通过黑箱引导在共享潜在空间中生成抗体序列与结构的联合设计
机器学习
2025-08-18 v1
摘要
深度生成模型的进展使我们能够就抗体-抗原复合物为上下文的情况下联合建模抗体的序列与结构。然而，现有方法针对改善可开发性属性的互补决定区(CDRs)进行优化时， operate in the raw data space，导致评估成本高昂，由于搜索效率低下。为此，我们提出LatEnt blAck-box Design (LEAD)，一种在共享潜在空间中优化序列和结构的序列-结构联合设计框架。优化共享潜在代码不仅能突破现有方法的局限性，还能确保不同模态设计的同步。特别地，我们设计了一种黑箱引导策略，以容纳许多属性评估器为非可微的情况。实验结果表明，我们的LEAD在单目标和多目标优化方面均实现了优异的优化性能。值得注意的是，LEAD在属性优化方面超越了基线方法，同时将查询消耗降低了一半。代码已提供：https://github.com/EvaFlower/LatEnt-blAck-box-Design。
引用
@article{arxiv.2508.11424,
title = {Generative Co-Design of Antibody Sequences and Structures via Black-Box Guidance in a Shared Latent Space},
author = {Yinghua Yao and Yuangang Pan and Xixian Chen},
journal= {arXiv preprint arXiv:2508.11424},
year = {2025}
}
备注
Accepted by IJCAI 2025