Nat Commun｜可预训练的几何图神经网络用于优化抗体分子的亲合性

文章预览

抗体在免疫应答中发挥着核心作用，提高抗原抗体的结合亲合力对于诊断和治疗至关重要。然而，传统的体外亲合力成熟方法耗时且成本高昂，通常需要数月时间来构建突变库并筛选。鉴于抗体互补决定区（CDR）内潜在的突变组合极为庞大，传统的实验筛选方法难以全面探索。尽管分子动力学模拟能够提供较高的预测精度，但其计算速度限制了其在大规模筛选中的应用。近年来，深度学习方法被引入以提高亲合力预测的效率，但受限于数据集规模，模型的准确性和可靠性仍有待提高。 基于上述挑战，复旦大学应天雷课题组与百奥几何团队联合开发了一种名为GearBind的预训练几何图神经网络。 GearBind通过构建多关系图、采用几何消息传递机制，并利用大规模未标记蛋白质数据进行预训练，显著提高了抗体亲合力预测的准确性和效率。 在一系列测试中 ………………………………