本文提出了一种基于预训练模型的计算抗体设计方法，通过对抗体序列数据的预先训练，结合一种一次性的序列 - 结构生成方法和精心设计的模块，成功地生成了具有高性能的抗原特异性抗体。

Oct, 2022

我们提出了一种层次训练范式 (HTP) 用于抗体序列结构的联合设计，通过结合几何图神经网络和大规模蛋白质语言模型，从几何结构和抗体序列数据库中挖掘进化信息，以确定配体结合位姿和强度，并取得了目前的最优性能。

Oct, 2023

给定 3D 结构信息，我们提出了一种经过精调的逆折叠模型，专门针对抗体结构进行优化，在抗体中的序列恢复和结构鲁棒性方面超越通用蛋白质模型，尤其在高变性 CDR-H3 环上改进显著。我们研究了互补决定区的规范构象，发现将这些环编码到已知簇中的方法有所改进。最后，我们考虑了我们模型在药物发现和结合物设计方面的应用，并利用基于物理的方法评估了所提出序列的质量。

Oct, 2023

本文提出了多通道等变注意力网络（MEAN）用于抗体设计，通过导入目标抗原和抗体的轻链等组件，将抗体设计公式化为条件图转换问题，并采用 E (3)- 等变信息传递和建议的注意力机制来更好地捕捉不同组件之间的几何关系，最终通过多轮渐进式全射法输出了 1D 序列和 3D 结构，相对于先前的自回归方法，我们的方法在序列和结构建模、抗原结合 CDR ，结合亲和力优化等方面的表现显著优于现有的最先进模型，特别是在抗原结合 CDR 设计和亲和力优化方面表现出了约 23% 和 34% 的相对改进。

Aug, 2022

提出了一种名为 AntibodyFlow 的三维流模型，用于设计抗体 CDR 环。通过构建距离矩阵并基于该矩阵预测氨基酸，AntibodyFlow 能够学习 CDR 环的三维几何结构，实验证明 AntibodyFlow 在有效率和几何图形误差方面优于其他基线方法。

Jun, 2024

本文提出了一种深度生成模型，可在一次试验中协同设计抗体 CDR 的一维序列和三维结构，并通过广泛实验证明其性能优于现有方法。

Apr, 2023

通过整合力场能量反馈，在扩散模型的采样过程中引入力的引导，我们的模型 DiffForce 能够生成具有较低能量的 CDRs，提升生成抗体的结构和序列。

Jun, 2024

通过使用预先训练的条件扩散模型和等变神经网络，我们提出了直接基于能量偏好优化的方法来指导特定抗原的抗体生成，以获得具有合理结构和显著结合亲和力的抗体设计，实验证明了我们方法在优化抗体能量和提高结合亲和力方面的卓越性能。

Mar, 2024

提出了用于优化抗体 CDRH3 区域的贝叶斯优化框架 AntBO，该框架使用 Absolut！软件来评估抗体对特定抗原的特异性和亲和力，并通过引入 CDRH3 信任区域来限制具有有利发展性得分的序列搜索，最终在仅使用少量黑盒函数调用的情况下，在 159 个抗原和 38 个蛋白质设计中发现了高达 69 万个实验得到的序列和常用遗传算法基线的最佳结合序列。

Jan, 2022

该研究引入了一种新颖的增强学习方法，专门针对抗体设计领域的独特挑战，展示出其能够学习在体内或离线数据集中设计高亲和力抗体的能力，为个体疾病如癌症等复杂疾病的靶向抗体疗法的发展提供了新的途径。

Nov, 2023