AbLWR：基于正负标签学习的抗体-抗原结合亲和力的上下文感知列表排序框架
机器学习
2026-04-14 v1 人工智能
摘要
准确预测抗体-抗原结合亲和力是治疗设计的基本问题,但受限于严重的标签稀疏性和抗原变异的复杂性. 本文提出AbLWR（Antibody-antigen binding affinity List-Wise Ranking），一种将常规亲和力回归任务重新表述为列表排序问题的新型框架. 为缓解标签稀疏性,AbLWR采用PU（正负标签）学习机制,利用双层对比目标和元优化标签细化来学习鲁棒表征. 此外,我们通过采用同源抗原采样策略,其中多头自注意力（MHSA）显式建模训练列表中样本之间的关系,以捕捉细微的亲和力差异. 大量实验表明,AbLWR显著优于最先进的基线方法,在随机交叉验证实验中将Precision@1（P@1）提高了10%以上. 值得注意的是,针对流感和IL-33的案例研究验证了其实际效用,展示了在区分细微病毒突变和高效筛选实验室前沿候选人方面的鲁棒排名一致性.
关键词
引用
@article{arxiv.2604.11272,
title = {AbLWR:A Context-Aware Listwise Ranking Framework for Antibody-Antigen Binding Affinity Prediction via Positive-Unlabeled Learning},
author = {Fan Xu and Zhi-an Huang and Haohuai He and Yidong Song and Wei Liu and Dongxu Zhang and Yao Hu and Kay Chen Tan},
journal= {arXiv preprint arXiv:2604.11272},
year = {2026}
}