EvoStruct：通过蛋白质语言模型适应桥接进化和结构先验的抗体 CDR 设计
机器学习
2026-05-21 v1
摘要
等向子图神经网络（GNN）方法在抗体补偿决定区（CDR）设计中实现最高的序列恢复，但 suffer 从严重的词汇塌陷。当前最佳 GNN 方法过度预测 very few氨基酸，如酪氨酸和甘氨酸，同时忽略功能性重要残基。我们追溯这一失败到 GNN 编码器从有限结构数据中从头学习氨基酸分布，放弃进化数据库中编码的替代模式。为解决此问题，我们提出 EvoStruct，通过跨注意力适配器将冻结的蛋白质语言模型（PLM）与来自 E(3) 等向 GNN 的 3D 结构上下文桥接起来。不同于通用蛋白质设计的先前 PLM-结构适配器，EvoStruct 通过渐进式 PLM 解冻和 R-Drop 一致性正则化针对 CDR 设计特定的词汇塌陷问题进行设计。在 CHIMERA-Bench 数据集上，EvoStruct 实现了最高的氨基酸恢复率和最低的困惑度，相对于最佳 GNN 基线提高 16% 序列恢复率，降低 43% 困惑度，同时恢复 2.3 倍更大的氨基酸多样性和最高的结合对相关性。
引用
@article{arxiv.2605.21485,
title = {EvoStruct: Bridging Evolutionary and Structural Priors for Antibody CDR Design via Protein Language Model Adaptation},
author = {Mansoor Ahmed and Sujin Lee and Umar Khayaz and Murray Patterson},
journal= {arXiv preprint arXiv:2605.21485},
year = {2026}
}