AlphaFold及相关深度学习方法在抗体和TCR抗原识别建模中的基准评测

阐明抗体和T细胞受体（TCR）识别抗原的结构基础，能够为有效的免疫靶向提供关键见解，并可为生物治疗药物和疫苗的设计提供指导。对与其靶标形成复合物的抗体和TCR进行准确的计算建模，对包括 AlphaFold 在内的预测方法而言是一项重大挑战；尽管 AlphaFold 在蛋白质复合物建模方面通常具有较高准确性，但其在免疫识别建模中的成功有限。在本研究中，我们评估了 AlphaFold2、AlphaFold3、增强采样方案以及相关深度学习方法在抗体-蛋白、抗体-肽以及 TCR-肽-主要组织相容性复合体（pMHC）识别建模中的表现。我们表明，相较于默认采样和 AlphaFold2，增强采样和 AlphaFold3 通常能够提升性能；然而，不同界面类别之间的预测准确性及其改进幅度差异显著，其中抗体-肽复合物尽管抗原尺寸较小，仍构成了一项挑战。对各方法逐案例成功情况的比较显示出一定的互补性，表明可通过模型汇聚策略提升成功率，例如将抗体-肽复合物近天然构象的成功率从 41% 提高至 59%。对 AlphaFold 置信度评分的分析以及对一种非经典复合物的建模，进一步加深了对预测性能的理解。这些结果突出了抗体和 TCR 复合物预测建模工作中的若干关键考量，同时揭示了不同方案、评分方式以及免疫复合物类别之间的重要差异。

确定抗体和T细胞受体（TCR）抗原识别的结构基础，能够为有效的免疫靶向提供关键见解，并可为生物治疗药物和疫苗的设计提供信息。对与其靶标形成复合物的抗体和TCR进行准确的计算建模，对包括 AlphaFold 在内的预测方法而言是一项重大挑战；尽管 AlphaFold 在蛋白质复合物建模方面通常较为准确，但其在免疫识别建模中的成功有限。在本研究中，我们评估了 AlphaFold2、AlphaFold3、增强采样方案以及相关深度学习方法在抗体-蛋白、抗体-肽以及 TCR-肽-主要组织相容性复合体（pMHC）识别建模中的表现。我们表明，与默认采样和 AlphaFold2 相比，增强采样和 AlphaFold3 通常能够提升性能；然而，不同界面类别之间的预测准确性及改进幅度差异显著，其中抗体-肽复合物尽管抗原尺寸较小，仍然构成了一项挑战。对不同方法逐例成功情况的比较显示，这些方法之间存在一定的互补性，表明可通过模型池化策略提高成功率，例如将抗体-肽复合物的近天然构象预测成功率从 41% 提高至 59%。对 AlphaFold 置信度评分的分析以及对一种非经典复合物的建模，进一步揭示了其预测性能的相关特征。这些结果突出了抗体和 TCR 复合物预测建模工作中需要考虑的因素，同时揭示了不同方案、评分方式及免疫复合物类别之间的关键差异。

感谢您有意传播关于 bioRxiv 的信息。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.04.736425v1?rss=1

🏷️ AlphaFold 抗体抗原识别 TCR-pMHC复合物 深度学习建模 结构预测