编辑推荐：
在免疫疗法研究中，纳米抗体（nanobody）虽优势显著，但缺乏可用纳米抗体针对多数抗原仍是难题。研究人员开展 “NABP-LSTM-Att：基于双向 LSTM 和软注意力机制的纳米抗体 - 抗原结合预测” 研究，模型评估表现优异，为预测纳米抗体 - 抗原结合提供有效工具。
在生命的微观世界里，免疫系统如同忠诚的卫士，时刻守护着机体的健康。其中，抗体介导的免疫反应至关重要，而抗体也已成为一类快速发展的治疗药物。纳米抗体作为一种特殊的抗体，犹如免疫领域的一颗新星，正逐渐崭露头角。它体型小巧，却蕴含着巨大的能量，具有高靶向特异性、良好的溶解性和稳定性，是开发高质量药物的潜力股。然而，目前针对大多数抗原，可用的纳米抗体十分匮乏，这成为了纳米抗体药物研发道路上的 “拦路虎”。
为了攻克这一难题，来自多个研究机构（文中未明确具体机构信息）的研究人员踏上了探索之旅，开展了 “NABP-LSTM-Att：基于双向 LSTM 和软注意力机制的纳米抗体 - 抗原结合预测” 的研究。他们致力于找到一种更高效、准确的方法，预测纳米抗体与抗原的结合情况，从而推动纳米抗体在免疫疗法和诊断领域的广泛应用。
经过不懈努力，研究人员取得了令人瞩目的成果。他们构建的 NABP-LSTM-Att 模型，仅依靠纳米抗体和抗原的序列信息，就能对二者的结合进行精准预测。在对 SAbDab-nano 数据库中的纳米抗体 - 抗原序列对进行评估时，该模型的受试者工作特征曲线下面积（AUROC）达到了 0.926，平均精度均值（AUPR）为 0.952 ，这一成绩为纳米抗体的研发带来了新的曙光。这一研究成果发表在《Computational Biology and Chemistry》杂志上，为该领域的研究提供了重要的参考。
在这项研究中，研究人员主要运用了以下关键技术方法：首先，他们从 SAbDab-nano 数据库获取数据，这些数据均经过严格筛选，如只保留含有重链信息的复合物、抗原为 50 个氨基酸以上的蛋白质或肽、结构分辨率优于 3 ? 等。接着，基于 k - mer 表示法将互补决定区（CDR）和抗原序列分别嵌入向量。之后，利用包含 1D 卷积层和 1D 最大池化层的卷积神经网络（CNN）捕捉局部特征，再通过合并层将这些特征连接起来。然后，借助双向长短期记忆（biLSTM）层提取序列间的长短期依赖关系，并运用软注意力机制聚焦关键特征。最后，采用评分函数预测纳米抗体 - 抗原结合分数。
下面来详细看看研究结果：
- 数据：SAbDab-nano 数据库截至 2024 年 9 月，包含 1608 个纳米抗体 - 抗原复合物，这些数据都按照特定标准进行了预处理，以保证数据的质量和有效性。
- 模型架构超参数配置与优化：该模型包含多个超参数，不同网络层有着各自独特的超参数，如嵌入层的词汇表大小和嵌入维度、1D 卷积层的滤波器数量和内核大小等。对这些超参数的合理配置和优化，是模型性能的重要保障。
在研究结论和讨论部分，准确预测纳米抗体 - 抗原结合亲和力对于理性设计纳米抗体至关重要。NABP-LSTM-Att 模型的出现，成功解决了纳米抗体 - 抗原结合预测（NABP）的难题，避免了使用计算量较大的对接等方法。该模型利用 k - mer 表示法分析 CDR 和抗原序列进行氨基酸标记嵌入，借助两层 CNN 等技术，实现了高效的预测。这一模型为纳米抗体的研究和开发提供了强有力的工具，有助于加速纳米抗体药物的研发进程，在免疫疗法和诊断等领域具有广阔的应用前景，有望为人类健康带来更多福祉，推动生命科学和健康医学领域的进一步发展。
