AbFlowNet：通过扩散-GFlowNet融合优化抗体-抗原结合能
机器学习
2025-05-20 v1 人工智能
摘要
互补决定区（CDR）是抗体中关键片段，促进其与特定抗原的结合。当前用于CDR设计的计算方法采用重构损失，未联合优化结合能——这是衡量抗体效力的关键指标。相反，结合能优化通过依赖不可靠结合能估计器的计算昂贵的在线强化学习（RL）管道实现。本文提出AbFlowNet，一种新型生成框架，将GFlowNet与扩散模型集成。通过将每个扩散步骤建模为GFlowNet框架中的状态，AbFlowNet联合优化标准扩散损失和结合能，直接将能量信号纳入训练过程，从而统一扩散与奖励优化于单一程序。实验结果表明，AbFlowNet在氨基酸恢复率上提升3.06%，几何重构（RMSD）提升20.40%，结合能改进率提升3.60%。AbFlowNet还在不对测试数据集进行伪标签化或使用计算昂贵的在线RL方案的情况下，将Top-1总能量和结合能误差分别降低24.8%和38.1%。
引用
@article{arxiv.2505.12358,
title = {AbFlowNet: Optimizing Antibody-Antigen Binding Energy via Diffusion-GFlowNet Fusion},
author = {Abrar Rahman Abir and Haz Sameen Shahgir and Md Rownok Zahan Ratul and Md Toki Tahmid and Greg Ver Steeg and Yue Dong},
journal= {arXiv preprint arXiv:2505.12358},
year = {2025}
}