AntibodyDesignBFN：通过离散贝叶斯流网络实现高保真固定骨架抗体设计
定量方法
2026-02-24 v3
摘要
具有高特异性和亲和力的抗体的计算设计是现代治疗开发的基石。虽然深度生成模型已展现出潜力，但它们往往难以在高保真几何条件与氨基酸序列的离散特性之间取得平衡。在这项工作中，我们提出了AntibodyDesignBFN，一个基于离散贝叶斯流网络（BFN）的固定骨架抗体设计新框架。与标准扩散模型不同，BFN在连续概率单纯形上运行，实现了完全可微的生成过程，能够无缝整合几何梯度。通过将轻量级几何Transformer与不变点注意力（IPA）以及资源高效的训练策略相结合，我们的模型建立了新的最优性能。在严格的2025年时间测试集（43个复合物）上的评估表明，AntibodyDesignBFN实现了前所未有的67.8%的氨基酸恢复率（AAR），显著优于领先的基于图的基线模型。此外，该模型非常高效，能够在消费级硬件上实现毫秒级推理。因此，AntibodyDesignBFN为下一代抗体工程提供了一个强大、易用且数学上鲁棒的框架。代码和模型检查点可在https://github.com/YueHuLab/AntibodyDesignBFN 和 https://huggingface.co/YueHuLab/AntibodyDesignBFN 获取。
引用
@article{arxiv.2601.05605,
title = {AntibodyDesignBFN: High-Fidelity Fixed-Backbone Antibody Design via Discrete Bayesian Flow Networks},
author = {Yue Hu and Feng Tao and Junqing Wang and YingChao Liu},
journal= {arXiv preprint arXiv:2601.05605},
year = {2026}
}
备注
6 pages, 1 table, 4 equations