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

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

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

过去 40 年来，治疗抗体的发现和开发已经变得司空见惯。然而，随着治疗抗体构造变得更复杂（例如多样性抗体），常规的优化方法日益低效。机器学习承诺开辟一条使用较少实验和成本的计算模拟路径来加速药物产品的发现和开发。本文对当前的做法进行了批判性评论，解释了常见陷阱，并明确了一组方法开发和评估指南，可应用于治疗抗体发现与开发的不同类型的机器学习技术。

Dec, 2023

通过训练一种基于 BART 的抗体特异性语言模型 AntiBARTy，本研究利用其潜在空间来训练一种属性条件扩散模型，以进行引导 IgG 全新设计，从而有效生成具有改善的计算机辅助溶解度和控制序列多样性的新型抗体。

Sep, 2023

抗体、机器学习、免疫治疗设计、抗原表位预测以及蛋白质结构是这篇文章所讨论的关键词和主要研究领域，文章评估了常用的数据来源、评价指标和方法可用性，并全面评估了它们的重要性和局限性，讨论了未来的主要挑战。

Sep, 2023