciet decomposeert in een driedelige cascade: Complementariteitsvingerafdrukken, Contactvoorspelling en Contactgeleid Sequentiegeneratie. Deze aanpak adresseert het "waar" voor het "wat".

2.1. Graphconstructie en Encoding

Het antilichaam-antigeencomplex wordt weergegeven als een heterogene graph die zware keten-, lichte keten- en antigeenresiduen bevat, samen met globale delimiter-tokens en virtuele knopen.

• Virtuele Knopen: Speciale virtuele knopen verbinden bidirectioneel met alle epitoom- en CDR-residuen, waardoor een twee-hop shortcut ontstaat om het "over-squashing"-probleem te mitigeren, waarbij informatie van verre epitomen verdund raakt door sequentiële berichtoverdracht.
• Encoder: Een VirtualNode-EGNN (E(3)-equivariante GNN) voert berichtoverdracht uit en updatet zowel residu-embeddings als backbone-coördinaten gelijktijdig.

2.2. Driedelige Decoder

De kerninnovatie ligt in de decoder, die informatie sequentieel verwerkt:

• Fase 1: Complementariteitsvingerafdrukken
  Het model comprimeert cross-attention-outputs tot een laagdimensionale "vingerafdruk" voor elke CDR-positie, die de lokale oppervlaktecomplementariteit karakteriseert (bijv. hydrofoob versus geladen omgevingen). Dit wordt getraind met een contrastieve loss (InfoNCE) om ervoor te zorgen dat vergelijkbare lokale omgevingen vergelijkbare vingerafdrukken opleveren.

• Fase 2: Contactvoorspelling
  Met behulp van de vingerafdrukken, CDR-embeddings en geaggregeerde kenmerken van de dichtstbijzijnde antigeenburen, schat een supervised predictor de waarschijnlijkheid ($\hat{c}_i$) dat een specifieke CDR-positie contact zal maken met het antigeen.

  • Loss: Een focal binary cross-entropy loss wordt gebruikt om de klassenongelijkheid aan te pakken (niet-contacten zijn 3–5 keer talrijker dan contacten), waarbij de leerfocus ligt op moeilijke, ambigu grensposities.

• Fase 3: Contactgecontroleerde Injectie van Lokale Complementariteit
  De voorspelde contactbetrouwbaarheid ($\hat{c}_i$) fungeert als een poort om lokale antigeenkenmerken selectief in de CDR-representatie te injecteren.

  • Dubbele Poorting: De injectie wordt gemoduleerd door een geleerde poort ($g_i$) en de contactbetrouwbaarheid ($\hat{c}_i$). Op niet-contactposities ($\hat{c}_i \approx 0$) wordt antigeeninformatie effectief op nul gezet, wat ruis van verre residuen voorkomt. Op contactposities worden antigeenkenmerken ingebracht om de sequentiekeuze te sturen.
  • Afstandsgeschaarde Cross-Attention: Een Gaussische ruimtelijke bias wordt toegepast op cross-attention-scores, wat ruimtelijke buren bevoordeelt en een geometrische prior encodeert dat bindingscontacten ruimtelijk nabij zijn.

2.3. Trainingsdoel

Het model wordt getraind met een samengestelde loss-functie:

• Contact-gewogen Sequentieloss ($L_{seq}$): Een cross-entropy loss waarbij posities die als contacten worden voorspeld, worden opgewogen ($w_i = 1 + \alpha \cdot \hat{c}_i$). Dit concentreert gradiëntsignalen op bindingskritieke posities.
• Auxiliaire Losses: Omvat coördinateloss (smooth-$\ell_1$ op C$\alpha$-coördinaten), koppelingsloss (contrastieve matching van CDR- en antigeen-embeddings), dockingloss (het bestraffen van afstand tot het epitoom) en vingerafdruk-contrastieve loss.

3. Belangrijkste Bijdragen

1. Architecturale Decompositie: Het artikel identificeert de vermenging van contactidentificatie en sequentievoorspelling als een primaire faalmodus in bestaand CDR-ontwerp. Het stelt een "contact-first" paradigma voor dat deze taken decomposeert in een expliciete, supervised driedelige cascade.
2. Contactgecontroleerd Injectiemechanisme: Een novel dubbel-poortmechanisme (geleerde poort $\times$ contactbetrouwbaarheid) dat antigeeninformatie selectief routeert naar bindingsrelevante posities, en zo ruispropagatie naar niet-contactresiduen voorkomt.
3. Afstandsgeschaarde Attention & Loss: De integratie van geometrische priors via afstandsgeschaarde cross-attention en contact-gewogen cross-entropy loss om leercapaciteit af te stemmen op de spaarzaamheid van het CDR-antigeen-interface.

4. Experimentele Resultaten

De methode werd geëvalueerd op CHIMERA-BENCH, een dataset van 2.922 antilichaam-antigeencomplexen, tegen elf baselines die variëren van Equivariante GNN's, Diffusie/Stroommodellen, ODE's tot Autoregressieve modellen.

• Structurele Kwaliteit: CONTACT behaalde de laagste C$\alpha$ RMSD (1,63 Å), wat een 7% verbetering vertegenwoordigt ten opzichte van de naaste beste baseline (RAAD bij 1,75 Å) en een 11% verbetering ten opzichte van MEAN.
• Epitoombewustzijn: CONTACT behaalde de hoogste epitoom F1-score (0,79), waarmee het GNN-baselines (RAAD/MEAN bij 0,72) met 10% en RefineGNN (0,76) met 4% voorbijstreeft. Dit valideert het vermogen van het model om bindingsrelevante residuen te identificeren.
• Bindingskwaliteit: Het model behaalde het hoogste aandeel native contacts (fnat 0,67) en concurrerende DockQ-scores (0,73).
• Sequentieherstel: CONTACT behaalde de hoogste Aminozuurherstel (AAR 0,38) onder alle baselines. Echter, Contact AAR (CAAR) bleef vergelijkbaar met andere methoden (~0,20), wat suggereert dat hoewel de architectuur beter identificeert waar moet worden gebonden, het voorspellen van de exacte aminozuurnatuur op die posities een fundamentele bottleneck blijft.

5. Betekenis en Claims

Het artikel beweert dat de superieure prestaties van CONTACT voortkomen uit de expliciete scheiding van contactredenering van sequentiegeneratie. Door een supervised pad te bieden voor antigeeninformatie om alleen op bindingsrelevante posities de sequentiekop te bereiken, vermijdt het model de "verdunning" van signalen die wordt gezien in architecturen met uniforme berichtoverdracht.

De auteurs merken op dat hoewel CONTACT de structurele kwaliteit en epitoombewustzijn aanzienlijk verbetert, de kloof tussen totale AAR en Contact AAR aangeeft dat de huidige bottleneck niet ligt in de toewijzing van leercapaciteit, maar in de informatie-inhoud van C$\alpha$-niveau antigeenrepresentaties. Zij suggereren dat toekomstig werk rijkere antigeenrepresentaties moet verkennen (bijv. zijketting-geometrie, oppervlakte-elektrostatica) om de moeilijkheid van het voorspellen van antigeenspecifieke aminozuurnaturen volledig op te lossen.

Het artikel concludeert dat de "contact-first" decompositie een noodzakelijke stap is naar effectief computationeel antilichaamontwerp, en een supervised brug biedt tussen antigeenstructuur en sequentiespecificiteit die bestaande methoden missen.