条件无关的抗体序列神经演化

常见的深度学习抗体工程方法关注序列的边际分布。然而，将序列视为独立样本的做法忽略了亲和力成熟作为抗体探索底层适应度景观过程中信息来源的作用。相比之下，古典 phylogeny 模型显式表示演化动力学，但缺乏捕捉复杂epistatic相互作用的表达力。我们通过 CoSiNE（条件无关神经演化）弥补了这一差距，这是一种由深度神经网络参数化的连续时间马尔可夫链。从数学角度看，我们证明了 CoSiNE 对不可计算的序列点突变过程提供了一阶近似，捕捉epistatic效应的误差界随分支长度二次方。实验上，CoSiNE 在零样体变体效应预测中超越了最先进的语言模型，显式地解耦了选择与上下文依赖的体细胞突变。最后，我们引入了引导的吉格普算法，这是一种受分类器引导的采样方案，可在推理时引导 CoSiNE，实现对抗体结合亲和力向特定抗原的高效优化。