AntiSite 统一抗体与纳米抗体的结合位点预测,支持有无结构两种输入
AntiSite: Unified paratope prediction for antibodies and nanobodies with or without structure
研究团队提出抗原无关的结合位点预测器 AntiSite,它的序列编码器、融合模块和预测头在有结构、无结构两种输入下共享。在五个抗体—抗原基准上,结构感知版本取得最高平均 PR-AUC,纯序列 PR-AUC 普遍低于最强的专用序列基线;其中的结构模态 dropout 让两种推理模式无需重新训练,并零样本泛化到纳米抗体。
预印本 · biorxiv · 10.64898/2026.08.24.745914
本站摘要基于收录版本 v2(2026-11-12),原始摘要与 AI 导读固定保留。
来源最近更新: · 来源 v2
准确的互补决定区(paratope)预测能够揭示抗体与抗原的识别机制,并为抗体发现与工程化提供支持。现有预测器都固定于单一输入模式:基于序列的方法无法利用抗体结构,基于结构的方法需要坐标,而同时覆盖两者的方法则将分别训练的预测器进行组合。我们提出 AntiSite,这是一个抗原无关的预测器,其序列编码器、融合模块和预测头在两种模式下共享;结构感知推理会加入我们此前开发的 ParaSurf 模型所提供的分子表面特征,该模型在此处作为一个冻结的、单独训练的结构编码器使用。结构模态 dropout 使得两种推理模式无需重新训练即可实现。在五个抗体-抗原基准上,结构感知的 AntiSite 在所有被评估方法中取得了最高的平均 PR-AUC,而仅使用序列的 PR AUC 通常低于最强的专用抗原无关序列基线。AntiSite 还展示了在无需额外训练的情况下对纳米抗体的零样本泛化能力。我们进一步评估了来自近期抗体专用及通用蛋白质折叠方法(包括 Ibex、Protenix-v1、Boltz-2 和 Chai-1)在仅抗体或抗原感知的共折叠模式下生成的结构。其收益与结构准确性相关,最准确的输入所取得的性能接近使用实验结构所获得的性能。因此,AntiSite 为抗体和纳米抗体结合位点提供了一个共享的预测器,既可仅凭序列使用,也可在有可靠结构信息时进一步优化。代码与训练好的检查点均已公开可用。
来源:bioRxiv · biorxiv.org