用于准确结合复杂抗原的多尺度等距图扩散模型抗体设计与优化
机器学习
2025-06-27 v1 人工智能
摘要
抗体设计仍是治疗和诊断开发中的关键挑战，尤其是对于具有多样化结合界面复杂抗原。当前计算方法面临两个主要限制：（1）在保持对称性的同时捕获几何特征，（2）泛化到新型抗原界面。尽管近期取得的进展，这些方法常常无法准确捕获分子相互作用并维持结构完整性。为此，我们提出了AbMEGD（Multi-scale Equivariant Graph Diffusion for antibody sequence and structure co-design），一种集成多尺度等距图扩散的端到端框架，用于抗体序列和结构共设计。利用先进的几何深度学习，AbMEGD将原子级几何特征与残基级嵌入相结合，捕获局部原子细节和全局序列-结构相互作用。其E(3)等距扩散方法确保了几何精度、计算效率和对复杂抗原的稳健可泛化。此外，使用SAbDab数据库进行的实验表明，与DiffAb（领先的抗体设计模型）相比，AbMEGD在关键CDR-H3区域内实现了10.13%的氨基酸恢复率提升、3.32%的改善率提升以及0.062 Å的根均方偏差降低。这些结果凸显了AbMEGD在保持结构完整性的同时提高功能性方面的能力，为序列-结构共设计和亲和力优化树立了新的基准。代码已公开：https://github.com/Patrick221215/AbMEGD。
引用
@article{arxiv.2506.20957,
title = {Antibody Design and Optimization with Multi-scale Equivariant Graph Diffusion Models for Accurate Complex Antigen Binding},
author = {Jiameng Chen and Xiantao Cai and Jia Wu and Wenbin Hu},
journal= {arXiv preprint arXiv:2506.20957},
year = {2025}
}
备注
9 pages, 4 figures, accepted at IJCAI 2025