基于帕累托最优能量对齐的天然抗体设计
机器学习
2025-10-24 v2
摘要
我们提出了一个三阶段框架，用于训练专门于抗体序列-结构共设计的深度学习模型。首先，我们使用数百万抗体序列数据进行预训练语言模型。随后，利用所学表示来指导扩散模型在抗体的序列和结构之间进行联合优化。在最终的对齐阶段，我们优化模型以优先选择在抗原结合位点上具有低排斥和高吸引的抗体，从而增强设计的合理性和功能性。为缓解能量偏好之间的冲突，我们将AbDPO（抗体直接偏好优化）扩展到在多个能量基准对齐目标下实现帕累托最优性。此外，我们采用温度缩放的迭代学习范式，使模型能够从多样化的在线数据集中受益，无需额外数据。在实践中，我们的方法在生产更优帕累托前沿的抗体设计方面具有高度稳定性和效率，优于基线方法和先前对齐技术生成的顶级样本。通过大量实验，我们展示了我们方法在生成高结合亲和力的天然抗体方面的卓越性能。
引用
@article{arxiv.2412.20984,
title = {Pareto-Optimal Energy Alignment for Designing Nature-Like Antibodies},
author = {Yibo Wen and Chenwei Xu and Jerry Yao-Chieh Hu and Kaize Ding and Han Liu},
journal= {arXiv preprint arXiv:2412.20984},
year = {2025}
}
备注
21 pages