抗体亲和力增强17倍，百奥几何、复旦团队AI方法模拟细微蛋白质互作，登Nature子刊

主要观点总结

复旦大学与百奥几何团队联合推出预训练几何图神经网络GearBind，用于抗体亲和力成熟。该技术在多个测试集上表现优异，成功增强两种不同抗体的结合能力。研究通过引入深度学习方法应对抗体亲和力成熟的挑战，利用大规模蛋白质结构数据集进行预训练。尽管存在局限性，但研究人员对GearBind的未来应用持乐观态度，认为它可为研究和药物发现带来巨大的机会。

关键观点总结

关键观点1: 研究背景

抗体疗法中提高抗体与其靶抗原的结合亲和力是关键任务。体外抗体亲和力成熟过程耗时且成本高，需要构建突变库和筛选技术。深度学习方法的引入为解决亲和力预测问题带来了新的希望。

关键观点2: GearBind的特点与优势

GearBind是一种可预训练的深度神经网络，通过多级几何信息传递模拟蛋白质相互作用。它的技术优势包括多关系图构建、特征提取和基于对比学习的预训练算法。研究结果表明，GearBind在抗体亲和力成熟项目中表现出强大性能。

关键观点3: GearBind的应用与评估

研究人员使用现实世界抗体亲和力成熟项目来评估GearBind的性能。结果显示，基于GearBind的管线成功增强了抗体的结合能力。此外，研究还对其他团队的模型进行了评估，指出结构信息在构建可靠算法中的关键作用。

关键观点4: 局限性与未来方向

虽然GearBind具有许多优势，但仍存在局限性，如准确的复合物结构预测和端到端模型的发展等。研究人员相信，这项工作为建立可靠、高效和强大的计算机亲和力成熟流程迈出了坚实的一步，为未来在微型结合剂和酶设计等领域的应用开辟了可能性。

文章预览

将 ScienceAI   设为 星标 第一时间掌握 新鲜的 AI for Science 资讯 编辑 | 萝卜皮 提高抗体与其靶抗原的结合亲和力是抗体疗法开发中的关键任务。 复旦大学与百奥几何（BioGeometry）团队联合推出了 一种可预训练的几何图神经网络 GearBind，展示了其在抗体亲和力成熟中的潜力。 通过多关系图构建、几何消息传递和大规模未标记蛋白质数据的预训练，GearBind 在多个测试集上的表现优于现有方法。 研究人员基于 GearBind 推导出一个强大的集成模型，成功用于增强两种不同抗体的结合能力，实验数据显示设计的抗体突变体显著提升了性能。 该研究以「 Pretrainable geometric graph neural network for antibody affinity maturation 」为题，于 2024 年 9 月 6 日发布在《 Nature Communications 》。 抗体在免疫系统中具有关键作用，并因其高亲和力的特异性结合能力，被广泛用于诊断和治 ………………………………