MAHLER：整合元动力学与逆向折叠以预测抗体-抗原动力学

结合动力学对于抗体功能至关重要，其影响不仅体现在平衡亲和力所能表征的范围内，还会塑造药代动力学特性和体内疗效。我们提出了“用于解离速率工程的元动力学锚定混合学习方法（Metadynamics-Anchored Hybrid Learning for Engineering off-Rates, MAHLER）”，这是一种完全开源的机器学习与物理混合方法，可在大规模条件下预测抗体-抗原相对驻留时间。通过将逆折叠模型引入分子动力学模拟，MAHLER 在计算一系列点突变体的抗体-抗原相对解离动力学方面展现出同类首创的、达到筛选级别的准确性。在完成初始的抗原特异性设置后，每次预测在单张 NVIDIA A100 GPU 上仅需 4 分钟，而即使采用已经加速的分子动力学模拟，通常也仍需数天时间。该方法为当前主要聚焦于抗体-抗原复合物结合亲和力的计算设计策略，提供了一种切实可行且具备动力学感知能力的补充方案。

结合动力学对于抗体功能至关重要，其影响不仅体现在平衡亲和力所能表征的范围内，还决定了药代动力学和体内疗效。我们提出了“用于工程化解离速率的元动力学锚定混合学习方法（Metadynamics-Anchored Hybrid Learning for Engineering off-Rates, MAHLER）”，这是一种完全开源的机器学习/物理混合方法，能够大规模预测抗体-抗原相对驻留时间。通过将逆折叠模型引入分子动力学模拟，MAHLER 在计算一个点突变体家族中抗体-抗原相对解离动力学方面表现出同类首创的筛选级精度。在完成初始抗原特异性设置后，每次预测在单张 NVIDIA A100 GPU 上仅需 4 分钟，而即便使用已增强的分子动力学模拟方法，通常也仍需数天时间。这为当前主要关注抗体-抗原复合物结合亲和力的计算设计方法提供了一种具有实际应用价值、能够感知动力学特征的补充手段。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.10.731383v1?rss=1

🏷️ 抗体-抗原相互作用 结合动力学 元动力学模拟 逆向折叠 机器学习 计算蛋白设计