ABConformer：基于物理启发式滑动注意力的抗体-抗原界面预测
机器学习
2025-09-30 v1 生物大分子
摘要
准确预测抗体-抗原（Ab-Ag）界面对疫苗设计、免疫诊断和治疗性抗体开发至关重要。然而，仅从序列数据实现可靠预测仍是一个挑战。本文提出了 ABCONFORMER 模型，基于 Conformer 主干网络捕获生物序列的局部与全局特征。为准确捕获 Ab-Ag 相互作用，我们引入了物理启发式滑动注意力机制，使其能够在不依赖三维结构数据的情况下实现残基水平的接触恢复。ABConformer 可在给定抗体和抗原序列的情况下准确预测抗体表面（paratopes）和抗原表面（epitopes），并能在无抗体信息的情况下预测抗原上的全抗原表面（pan-epitopes）。在与现有方法的对比实验中，ABConformer 在最新 SARS-CoV-2 Ab-Ag 数据集上实现了最新性能，并在抗体无关性抗原表面预测任务中超越了广泛使用的基于序列的方法。消融研究进一步量化了各组件的贡献，表明与传统的交叉注意力相比，滑动注意力显著提升了抗原表面预测的精度。为促进可重复性，我们将在接受录取后以开源许可证发布代码。
引用
@article{arxiv.2509.23254,
title = {ABConformer: Physics-inspired Sliding Attention for Antibody-Antigen Interface Prediction},
author = {Zhang-Yu You and Jiahao Ma and Hongzong Li and Ye-Fan Hu and Jian-Dong Huang},
journal= {arXiv preprint arXiv:2509.23254},
year = {2025}
}