利用深度学习进行抗体序列设计的逆折叠

ICMLOct, 2023

利用深度学习进行抗体序列设计的逆折叠

Inverse folding for antibody sequence design using deep learning

Frédéric A. Dreyer, Daniel Cutting, Constantin Schneider, Henry Kenlay, Charlotte M. Deane

TL;DR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。

Abstract

We consider the problem of antibody sequence design given 3D structural information. Building on previous work, we propose a fine-tuned inverse folding model that is specifically optimised for antibody structures and outperforms generic protein models on sequence recovery and structure

antibody sequence design 3d structural information inverse folding model cdr-h3 loop drug discovery

发现论文，激发创造

用于抗体序列 - 结构协同设计的迭代精化图神经网络

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

融合预训练范式的抗体序列 - 结构协同设计

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

蛋白复合物不变嵌入与交叉门多层感知器是一种一次性抗体设计工具

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

使用深度贝叶斯优化进行蛋白质反折叠

使用深度贝叶斯优化来优化难以预测蛋白质序列的反折叠问题，并可应用于其他有约束的情况，能在减少计算资源的情况下产生具有大大降低结构误差的蛋白质序列。

May, 2023

抗体结构 - 序列共设计的分层训练方法

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

AntibodyFlow: 设计抗体互补决策区的标准流模型

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

基于条件的抗体设计作为三维等变图形翻译

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

PiFold：实现高效和有效的蛋白质逆折叠

本论文提出了 PiFold 具有改进恢复能力的新型残基特征提取器和 PiGNN 层，可一次性生成蛋白质序列。实验结果显示，PiFold 能够快速恢复结构，并且在 CATH 4.2，TS50 和 TS500 上的恢复效果也非常好，是以前方法的 70 倍快。

Sep, 2022

通过直接基于能量的偏好优化进行抗原特异性抗体设计

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

SE (3) 扩散的全新抗体设计

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