本文提出了一种基于生成模型的方法来自动设计具有增强的结合特异性或中和能力的抗体的 CDRs。该方法系统地利用了序列和三维结构之间的关系，并在设计中具有更高的效率和灵活性，最终成功设计出能够中和 SARS-CoV-2 病毒的抗体。

Oct, 2021

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

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

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

本研究旨在开发一种新型的生成模型 AbODE，利用图形 PDE 扩展来更好地处理与抗体及其与抗原之间的作用有关的信息，从而更好地解决抗体设计面临的中心挑战，包括蛋白质折叠，反相折叠和结合后对接问题。

May, 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

基于 ImmuneBuilder，我们介绍了 ABodyBuilder3，一种改进和可扩展的抗体结构预测模型，通过利用语言模型嵌入，实现了 CDR 环的建模中的最新准确性，并展示了通过仔细的松弛策略进一步改进预测结构的方法。最后，我们将预测的局部距离差异测试结合到模型输出中，以便更准确地估计不确定性。

May, 2024