折叠模型能区分真结合物与诱饵吗?POISK 专利抗体数据集给出的证据
Can Folding Models Tell Binders from Bluffers? Evidence from POISK: The Patent-Derived Antibody Dataset
作者发布 POISK 数据集,用 LLM 流程从 10110 项美国专利中抽取 89074 条抗体-抗原记录,并据此构建 22494 个复合物的平衡基准。在此基准上,六种结构预测模型中 Protenix-v2 表现最好,全部配对的 pairwise 准确率为 72%,最自信的一半达 87%,在 50 个候选中挑出真结合物的比例为 29%。
作者用专利抗体数据搭出基准,横向比较六种结构预测模型区分真结合物与诱饵的能力,可据此判断零样本筛选信号的边界。
预印本 · biorxiv · 10.64898/2026.10.24.761513
本站摘要基于收录版本 v1(2026-10-27),原始摘要与 AI 导读固定保留。
来源最近更新: · 来源 v2
结构预测模型正日益作为零样本数字筛选工具应用于抗体设计,其运作前提是高折叠置信度意味着真实结合。然而,由于测试集规模小、靶标多样性不足,以及存在来自训练邻近结构的数据泄漏风险,这一前提的严格验证一直十分有限。在此我们提出 POISK(Patent-extracted Organization of Immunoglobulin Sequence Knowledge,从专利中提取的免疫球蛋白序列知识组织库),这是一个源自美国专利文献的大规模数据集,包含利用基于大语言模型的流程从 10110 件专利中提取的 89074 条抗体-抗原记录。基于该资源,我们整理出一个包含 22494 个复合物的均衡基准集:其中 11247 个为经专利验证但尚无已解析结构的结合子,与之配对的是由序列相似的人源抗体库抗体构建的推定非结合子。利用该数据集,我们对六个领先的结构预测模型(AlphaFold-Multimer、Boltz-2、IntelliFold v2、OpenFold3、Protenix-v1 和 Protenix-v2)区分结合子与诱饵的能力进行了基准测试。表现最好的模型 Protenix-v2 在所有配对上的成对准确率为 72%,在置信度最高的前一半预测上达到 87%,并在 29% 的试验中从 50 个候选中正确识别出真正的结合子;这相比随机选择有显著提升,但仍远未达到可靠的单候选识别水平。跨模型的结构共识同样能区分结合子与诱饵,当三个或更多模型在某一构象上收敛时(DockQ>0.23,覆盖约 54.2% 的配对),成对准确率可达 73.1%。表位定位仍不可靠:最好的模型仅在 62.8% 的案例中接触到已注释的表位残基,这表明结合子判别能力并不能保证准确的表位定位。我们的结果表明,当前的折叠模型能为抗体筛选提供有用但有限的信号,应辅以正交方法加以补充。我们将 POISK 作为社区资源发布,供未来的基准测试和模型训练使用。
来源:bioRxiv · biorxiv.org