A Comprehensive Benchmark of Computational Models for Antibody--Antigen Binding Affinity
本文介绍了 AbBiBench，这是一个包含超过 216,000 项实验测量数据的综合基准测试，用于评估 20 种抗体-抗原结合亲和力计算模型，揭示了全局结构条件的逆向折叠优于微调方法，并证明了该框架在优先排序具有高实验成功率的功能性变体方面的效用。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
免疫系统依赖于一种由 Y 型蛋白质组成的精密防御力量——抗体。这些分子充当精准的哨兵，在体内搜寻病毒或细菌等入侵者。它们的成功取决于一种“锁与钥”的机制：抗体必须能够物理性地抓取一个被称为“抗原”的特定目标，并拥有足够的强度来中和威胁。科学家们长期以来一直致力于设计更好的抗体版本，通过微调其形状来更紧密地结合危险的病原体。这一过程对于创造新药至关重要，但面临着一个巨大的障碍。由于可能的抗体变体数量极其庞大，以至于在实验室中逐一进行测试是不可能的。研究人员需要一种方法，能够在这些设计进入试管之前，就预测哪些设计是有效的。
多年来，评估旨在创建这些抗体的计算机模型的方法一直存在缺陷。许多程序被评判的标准仅仅是它们生成的序列与自然界中发现的天然抗体有多相似。然而，免疫系统是通过突变和重组这一混乱、随机的过程来产生抗体的，这会产生许多看起来与现有天然抗体完全不同的形状。根据一个设计是否看起来像已存在的东西来评判它，忽略了问题的核心。抗体的真正考验不在于它对过去的模仿能力，而在于它在当下抓取特定目标的能力。一项新研究引入了一个名为 AbBiBench 的综合基准，它将重心完全转向了这一功能性目标。研究人员不再询问一个设计看起来是否自然，而是询问计算机模型能否正确预测哪些抗体变体实际上能与目标紧密结合。
为了建立这一新标准，团队收集了大量的实验数据。他们汇总了超过 21.6 万次关于不同抗体变体与九种不同抗原（包括流感病毒和 SARS-CoV-2 病毒的部分成分）结合强度的测量数据。这些测量数据来自 16 种不同的实验室测试，涵盖了广泛的抗体靶点和突变类型。随后，研究人员利用该数据集测试了二十种不同的计算方法。至关重要的是，他们在“零样本”（zero-shot）状态下测试了这些模型，这意味着他们在不针对这些抗体进行专门教学或不使用新数据进行微调的情况下，直接对发布的软件进行评估。这确保了结果反映了模型的真实泛化能力，而非其记忆特定数据集的能力。
结果揭示了预测结合强度的明确胜出者。与仅观察蛋白质字母序列或专注于结构微小局部部分的模型相比，利用抗原-抗体复合物完整三维结构作为引导的模型表现显著更好。具体而言，一种被称为“逆折叠”（inverse folding）的方法——即预测给定三维形状的最佳氨基酸序列——脱颖而出，成为了最一致且最准确的工具。顶尖性能的模型能够以极高的可靠性对候选者进行排名，识别出那些可能比原始版本结合得更紧密的变体。相比之下，仅依赖氨基酸顺序的模型，或者经过抗体数据专门微调的模型，并没有持续提升性能，有时甚至比其通用的对应模型表现更差。
研究还揭示了计算机模型应用中一个令人惊讶的不对称性。这些模型非常擅长寻找“赢家”——它们能精准识别出那些可能具有强结合力、值得在实验室进行测试的少数变体。然而，它们在识别“输家”方面则不太可靠。来自计算机模型的低分并不能成为丢弃一个变体的充分理由，因为许多排名较低的候选者仍然表现出一定的结合能力。这表明，虽然计算机是缩小搜索范围并优先考虑最有希望的设计的强大工具，但它们目前还无法被用来安全地排除其他可能性。最佳策略仍然是使用这些模型来丰富用于实验测试的候选名单，而不是用它们来过滤掉其余部分。
为了证明这些回顾性发现可以转化为现实世界的应用，研究人员进行了一项前瞻性案例研究。他们要求模型设计出新的抗体版本，这些版本能自然地结合一种流感毒株，但无法结合另一种。目标是创造出能够抓取第二种毒株的变体。模型生成了数千个新序列，研究人员根据预测的结合强度和序列稳定性，使用两步过滤法筛选出最有希望的候选者。他们选择了 21 个顶尖候选者并在实验室中进行了测试。所有设计的变体都成功结合了目标流感病毒，这一结果证实了这些模型生成功能性、高亲和力设计的能力。这一成功表明，通过关注抗体与目标之间的物理相互作用，而非仅仅关注序列，科学家现在可以更有信心地利用人工智能在广阔的抗体设计领域中实现高效导航。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。