抗体-抗原相互作用预测的多模态表征学习
机器学习
2025-03-25 v1 定量方法
摘要
尽管深度学习模型在预测抗体-抗原相互作用 (AAI) 中发挥着关键作用，但公开可获取的序列-结构配对数据的稀缺限制了其泛化能力。当前 AAI 方法通常关注残基水平的静态细节，忽略了抗体及其间相似性的细粒度结构表征。为解决这一挑战，我们引入一种多模态表征方法，将 3D 结构和 1D 序列数据相结合，以探索抗体内部层次关系的复杂性。通过利用这些表征，我们提出了 MuLAAIP，一种 AAI 预测框架，利用图注意力网络阐明图级结构特征，并采用归一化自适应图卷积网络捕获抗体间的序列关联。此外，我们构建了一个包含结构和序列信息以及相互作用标签的 AAI 基准数据集。通过在该基准上进行大量实验，我们的结果表明，MuLAAIP 在预测性能方面优于当前最先进的方法。该实现代码和数据集已公开于 https://github.com/trashTian/MuLAAIP 提供，可复现。
引用
@article{arxiv.2503.17666,
title = {Multi-Modality Representation Learning for Antibody-Antigen Interactions Prediction},
author = {Peijin Guo and Minghui Li and Hewen Pan and Ruixiang Huang and Lulu Xue and Shengqing Hu and Zikang Guo and Wei Wan and Shengshan Hu},
journal= {arXiv preprint arXiv:2503.17666},
year = {2025}
}
备注
2025 IEEE International Conference on Multimedia and Expo (ICME 2025), June 30 - July 4, 2025, Nantes, France