AbODE: 使用耦合 ODE 的从头设计抗体
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
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
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
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
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
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
AbDiffuser 是一种依对称性且物理信息感知的扩散模型,用于联合生成抗体的三维结构和序列。它基于蛋白质结构的新表示法,依赖于新颖的对齐蛋白质架构,并利用强扩散先验知识来改进去噪过程。我们的方法借助领域知识和物理约束来改善蛋白质扩散,并能处理序列长度改变,同时将内存复杂度降低一个量级,使得骨架和侧链生成成为可能。我们通过理论和实验验证了 AbDiffuser 的有效性,数值实验展示了 AbDiffuser 生成抗体序列和结构属性与参考集密切相似。实验室实验证实了发现的 16 种 HER2 抗体均具有高表达,且 57.1% 的设计是紧密结合物。
Jul, 2023
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
我们引入了 IgDiff,这是一种基于一般蛋白质骨架扩散框架的抗体可变域扩散模型,扩展到处理多条链。我们评估了我们模型生成的结构的可设计性和新颖性,发现 IgDiff 产生出高度可设计的抗体,其中包含了新颖的结合区域。抽样结构的骨干二面角与参考抗体分布显示出良好的一致性。我们实验证实了这些设计的抗体,并发现全部高产。最后,我们将我们的模型与最先进的生成性骨架扩散模型在一系列抗体设计任务中进行了比较,例如互补决定区的设计或将轻链配对到现有重链上,并展示了改进的特性和可设计性。
May, 2024
本研究利用深度神经网络实现抗体重要区域的预测,与先前的物理模型相比,Parapred 取得了更好的表现,其计算效率得到了显著提高,同时,实现交叉模态注意力,抗体残基与抗原残基相互关注,取得了新的最佳结果和有意义的解释。
Jun, 2018