Llama-Affinity：一种整合抗体序列与 Llama3 骨干架构的预测性抗体-抗原结合模型
机器学习
2025-06-12 v1 人工智能
定量方法
摘要
抗体介导的免疫反应是机体抵御病原体、病毒及其他外来入侵者的核心机制。抗体特异性结合并中和抗原的能力对维持免疫力至关重要。过去几十年，生物工程进展显著加速了治疗性抗体的研发。这些抗体衍生药物在癌症、SARS-CoV-2、自身免疫性疾病和传染病治疗中展现出显著疗效。传统实验亲和力测定方法耗时且昂贵。随着人工智能的兴起，计算医学已发生革命性变革；近期机器学习的发展，特别是利用大语言模型（LLMs）表示抗体，为基于 AI 的设计和亲和力预测开辟了新途径。本文提出了一种先进的抗体-抗原结合亲和力预测模型 LlamaAffinity，基于开源 Llama 3 骨干架构，并利用观测抗体空间（OAS）数据库中的抗体序列数据。该方法在多个评估指标上显著优于现有最先进（SOTA）方法（AntiFormer、AntiBERTa、AntiBERTy）。具体而言，该模型实现了 0.9640 的准确率、0.9643 的 F1 分数、0.9702 的精确率、0.9586 的召回率以及 0.9936 的 AUC-ROC。此外，该策略揭示了更高的计算效率，平均累计训练时间仅为 0.46 小时，显著低于先前研究。
引用
@article{arxiv.2506.09052,
title = {Llama-Affinity: A Predictive Antibody Antigen Binding Model Integrating Antibody Sequences with Llama3 Backbone Architecture},
author = {Delower Hossain and Ehsan Saghapour and Kevin Song and Jake Y. Chen},
journal= {arXiv preprint arXiv:2506.09052},
year = {2025}
}
备注
7 Pages