跳到正文
bioRxiv· Rao, P. V.; Sommer, D.; Davidson, D.; Alberstein, R. G.; Ludwiczak, J.; Kleinhenz, J.; Vani, B.; Park, E.; Lee, J. H.; Izadi, S.; Kiefer, J. R.; Bonneau, R.; Mahajan, S. P.; Watkins, A. M.; Dreyer, F. A.·· 来源仅提供日期AI 评分58

Cadense 框架用机器学习快速生成抗体构象集合

Rapid generation of antibody conformational ensembles using machine learning

AI 导读

研究提出 Cadense 生成式框架,可从抗体序列生成受构象动力学信息引导的多样 Fv 构象集合,并将数天分子动力学模拟的计算量缩短到数秒生成。该框架生成的集合能恢复同一抗体的 apo 和 holo 构象,也可作为基于物理对接的有效输入,用于刻画抗体与抗原相互作用所需的构象柔性。

预印本 · biorxiv · 10.64898/2026.11.06.764889

本站摘要基于收录版本 v1(2026-11-09),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

我们提出 Cadense,这是一个用于抗体集合预测的生成式框架,能够在构象动力学的指导下,从序列生成多样的 Fv 结构。静态结构预测虽然是一种有价值的资源,但只能提供动态蛋白质的单一快照,而蛋白质的运动会影响其结合及其他性质。这一点对抗体尤为重要——抗体是药物发现中的一类重要分子,其灵活的互补决定区(CDR)环难以用静态方法建模。Cadense 通过生成与分子动力学(MD)模拟的构象和生物物理性质分布相匹配的集合来弥补这一空白,同时将计算负担从数天的模拟缩短到数秒的生成。我们证明 Cadense 集合能够恢复同一抗体的 apo 和 holo 构象,并可作为基于物理的对接的有效输入,捕捉到正确建模抗体-抗原相互作用所需的构象灵活性。这些结果共同确立了 Cadense 作为抗体构象集合生成的有用工具,并有望实现更快、具备动力学感知能力的抗体设计。

来源:bioRxiv · biorxiv.org