链感知蛋白质语言模型用于抗体-抗原亲和力预测

动机：抗体-抗原亲和力决定了哪些抗体能够在治疗性发现、抗体库分析和亲和力成熟过程中得到推进，但相较于序列文库的规模，实验测量数据仍然十分稀缺。基于结构的预测方法在具备可靠复合物结构时能够利用界面几何信息，然而在早期发现阶段，往往需要针对尚无复合物结构的抗原，对大量重链-轻链配对进行排序。现有基于序列的模型具有良好的可扩展性，但常常将重链和轻链压缩为单一抗体表征，或直接拼接抗体与抗原特征，从而掩盖了驱动结合的链特异性与表位特异性信号。结果：我们提出了 AbAffinity，这是一种仅基于序列、具有链感知能力的三流架构，将重链、轻链和抗原保持为彼此独立的输入流。该方法结合冻结的 ESM-2 嵌入、以重链 CDR 为重点的池化、重链-轻链自注意力、自适应融合门控以及门控交叉注意力，仅训练一个紧凑的相互作用模块。在 SAAINT-DB 基准上，AbAffinity 在十折交叉验证下取得了较强的预测性能，并在新型抗原上保持了稳健的准确性。在包括 SAbDab、AB-Bind 和 SKEMPI 2.0 在内的外部基准测试中，它持续优于近期的序列模型。消融研究凸显了链特异性表征、CDR 聚焦池化以及门控相互作用路径的贡献。Integrated Gradients 归因结果能够在经结构验证的界面上恢复已知的互补决定区结合位点和表位残基。AbAffinity 为在结构信息有限或不可获得时进行抗体初筛与优先级排序提供了一个轻量级、可解释、以序列为先的框架。

本网站正在使用一项安全服务来保护自身免受在线攻击。您刚才执行的操作触发了该安全防护机制。可能触发此拦截的行为包括提交某些特定词语或短语、SQL 命令或格式错误的数据。

您可以向网站所有者发送电子邮件，告知您被拦截的情况。请在邮件中说明当该页面出现时您正在进行的操作，并附上本页底部显示的 Cloudflare Ray ID。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.19.733375v1?rss=1

🏷️ 抗体-抗原亲和力预测 蛋白质语言模型 序列建模 链感知架构 可解释性分析