通过使用 AVIDa-SARS-CoV-2 数据集以评估抗体语言模型的表示能力，加速抗体疗法的发现与 AI 驱动的抗体发现的发展。

May, 2024

利用专利数据，通过多阶段、多损失训练过程，研究了改进抗体人性预测的潜力，人性作为抗体治疗免疫原性反应的替代指标，从而解决了药物研发中的一大原因以及其在临床设置中的挑战障碍，并且通过对三个不同的免疫原性数据集进行推理，展示了专利数据和该方法的实用性，实验证明了该学习模型在六个推理任务中五个使用指标的情况下始终优于其他对照基准并创造了新的最优结果。

Jan, 2024

我们提出了 IgBert 和 IgT5，这两个迄今为止最好的抗体特异性语言模型，在设计更好的治疗方法方面，能持续处理成对和不成对的变量区域序列作为输入，并且在抗体工程的多样化设计和回归任务上，这些模型胜过了现有的抗体和蛋白质语言模型。这一进展在利用机器学习、大规模数据集和高性能计算增强抗体治疗方法的设计方面迈出了重要的一步。

Mar, 2024

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

本研究提出了一个开放查询的抗病毒药物资源库和机器学习平台，拥有手工筛选的关于试验验证可能抗病毒药物分子的数据集，并支持药物活性预测、虚拟筛选和其他相关任务。

Sep, 2022

该研究旨在基于序列数据开发一种机器学习方法，预测纳米抗体与抗原之间的结合，通过利用 gapped k-mers 的 embedding 方法，达到高达 90% 的结合预测准确率，相比于广泛使用的计算对接技术更高效。

Jul, 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

本文介绍一种名为 AntiBERTy 的语言模型，该模型基于 558M 个天然抗体序列进行训练，在免疫库中对抗体进行聚类，用于理解免疫应答的亲和力成熟的过程，针对高度冗余的序列进行多实例学习，以确定免疫库中关键的结合残基。该方法的进一步发展将能够仅从免疫库序列中提供新的抗原结合洞察。

Dec, 2021

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