跳到正文
bioRxiv· Wu, J.; Wu, F.; Zhu, X.; Huang, D.; Cheng, K.; Ma, J.; Feng, F.; Yao, J.·· 来源仅提供日期AI 评分55

FoldAbS 将蛋白质折叠模型改造为抗体筛选的基础编码器

FoldAbS: Repurposing the Protein Folding Model as a Foundation Encoder for Antibody Screening

AI 导读

FoldAbS 提出一种统一监督筛选框架,将蛋白质折叠模型冻结为基础编码器,用于治疗性抗体候选的特异性、亲和力与可开发性评估。该框架以开源 Protenix 模型实例化为 FoldAbS-Px,并搭配轻量任务头,在特异性、亲和力和可开发性上分别取得最高 13.1%、9.2% 和 6.2% 的提升。代码见 https://github.com/nohandsomewujun/FoldAbS。

预印本 · biorxiv · 10.64898/2026.11.03.763899

本站摘要基于收录版本 v1(2026-11-06),原始摘要与 AI 导读固定保留。

来源最近更新: · 来源 v1

摘要 · AI 翻译

治疗性抗体筛选需要在特异性、亲和力和可开发性之间对候选抗体进行优先级排序。当前的流程通常将这些目标割裂开来,并且未能充分利用支配抗体-抗原识别的结构信息。为了解决这些低效问题,我们提出了 FoldAbS,这是一个统一的有监督筛选框架,它将蛋白质折叠模型重新构想为冻结的基础编码器,利用其内部表征来捕捉丰富的序列、几何和相互作用动态,远远超出基础结构预测的范畴。通过将折叠模型与轻量级的、针对特定任务的头部相结合,FoldAbS 在单一架构内无缝地评估所有三项治疗标准。使用开源的 Protenix 模型(FoldAbS-Px)实例化该框架,在基线方法上取得了持续的改进,在特异性、亲和力和可开发性方面分别实现了高达 13.1%、9.2% 和 6.2% 的显著性能提升。总而言之,这些结果将蛋白质折叠模型从结构预测器和置信度评分器重新定位为用于全面、有监督抗体筛选的可重用基础编码器。我们的代码可在 https://github.com/nohandsomewujun/FoldAbS 获取。

来源:bioRxiv · biorxiv.org