跳到正文
bioRxiv· Ashraf, F. B.; Lonardi, S.·· 来源仅提供日期AI 评分64

LangAAI 仅凭序列抗原上下文改进抗体高变区建模

Sequence-only antigen context improves modeling of antibody hypervariable regions

AI 导读

Ashraf 和 Lonardi 提出 LangAAI,一种仅以抗体和抗原一级序列为条件、无需3D结构、对接构象或表位注释的掩码语言模型。在将同源抗原替换为不结合诱饵的实验中,LangAAI 的序列恢复率明显下降且集中在 CDR3 环,而抗原无关模型基本不受影响。

预印本 · biorxiv · 10.64898/2026.10.19.760314

本站摘要基于收录版本 v1(2026-10-26),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

抗体的互补决定区(CDR)决定抗原特异性;因此,CDR 的设计应以目标抗原为条件进行。大多数已发表的方法依赖于抗原三维(3D)结构的可用性,而这种结构往往难以通过实验获得。相比之下,仅基于序列的模型规避了这一要求,但通常在不含抗原上下文的抗体数据上训练;仅仅接触抗原序列并不一定意味着模型学到了潜在的相互作用决定因素。在此,我们提出 LangAAI,一种仅以抗体和抗原的一级序列为条件的掩码语言模型,因此不需要 3D 结构、对接构象或表位注释。为评估该模型是否表现出真正的抗原条件化能力,我们将同源抗原替换为不结合的诱饵抗原。抗原无关模型对这一替换基本不敏感,而 LangAAI 的序列恢复率则显著下降,且这种下降特异性地集中在高变的 CDR3 环上。在各项基准测试中,LangAAI 相较于现有抗体语言模型提升了氨基酸恢复率;在各自的评估协议下,其表现与基于结构的方法相当;并且在按亲和力对实验测定的变体进行排序时,其效果与使用骨架坐标的逆折叠模型相当。综合而言,这些结果支持 LangAAI 作为一种不依赖结构的抗原感知抗体优化方法,可用于为缺乏已解析抗原-抗体复合物的靶点对候选变体进行优先级排序。

来源:bioRxiv · biorxiv.org